抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
産業4.0の開発は,現代のフライス加工技術のためのより高い必要条件を提唱した。工作機械加工中のミリング工具摩耗の程度のモニタリングは製品品質を改善し,生産損失を低減する。工作機械の加工プロセスにおいて,多くの種類のツールが通常使用され,種々のツールの種々のセンサの信号特性は異なる。したがって,工具摩耗評価の前に,本論文はスピンドル電流データに従って工具タイプを同定した。工具型認識の後,本論文は工具力データ,振動データ,アコースティックエミッション信号,および他のマルチセンサデータに従って工具摩耗度を評価した。最初にElmanニューラルネットワークとAdaboostアルゴリズムを結合してElman_Adaboost強予測子を構築した。次に,7つのセンサデータの分散と平均を,強い予測子を入力する特性量として選択した。最後に,工具の摩耗度を測定するために,3つの摩耗量を得た。本論文で提案した方法は,Matlabによって実行して,本方法の有効性は,PHM(PrognosticsとHealth Management)学会によって提供される競争データを使用して確認した。結果は,同じ工具摩耗の平均評価精度が92%以上であり,類似の工具摩耗のそれは85%以上であることを示した。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】