Modelo de sistema de avaliação inteligente
De acordo com o sistema de hardware, o modelo de avaliação da precisão da usinagem é estabelecido. O modelo é composto por diferentes estruturas de camadas, incluindo principalmente camada de aquisição de sinal, camada de saída de sinal, camada de transformação de sinal, camada de condicionamento de sinal, camada de aquisição de dados, software de aquisição, armazenamento de dados, extração de recursos e camada de usuário.
As funções de cada parte são as seguintes:
(1) Camada de aquisição de sinal: é principalmente que cada sensor coleta os sinais correspondentes dos pontos de medição na posição instalada, e os sinais emitidos pelo sensor são transmitidos para a camada de saída de sinal.
(2) Camada de entrada de sinal: transmite o sinal para o circuito de condicionamento de descarga da máquina-ferramenta NC, e a camada de saída de sinal liga o ponto de medição do sinal e o circuito de pré-processamento.
(3) Camada de transformação de sinal: pode realizar a transformação da forma do sinal. Como os sinais originais emitidos por cada sensor incluem sinal de tensão, sinal de resistência e sinal de corrente, para facilitar a aquisição de dados, esses sinais precisam ser transformados na camada de transformação de sinal e convertidos uniformemente em sinais de tensão.
(4) Camada de condicionamento de sinal: é composta principalmente de instrumento de condicionamento de sinal. Como o sinal original é misturado com um grande número de sinais de ruído e o valor do sinal original é relativamente fraco, a camada de condicionamento de sinal realiza principalmente a amplificação e filtragem do sinal original.
(5) Camada de aquisição de dados: é composta principalmente de cartão de aquisição de dados para realizar a aquisição de sinal de alta velocidade.
(6) Software de aquisição: realiza principalmente a aquisição automática de dados, transmissão, armazenamento e outras operações do computador.
(7) Armazenamento de dados: é a base básica para o processamento de dados, e os dados armazenados precisam ser chamados no processamento posterior.
(8) Extração de recursos: extrai principalmente recursos relevantes no domínio do tempo e recursos no domínio da frequência dos sinais processados para treinamento subsequente da rede neural.
(9) Nível de usuário: é principalmente a rede neural que treina e aprende os autovalores extraídos e emite os resultados da decisão.
Extração de recurso de sinal
O valor de seleção de recurso usa vários métodos de análise e processamento de sinal digital para extrair as informações de recurso que podem refletir melhor a alteração da precisão de usinagem do sinal original. O sinal original coletado pelo sensor contém um grande número de sinais de ruído. Para extrair efetivamente o autovalor do sinal, o pacote wavelet é selecionado para extrair o autovalor.