Visual Measurement and Modelling of Tool Wear in Rough Turning
Laaksonen, Janne (2008)
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe200903191248
https://urn.fi/URN:NBN:fi-fe200903191248
Tiivistelmä
Huolimatta korkeasta automaatioasteesta sorvausteollisuudessa, muutama keskeinen ongelma estää sorvauksen täydellisen automatisoinnin. Yksi näistä ongelmista on työkalun kuluminen. Tämä työ keskittyy toteuttamaan automaattisen järjestelmän kulumisen, erityisesti viistekulumisen, mittaukseen konenäön avulla. Kulumisen mittausjärjestelmä poistaa manuaalisen mittauksen tarpeen ja minimoi ajan, joka käytetään työkalun kulumisen mittaukseen. Mittauksen lisäksi tutkitaan kulumisen mallinnusta sekä ennustamista.
Automaattinen mittausjärjestelmä sijoitettiin sorvin sisälle ja järjestelmä integroitiin onnistuneesti ulkopuolisten järjestelmien kanssa. Tehdyt kokeet osoittivat, että mittausjärjestelmä kykenee mittaamaan työkalun kulumisen
järjestelmän oikeassa ympäristössä. Mittausjärjestelmä pystyy myös kestämään häiriöitä, jotka ovat konenäköjärjestelmille yleisiä.
Työkalun kulumista mallinnusta tutkittiin useilla eri menetelmillä. Näihin kuuluivat muiden muassa neuroverkot ja tukivektoriregressio. Kokeet osoittivat, että tutkitut mallit pystyivät ennustamaan työkalun kulumisasteen käytetyn ajan perusteella. Parhaan tuloksen antoivat neuroverkot
Bayesiläisellä regularisoinnilla. Despite the high automation level in turning industry, a few key issues prevent complete automation of the entire turning process. One of these issues is tool wear. The work presented in the thesis focuses on implementing an automatic system to measure tool wear, especially flank wear, using machine vision.
The tool wear measurement system removes the need for manual inspection and minimizes the time used on wear measurement. In addition to measurement, tool wear modelling and prediction is also studied.
The automatic measurement system was placed inside a turning center and the system was successfully integrated with external systems. Conducted experiments showed that the measurement system is able to measure the tool wear successfully in the system's intended environment. The measurement system can also tolerate some common disturbances affecting machine vision systems.
Multiple methods that can model the tool wear were studied, including neural networks and support vector regression. Experiments showed that the models were able to predict the wear based on the time the tool has been in use. Best results were obtained by neural networks with Bayesian regularization.
Automaattinen mittausjärjestelmä sijoitettiin sorvin sisälle ja järjestelmä integroitiin onnistuneesti ulkopuolisten järjestelmien kanssa. Tehdyt kokeet osoittivat, että mittausjärjestelmä kykenee mittaamaan työkalun kulumisen
järjestelmän oikeassa ympäristössä. Mittausjärjestelmä pystyy myös kestämään häiriöitä, jotka ovat konenäköjärjestelmille yleisiä.
Työkalun kulumista mallinnusta tutkittiin useilla eri menetelmillä. Näihin kuuluivat muiden muassa neuroverkot ja tukivektoriregressio. Kokeet osoittivat, että tutkitut mallit pystyivät ennustamaan työkalun kulumisasteen käytetyn ajan perusteella. Parhaan tuloksen antoivat neuroverkot
Bayesiläisellä regularisoinnilla.
The tool wear measurement system removes the need for manual inspection and minimizes the time used on wear measurement. In addition to measurement, tool wear modelling and prediction is also studied.
The automatic measurement system was placed inside a turning center and the system was successfully integrated with external systems. Conducted experiments showed that the measurement system is able to measure the tool wear successfully in the system's intended environment. The measurement system can also tolerate some common disturbances affecting machine vision systems.
Multiple methods that can model the tool wear were studied, including neural networks and support vector regression. Experiments showed that the models were able to predict the wear based on the time the tool has been in use. Best results were obtained by neural networks with Bayesian regularization.