فهرست نشریات علمی دسترسی آزاد ایران

زبری سطحی قطعات ماشین‌کاری شده یکی از پارامترهای مهم برای نشان‌دادن کیفیت سطح است که پارامترهای گسترده‌ای در آن تأثیر می‌گذارد. این گزارش یک چارچوب پیش‌بینی و طبقه‌بندی زبری سطح در قطعات فرزکاری است که با استفاده از تکنیک‌های یادگیری عمیق بر روی داده‌ها، مدلی برای پیش‌بینی و کلاسه‌بندی مقادیر زبری سطح ارائه می‌دهد. در مجموع از داده‌های 162 آزمایش برای سه آلیاژ آلومینیوم 7075، 6061 و 2024 استفاده شده است که شامل سرعت برشی، عمق برش، نوع پوشش ابزار، نرخ پیشروی ابزار و خروجی زبری سطح است. در این مقاله، سیگنال‌های نشر آوایی ضبط شده در طول آزمایش‌های فرزکاری به تصاویر دوبعدی تبدیل و به شبکه‌های عصبی پیچشی مانند رزنت 18، شافل‌نت، موبایل‌نت و CNN-LSTM به‌عنوان ورودی داده شده‌اند. چهار روش کدگذاری برای تبدیل سیگنال‌های سری زمانی به عکس‌های دوبعدی استفاده شده است. روش انباشت کانال‌های جایگشت شده بادقت بالای 98٪ در بیشتر مدل‌ها بهترین عملکرد را دارد. همچنین با افزایش تعداد کلاس‌ها به بررسی مقادیر دقت در چهار روش ذکر شده پرداخته شده است. شبکه شافل‌نت و موبایل‌نت با دقت 96-99٪ و هزینه محاسباتی کم، یکی از مدل‌های مناسب برای نظارت بلادرنگ می‌تواند استفاده شود. کارایی روش‌ها در شبکه‌های گفته شده نیز تحت دو سطح نویز 40% و 80% در دو حالت نویز میانگین صفر و نویز با میانگین غیر صفر سنجیده شد.