سنسور برای سیستم تشخیص چرخ سنگ زنی

این مقاله به طراحی و اجرای یک شبکه عصبی و سیستم مبتنی بر منطق فازی که خروجی های چندین حسگر را برای نظارت بر وضعیت چرخ سنگ زنی ترکیب می کند، اشاره می کند. می توان فرض کرد که در مورد فرآیندهای سنگ زنی، وضعیت فرآیند در طول دوره عمر چرخ سنگ زنی تنها تابعی از تغییرات در توانایی برش چرخ است. به همین دلیل است که نظارت بر وضعیت چرخ نقش مهمی در هر سیستم نظارت خودکار برای فرآیند سنگ زنی ایفا می کند.

نظارت موفقیت آمیز وضعیت چرخ سنگ زنی تا حد زیادی به سنسورهای قابل اعتماد و قوی مورد استفاده برای این منظور بستگی دارد. در غیاب اپراتورهای انسانی، حسگرها باید توانایی تشخیص فرآیند را داشته باشند. ناهنجاری ها و شروع اقدامات اصلاحی. سیگنال‌های مختلفی وجود دارد که با شرایط فرآیند مرتبط هستند و آنها موضوع تکنیک‌های مختلف سنجش و پردازش هستند. هر یک از این سیگنال‌ها می‌توانند ویژگی‌های مرتبط با پدیده مورد نظر را ارائه دهند، هرچند با قابلیت اطمینان متفاوت. بنابراین جمع آوری حداکثر اطلاعات در مورد وضعیت یک فرآیند از تعدادی سنسور مختلف بهترین راه حل است. برای معرفی چنین ایده‌ای برای تمرین یک سیستم حسگر هوشمند که استراتژی‌های همجوشی حسگر را در بر می‌گیرد باید اجرا شود.

در این مطالعه، یک سیستم مانیتورینگ با سنسورهای متعدد پیشنهاد شده و عملکرد آن به صورت تجربی ارزیابی می‌شود. این سیستم شامل اندازه گیری ارتعاش، انتشار صوتی و نیروهای سنگ زنی است. آنها سیگنال های مفیدی را برای نظارت بر سایش چرخ سنگ زنی تولید می کنند، اما بهترین پیکربندی سیگنال ها و روش های پردازش سیگنال باید انتخاب شود.

این کار توسط یک شبکه عصبی انتشار به عقب به جلو انجام می شود. پس از یک روند تنظیم شبکه مشخص شد که تعداد ویژگی های اطلاعاتی بسیار کمتر از مجموعه ویژگی های مورد استفاده اولیه است. همین شبکه عصبی را می‌توان در فرآیند تصمیم‌گیری نیز به کار برد، زیرا در عین حال، می‌تواند سایش چرخ سنگ‌زنی را مدل‌سازی کند. علاوه بر این، یک سیستم تصمیم گیری منطق فازی مبتنی بر شبکه عصبی برای ادغام حسگر در پایش وضعیت چرخ سنگ زنی مورد بحث قرار گرفته است.

به منظور ارزیابی روش‌های پیشنهادی، داده‌های جمع‌آوری‌شده در حین آسیاب با طیف وسیعی از پارامترهای برش استفاده شد. چرخ سنگ زنی تازه، فرسوده و نیمه فرسوده در طول آزمایش مشاهده شد. برای هر سیگنال اندازه گیری چند ویژگی آماری و طیفی محاسبه شده و به عنوان ورودی برای روش های انتخاب و طبقه بندی داده ها استفاده می شود.