PRZETWARZANIE SYGNAŁÓW W DIAGNOSTYCE STANU NARZĘDZIA I PROCESU SKRAWANIA

Transkrypt

1 K O M I S J A B U D O W Y M A S Z Y N P A N O D D Z I A Ł W P O Z N A N I U Vol. 31 nr Archwum Technolog Maszyn Automatyzacj 011 KRZYSZTOF JEMIELNIAK * PRZETWARZANIE SYGNAŁÓW W DIAGNOSTYCE STANU NARZĘDZIA I PROCESU SKRAWANIA W artykule przedstawono współczesne metody przetwarzana sygnałów w układach dagnostyk stanu narzędza procesu skrawana (DNPS). Omówono przetwarzane wstępne (np. fltrowane, wzmacnane, zamanę na postać cyfrową, segmentację), a następne wyznaczene mar sygnałów w dzedzne czasu, częstotlwośc (transformata Fourera) lub czasu częstotlwośc (krótkookresowa transformata Fourera, transformata Falkowa, transformata Hlberta-Huanga). Uzyskanych mar sygnałów może być bardzo wele, zwłaszcza jeśl pochodzą z różnych sygnałów (czujnków), a wele z nch ne jest zwązanych z montorowanym procesem. Stąd koneczne jest stosowane odpowednch sposobów oceny stopna ch powązana z montorowanym zjawskem. Omówono metody oceny przydatnośc selekcj mar oraz elmnacj tych mar, które dublują nformacje z lepszych od sebe. Słowa kluczowe: dagnostyka stanu narzędza procesu skrawana, przetwarzane sygnałów 1. WSTĘP Rozwój zautomatyzowanych systemów wytwarzana wymaga stosowana układów dagnostyk stanu narzędza procesu skrawana (DNPS). Układy take dzałają w oparcu o sygnały pochodzące z czujnków merzących welkośc zależne od dagnozowanego zjawska jak sły skrawana, drgana czy emsja akustyczna (AE). Sygnały te są przedmotem analogowego cyfrowego przetwarzana zmerzającego do wyznaczena mar skorelowanych ze stanem narzędza czy procesu skrawana (drgana, wóry, zadzory td.). Powszechne uznaje sę, ż ne jest możlwe warygodne montorowane stanu narzędza procesu skrawana w oparcu o pojedynczą marę. Stąd wyznaczane odpowedno dużej lczby mar jest kluczowym zagadnenem w każdym układze DNPS. Przetwarzane sygnałów odbywa sę w klku etapach: obróbka wstępna, wyznaczane mar, wreszce selekcja mar przydatnych do dagnozowanego procesu. Wyznaczone wyselekcjonowane w ten sposób mary sygnałów stanową podstawę do oceny stanu narzędza procesu skrawana. Współczesny stan wedzy o DNPS jest przedstawony w arty- * prof. dr hab. nż. Instytut Technolog Maszyn Poltechnk Warszawskej.

