W zależności od ilości danych do przetworzenia generowanie pliku może się wydłużyć.

Jeśli generowanie trwa zbyt długo można ograniczyć dane np. zmniejszając zakres lat.

Artykuł

Pobierz BibTeX

Tytuł

Monitoring and forecasting of tool wear based on measurements of vibration accelerations during cast iron milling

Autorzy

[ 1 ] Instytut Technologii Mechanicznej, Wydział Inżynierii Mechanicznej, Politechnika Poznańska | [ 2 ] Instytut Mechaniki Stosowanej, Wydział Inżynierii Mechanicznej, Politechnika Poznańska | [ P ] pracownik

Dyscyplina naukowa (Ustawa 2.0)

[2.9] Inżynieria mechaniczna

Rok publikacji

2023

Opublikowano w

Journal of Manufacturing Processes

Rocznik: 2023 | Tom: vol. 95

Typ artykułu

artykuł naukowy

Język publikacji

angielski

Słowa kluczowe
EN
  • Machine learning
  • Tool wear identification
  • Milling
  • Cast iron
  • Vibration accelerations
Streszczenie

EN The research focused on the possibility of predicting the wear of cutting tools during milling of EN-GJL-250 cast iron by using machine learning in the form of two different classification trees. The measurement of vibration acceleration as one of the physical quantities tested during the cutting process can be measured in an accessible way (measurement on the workpiece or through the tool). Implementation of the measurement method presented in the research is possible in every field of industry with various methods of cutting. As input data for the models, measures based on vibration acceleration signals were selected. From the conducted experimental tests, the values of wear on the end mill flank VBc at the corner of the tool and vibration acceleration during machining at variable cutting speeds (vc = 150–500 m/min) of cast iron castings were obtained, these values were correlated with each other. The machining was performed with the use of monolithic end mills made of cemented carbide. The test results show the possibility of predicting cutting edge wear using machine learning, obtaining an error of around 1 % compared to the regression models, which in the best variant reached an error of as much as 25 %.

Data udostępnienia online

18.04.2023

Strony (od-do)

342 - 350

DOI

10.1016/j.jmapro.2023.04.036

URL

https://www.sciencedirect.com/science/article/abs/pii/S1526612523003857

Punktacja Ministerstwa / czasopismo

140

Impact Factor

6,1

Ta strona używa plików Cookies, w celu zapamiętania uwierzytelnionej sesji użytkownika. Aby dowiedzieć się więcej przeczytaj o plikach Cookies i Polityce Prywatności.