Intelligent Machining Monitoring Using Sound Signal Processed With the Wavelet Method and a Self-Organizing Neural Network
Notice bibliographique
Résumé
A methodology was developed using the sound signal based on wavelet analysis and self-organizing neural network (NN) to monitor cutting accuracy in an extremely noisy machining process. Sawing experiments were conducted under different levels of feed speed, depth of cut, and rotation speed to monitor the longitudinal waviness of sawn samples using laser displacement sensors as an index of cutting accuracy and sawing deviation. The sound of the cutting and idling processes was recorded using a microphone. The acquired acoustic signals were pre-processed using the wavelet de-noising method for background noise elimination. As the signal still encompasses the low-frequency components corresponding to the idling process (machine motor, saw vibration, etc.), a systematic wavelet thresholding method was applied to the coefficients of the decomposed signal at different levels to discard the sound signal components associated with the idling process. Inverse wavelet transform was then applied to make a synthesized signal from the original one. Different features were extracted from the original and synthesized signals and used to train a self-organizing NN. Group method of data handling (GMDH) NN was utilized for predicting the waviness from the sensory features. The GMDH model trained with features extracted from the synthesized signal outperformed the one trained with the original signal features. The results suggested that employing the proposed wavelet-based methodology enables the acoustic signal to be used in monitoring the manufacturing processes in an extremely noisy environment. Self-organizing NN was shown to have a promising performance without facing the difficulties in finding the network optimal architecture, which is a typical challenge in the conventional backpropagation NNs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».