2 38 K. Jemelnak kule [34]. Tu pokrótce omówono jedyne przetwarzane sygnałów w układach DNPS.. WSTĘPNA OBRÓBKA SYGAŁÓW Sygnały analogowe z czujnków zwykle ne mogą być połączone bezpośredno do przetwornka analogowo-cyfrowego (A/C), lecz wymagają wstępnego przygotowana przez układ dedykowany do czujnka. Np. pezoelektryczny czujnk AE, ze względu na swą dużą oporność wewnętrzną, mus być podłączony bezpośredno do wzmacnacza ładunku (przedwzmacnacza), który zamena ten ładunek na proporcjonalny sygnał napęcowy (rys. 1). Sygnał napęcowy pownen być przefltrowany w celu wyelmnowana zakłóceń, a także elmnacj składowych o częstotlwoścach wyższych nż połowa częstotlwośc próbkowana w przetwornku A/C. Zakres częstotlwośc sygnału AE sęga 1MHz (zwykle kHz) stąd jego wykorzystane wymaga częstotlwośc próbkowana ponad 1MS/s, co pocąga za sobą koneczność zaangażowana dużych zasobów pamęc znaczne koszty oblczenowe. Stąd często stosuje sę demodulację sygnału AE do postac wartośc skutecznej (AE RMS ), która jest welkoścą nskoczęstotlwoścową, a węc łatwejszą do przetwarzana. Stała czasowa przetwornka RMS mus być staranne dobrana, zależne od mar sygnału jake będą wyznaczane. Jeśl mają to być mary zwązane z wybucham AE, stała ta mus być 10-krotne krótsza nż typowy czas trwana wybuchu AE, który w przypadku skrawana wynos ok. ms [10]. Rys. 1. Typowy schemat przygotowana sygnału AE Fg. 1. Typcal measurng chan for AE detecton durng machnng. Energa AE pochodzącej ze strefy skrawana może być bardzo znaczna, co może spowodować przesterowane wzmacnacza ładunku nasycene sygnału. Górnoprzepustowe fltrowane takego sygnału, objawa sę chwlowym spadkam ampltudy do zera, co prowadz do całkowce błędnej nterpretacj wynków, zwłaszcza gdy korzysta sę z wartośc skutecznej. W celu unknęca takch znekształceń, wzmocnene ładunku pownno być jak najnższe, a dalsze nezbędne wzmocnene wykonywane po przefltrowanu sygnału [11].

3 Zaawansowane metody przetwarzana sygnałów 39 Po przetworzenu na postać cyfrową, sygnał podlega dalszej obróbce. Fltrowane cyfrowe elmnuje składowe o częstotlwoścach spoza nteresującego zakresu lub zakłócena pochodzące spoza montorowanego zjawska [7,1]. Np. sygnały z czujnka sł zntegrowanego z wrzeconem centrum obróbkowego, są znekształcone gdy częstotlwośc merzonych sł są zbeżne z częstotlwoścam własnym wrzecona. Fltr Kalmana umożlwa elmnację tych zakłóceń []. Fltrowane dolnoprzepustowe sygnałów sł skrawana przy wykrywanu katastrofcznego stępena ostrza (KSO) w oparcu o szybke zmany tych sł, umożlwło zastosowane znaczne węższych granc tolerancj sygnału, a co za tym dze wykrywane mnejszych wykruszeń ostrza [9]. Innym ważnym elementem wstępnej obróbk sygnału jest jego segmentacja, to jest wycęce do dalszej analzy jedyne fragmentów zarejestrowanych w czase trwana procesu. 3. WYZNACZANIE MIAR SYGAŁÓW Z sygnału w postac cyfrowej (szeregu czasowego) wyznaczane są mary sygnałów, które opsują jego cechy zwązane z montorowanym zjawskem. Mary te mogą być wyznaczane z sygnałów w dzedzne czasu, z ch transformat w dzedzne częstotlwośc lub czasu częstotlwośc. Mary ogólnego stosowana 3.1. Mary w dzedzne czasu Istneje wele mar, jake można wyznaczyć z sygnałów w dzedzne czasu. Najczęścej stosowane to: średna, ampltuda, zakres, współczynnk szczytu, wartość skuteczna, warancja (lub odchylene standardowe), skośność, kurtoza, moc, stosunek lub przyrosty sygnałów [np. 1, 5, 7, 5, 6, 31, 77]. Mary AE drgań Nektóre mary stosowane są jedyne do sygnałów drgań AE: lczba lub tempo mpulsów lub wybuchów, szerokość mpulsów lub wybuchów (procent czasu powyżej progu) [11, 0, 31]. Kannatey-Asbu and Dornfeld [18] przyjęl, że sygnał AE RMS ma rozkład β wykazal, że skośność kuroza tego rozkładu jest wrażlwa na zużyce powerzchn przyłożena. W [16] zastosowano te parametry do wykrywana KSO przy toczenu przerywanym. Modelowane szeregów czasowych W DNPS wykorzystywane są trzy technk modelowana szeregów czasowych: autoregresja (AR), ruchoma średna (MA) oraz połączene tych technk

4 40 K. Jemelnak (ARMA) [5, 0, 8]. Jako mary sygnału stosowane są współczynnk AR, MA lub ARMA 1go lub 1go go rzędu, rzadzej 3-5go rzędu [4]. Analza głównych składowych (ang. Prncpal Component Analyss, PCA) PCA to jedna ze statystycznych metod analzy czynnkowej stosowana szeroko do dentyfkacj redukcj wymarowośc systemów. Zbór danych składający sę z N obserwacj, z których każda obejmuje K zmennych, można nterpretować jako chmurę N punktów w przestrzen K-wymarowej. PCA polega na takm obroce układu współrzędnych który maksymalzuje warancję perwszej współrzędnej, następne warancję drugej współrzędnej, td. Przekształcone wartośc współrzędnych nazywane są ładunkam wygenerowanych czynnków (składowych głównych). Sh Gndy [30] wykorzystal sygnały dwóch prostopadłych składowych sł skrawana przy przecąganu do dagnostyk zużyca ostrza. Wynk pomarów tworzyły charakterystyczne znekształcone elpsy w przestrzen D o kształce położenu wyraźne skorelowanym ze zużycem (rys. ). Stosując PCA wyznaczono: długośc os (a/b) nachylene elpsy (β). Środk elps to średne wartośc sł. Mary sygnałów przyjęte do dagnostyk: F y,śr, F z,śr, a, b, β. Rys.. Wykresy kołowe sygnałów sł skrawana w różnych stadach zużyca ostrza [30] Fg.. Orbt dagram of cuttng force sgnals at dfferent level of tool wear [30].

5 Zaawansowane metody przetwarzana sygnałów 41 Analza wdma osoblwego (ang. Sngular Spectrum Analyss SSA) SSA to nowa technka neparametrycznej analzy szeregów czasowych. Polega ona na rozkładze sygnału na trzy nezależne składowe: wolnozmenny trend reprezentujący lokalną średną, różncę mędzy sygnałem a średną (składową oscylacyjna) oraz szum pozbawony jakejkolwek struktury [6]. Te trzy składowe traktuje sę jak nowe sygnały wyznacza z nch omówone poprzedno podstawowe mary (np. średną, warancję, RMS, skośność, kurtozę td.). Salgado Alonso zastosowal SSA sygnału drgań do dagnostyk stanu narzędza przy toczenu [6] oraz do przewdywana chropowatośc powerzchn [7]. Entropa permutacj Kolejną, stosunkowo nową marą złożonośc szeregów czasowych, stosowaną w DNPS jest entropa permutacj [1]. Im mnejsza entropa permutacj, tym bardzej regularny szereg czasowy. Z szeregu czasowego x[], =1..n można otrzymać n! permutacj (ustaweń w różnej kolejnośc). Entropę permutacj takego szeregu defnuje zależność: H p n! n p ln p (1) gdze p( ) względna częstość występowana permutacj. Znormalzowana entropa permutacj jest wtedy opsana wzorem: 1 p n H H p ln n! () L n. [1] wykorzystal tę marę do wykrywana KSO na postawe sygnału slnka przy frezowanu palcowym. W czase normalnego skrawana sygnał jest regularne okresowy, a H p nska. Po wystąpenu KSO regularność ta znaczne spada, czemu towarzyszy skok wartośc H p. 3.. Mary w dzedzne częstotlwośc czasu-częstotlwośc Szybka transformata Fourera Mary sygnałów w dzedzne częstotlwośc z reguły oparte są na jednym z welu dostępnych algorytmów szybkej transformace Fourera (FFT), która przekształca szereg czasowy o N elementach x[n] (n = 0 N-1) na dyskretną reprezentację w dzedzne częstotlwośc X[m] (m = 0 N-1). Np. El-Wardany n., którzy wykorzystal wdma sygnałów drgań przy wercenu do oceny stanu narzędza zauważyl, że ampltuda składowych w paśme -5 Hz wzrasta gwałtowne tuż przed KSO [6].

6 4 K. Jemelnak Bezpośredne zastosowane współczynnków Fourera X[m] jest nepraktyczne tak ze względu na ch znaczną lczbę, jak przecek wdma. Stąd wyznacza sę mary tej transformaty: ampltuda domnujących składowych, moc lub energa w wybranych pasmach, średna częstotlwość, warancja, skośność, kuroza rozkładu mocy np. [0, 6, 8, 11, 3]. Mmo ż sygnały pochodzące ze strefy skrawana są z reguły nestacjonarne, FFT uśredna składowe częstotlwoścowe po czase trwana sygnału, ze stałą rozdzelczoścą równą odwrotnośc tego czasu. W celu uwzględnena zmennośc wdma w czase stosuje sę analzę czasowo-częstotlwoścową jak np. krótkookresowa transformata Fourera (STFT), w której okno w[n] jest przemeszczane wzdłuż os czasu, dzęk czemu kolejne transformaty FFT przedstawają zmany składowych częstotlwoścowych w kolejnych krótkch odcnkach czasu. Marnescu, Axnte [], którzy wykorzystal sygnały AE do wykrywana KSO przy frezowanu zastosowal STFT do precyzyjnego określena momentu rozpoczynana kończena skrawana poszczególnym ostrzam, czyl do segmentacj sygnału. Transformata falkowa (ang. Wavelet Transform, WT) STFT jako metoda analzy czasowo-częstotlwoścowej ma zasadnczą wadę: długość okna decyduje o rozdzelczośc w obu dzedznach czasu częstotlwośc. Obe ne mogą być arbtralne duże poprawa jednej odbja sę na pogorszenu drugej (zasada neoznaczonośc Hesenberga). Problemow temu wychodz naprzecw transformata falkowa (WT), w której wysoke częstotlwośc są analzowane wąskm oknam dla lepszej rozdzelczośc w dzedzne czasu, zaś nske szerokm oknam, co daje lepszą rozdzelczość w dzedzne częstotlwośc. Dyskretna transformata falkowa (DWT) rozkłada sygnał na współczynnk skal (tzw. aproksymacje A) współczynnk falkowe (tzw. detale D) przy pomocy fltrów dolno górnoprzepustowego. Odpowedz fltrów są dwójkowane (brana jest co druga próbka). Aproksymacja perwszego pozomu A 1 jest ponowne rozkładana na A D. Ogólne aproksymację A j+1 detal D j+1 opsać można jako: A D j n 1 hn ka j k (3) k j n 1 gn ka jk (4) k gdze h g to odpowedz mpulsowe fltrów dolno górnoprzepustowego (funkcj skalującej falk) Innym typem WT jest paketowa transformata falkowa (WPT), w której dalszej dekompozycj podlega ne tylko aproksymacja lecz detal. Pozwala to na uzyskane wększej lczby użytecznych mar sygnałów.

7 Zaawansowane metody przetwarzana sygnałów 43 Podobne jak w przypadku transformaty Fourera, z reguły ne korzysta sę bezpośredno ze współczynnków falkowych lecz wyznacza z nch mary stosowane do sygnałów z dzedzny czasu. Kamarth Pttner, którzy wykorzystal sygnały sł skrawana drgań do oceny zużyca ostrza przy toczenu, jako marę sygnałów zastosowal energę współczynnków falkowych [17]. Rene n. zastosowal różncę mędzy pojedynczym wartoścam sły dla kolejnych ostrzy w czase pełnego obrotu frezu wyznaczoną z detalu 5 pozomu DWT. Tet n. zastosowal WPT do dagnostyk postac wóra przy toczenu [33]. Interesujący przegląd zastosowań WT w DNPS można znaleźć w [19]. Transformata Hlberta-Huanga (ang. Hlbert-Huang Transform HHT) Kolejną, stosunkowo nową metodą analzy czasowo-częstotlwoścowej stosowaną w DNPS jest HHT, przydatna szczególne do sygnałów nestacjonarnych nelnowych, które mogą sę zmenać nawet w ramach jednego okresu oscylacj sygnału. W przecweństwe do STFT czy WT, HHT jest raczej algorytmem (podejśce empryczne) nż narzędzem teoretycznym. Wykorzystuje dwe technk przetwarzana sygnałów (dwa krok): empryczną dekompozycję sygnału na nelnowe składowe modalne (w przecweństwe do typowych składowych harmoncznych funkcje te mogą posadać zmenną ampltudę oraz częstotlwość w dzedzne czasu), transformatę Hlberta, która wyznacza zmany ampltudy częstotlwośc składowych sygnału w czase tworzy wynkowy rozkład czasowoczęstotlwoścowy (spektrum Hlberta) Peng [3] zastosował tę metodę do wykrywana KSO w oparcu o sygnały sł skrawana przy frezowanu. KSO może być wykrywane bezpośredno w spektrum Hlberta lub za pośrednctwem składowych modalnych zwązanych z charakterystycznym dla frezowana częstotlwoścam. Po wystąpenu KSO energa charakterystycznych składowych zmena sę w przecwnym kerunku, naczej nż po zmane parametrów skrawana (rys. 3). 4. SELEKCJA MIAR SYGAŁÓW Lczba mar pochodząca z jednego lub węcej sygnałów może być bardzo duża, lecz wększość z nch jest bardzo zakłócona lub nezależna od montorowanego zjawska. Należy zatem wybrać te, które są skorelowane z tym zjawskem. Lczba takch mar sygnałów mus być na tyle duża, by skompensować przypadkowe zakłócena neunknone w każdej z nch. Z drugej strony, szczególne w układach wykorzystujących sztuczne sec neuronowe, m węcej mar tym węcej nezbędnych danych do trenowana waldacj sec. Jeśl układ DNPS ma pracować bezpośredno po perwszym okrese trwałośc ostrza, lczba danych może być zbyt mała do właścwego wytrenowana sec przy dużej lczbe mar

8 44 K. Jemelnak [1]. Stąd bardzo ważnym przedmotem przetwarzana sygnałów jest zapewnene jak najwększej lośc stotnych nformacj przez usunęce zbędnych lub neskorelowanych z procesem mar. W zastosowanach przemysłowych wybór mar mus być prowadzony automatyczne, bez udzału, a nawet wedzy operatora. Rys. 3. Frezowane ze wzrostem głębokośc skrawana wyłamanem ostrza; a) sygnał sły skrawana, b) częstotlwość chwlowa, c) d) średne energe w dwu domnujących pasmach częstotlwośc f 1 f [3]. Fg. 3. Mllng process wth ncreased depth of cut and tool breakage; a) cuttng force sgnal, b) nstantaneous frequency, c) and d) average energes of two domnant frequency regons f 1 and f [3].

9 Zaawansowane metody przetwarzana sygnałów 45 Sck zaprezentował nteresującą klasyfkację procedur wyboru mar do dagnostyk zużyca ostrza przy toczenu [31]. W 38% ze 138 przeanalzowanych publkacj, mary sygnałów były wyberane bez żadnego uzasadnena (lub w oparcu o dane lteraturowe), w 6% były defnowane po analze zmerzonych sygnałów, w 1% najbardzej użyteczne mary były wyberane bez uwzględnena wynkającej z nch oceny zużyca ostrza. Jedyne w 15% analzowanych publkacj optymalny zestaw mar był określany po przeanalzowanu wpływu tego wyboru na ocenę zużyca ostrza. Quan n. [4], do znalezena mar najlepej charakteryzujących zużyce ostrza, zastosowal współczynnk korelacj r Pearsona: x x y y x x y y r gdze x y są średnm wartoścam x y (tu np. wartość mary wartość zużyca ostrza). Współczynnk korelacj r jest marą sły lnowej zależnośc y(x). Równeż Scheffer Heyns [8] stosowal ten współczynnk do wyboru mar, zakładając, że m nższa jego wartość, tym nższa szansa, że mara wykaże jakąkolwek zależność od zużyca ostrza. Zgnorowal on fakt, że nawet jeśl mara jest doskonale skorelowana ze zużycem lecz korelacja jest nelnowa, współczynnk korelacj jest <1. W celu unknęca nepewnośc zwązanej z modelowanem zależnośc mary od stanu narzędza w [14] zaproponowano wykorzystane współczynnka determnacj, który wskazuje, na le dowolny model oddaje wartośc dośwadczalne, lub naczej mówąc, na le ten model lepej opsuje przebeg mary nż jej wartość średna. Współczynnk determnacj opsany jest zależnoścą: y y y yˆ y y ZSK CSK RSK R CSK CSK gdze: CSK y y całkowta suma kwadratów, RSK y y (5) (6) ˆ resztkowa suma kwadratów, ZNK=CSK RSK znesona suma kwadratów, y, y kolejna średna wartość mary, ŷ wartość mary oszacowana na podstawe dowolnego modelu jej zależnośc od stanu narzędza. Autorzy zaproponowal pogrupowane wartośc mar w czterech zakresach wartośc zużyca ostrza zastąpene ŷ średnm w tych grupach. W [1, 13] szacowano powązane mar z wykorzystaną częścą okresu trwałośc ostrza (stosunek czasu skrawana do tego okresu T = t/t) korelując każdą z mar z T przy pomocy welomanu go stopna, a błąd średnokwadratowy takego oszacowana przyjęto za marę przydatnośc mary do dagnostyk zuży-

10 46 K. Jemelnak ca ostrza. Późnej [15] metoda została udoskonalona przez zastąpene aproksymacj welomanowej przez fltrowane dolnoprzepustowe szeregu przebegu mary w funkcj T oraz wykorzystane współczynnka determnacj w sposób opsany wyżej. Dodatkowo, dla dalszych okresów trwałośc ostrza wprowadzono ocenę powtarzalnośc mary modelując jej przebeg średną z kolejnych okresów trwałośc. Al-Hababeh Gndy [1] wyszukwal mary sygnałów zależne od stanu frezu stosując średne wartośc zależnośc otrzymane z ortogonalnych macerzy Taguchego jako wskaźnk przydatnośc kombnacj mar z określonego czujnka, do wykrywana stępena narzędza (m slnejsza zależność, tym czujnk jest bardzej przydatny). Sun n. [3] dentyfkowal najbardzej przydatne mary stosując model Bayesowsk metodę wektorów nośnych (Support Vector Machne - SVM). Ocenano błąd oceny stanu narzędza modelowanego z zastosowanem wybranej mary ze stanem rzeczywstym (ostre stępone), a najgorsze mary były elmnowane. Inny sposób weryfkacj przydatnośc mar to współczynnk statystycznego pokrywana sę (Statstcal Overlap Factor SOF), określający stopeń separacj wartośc mar odpowadających narzędzom ostrym stęponym [9]. Współczynnk ten jest zdefnowany jako: x x 1 SOF (7) gdze x1, 1, x, to odpowedno średne odchylena standardowe wartośc mar dla narzędza ostrego (1) stęponego. Autorzy zauważyl, że przy automatycznej selekcj mar często wyberane są mary zbyt blske lub podobne jedna do drugej, co przeczy celow jakm jest ntegracja różnych mar. W takch przypadkach autorzy zalecl nżynerską ocenę co ograncza automatyzm wyboru zmusza do ręcznej nterwencj operatora, a raczej naukowca. Taka procedura ne jest do zaakceptowana w warunkach przemysłowych, stąd w [15] zastosowano współczynnk korelacj Pearsona (wzór 5) do oceny korelacj mędzy najlepszą wybraną marą (najlepej skorelowaną ze stanem narzędza wzór 6) a wszystkm pozostałym elmnację mar podobnych. Z pozostałych ponowne wyberano najlepszą odrzucano podobne do nej td. