Supporting the decision during inter-operational inspection of the electrodes based on the ensemble of neural networks *

ABSTRACT: In this paper the method based on the ensemble of artificial neural networks is presented for prediction of the geometrical quality of workpieces after electro-discharge machining (EDM). The complexity and random nature of physical phenomena accompanying the EDM process excluded the theoretical ways. The working electrodes were measured using CMM in flexible manufacturing system. The data obtained from inter-operational measurements were used for the neural networks training. Commonly used measures to express the tool wear turn out to be useless due to their large uncertainty. The tool monitoring and the ensemble method provided more stable diagnosis of the condition of the tool.

KEYWORDS: EDM technology, electrode inspection, neural networks ensemble

STRESZCZENIE: W artykule przedstawiono metodę opartą na implementacji zespołu sztucznych sieci neuronowych w celu prognozowania geometrycznej jakości przedmiotów kształtowanych obróbką elektroerozyjną. Złożoność i losowy charakter zjawisk fizycznych towarzyszących procesowi obróbki EDM utrudniają teoretyczne podejście. Elektrody robocze zostały zmierzone za pomocą maszyny współrzędnościowej w elastycznym systemie produkcji. Dane uzyskane z pomiarów międzyoperacyjnych wykorzystano do szkolenia sieci. Powszechnie stosowane miary zużycia narzędzia okazały się nieprzydatne ze względu na ich znaczną niepewność. Monitorowanie narzędzia i zastosowanie zespołów sieci neuronowych pozwoliły na uzyskanie bardziej stabilnej diagnozy stanu narzędzia.

SŁOWA KLUCZOWE: obróbka EDM, inspekcja elektrod, zespół sieci neuronowych

BIBLIOGRAFIA / BIBLIOGRAPHY:

• Ruszaj A., Skoczypiec S. “Development trends of selected unconventional manufacturing processes”. Int. XII Conf. on Electromachining. Mechanik. 4 (2015): pp. 1–8.
• Mazurkiewicz S. “Factors influencing on the quality of the production using technology of electrodischarge”. Proc. Int. Conf. XIV on Computer Systems Aided Science. (2013): pp. 2173–2182.
• PN EN ISO 1101:2012 Geometrical product specifications (GPS) – Geometrical tolerancing – Tolerances of form, orientation, location and run-out.
• Kovac P., Mankowa I., Gostimirovic M. “A review of machining monitoring systems”. J. of Production Engineering. 1, 14 (2011): pp. 1–6.
• Osowski S. „Sieci neuronowe do przetwarzania informacji”. Warszawa: OWPW, 2013.
• Matlab manual, user’s guide. Mathworks Natick, 2002.
• Perrone M.P., Cooper L.N. “When Networks Disagree: Ensemble Methods for Hybrid Neural Networks In Neural Networks for Speech and Image Processing”. New York: Chapman and Hall, 1993, pp. 126–142.
• Reid S. “A review of heterogeneous ensemble methods”. Department of Computer Science, University of Colorado at Boulder (2007). https://pdfs.semanticscholar.org/7ab9/ (access: 16.08.2018).
• Nieciąg H., Kudelski R., Zagórski K. “Pareto ANOVA analysis of geometrical features of the products machined during EDM adaptation cycle in the Integrated Manufacturing System”. PAR Magazine. 4 (2017): pp. 67–74.

DOI: https://doi.org/10.17814/mechanik.2018.12.188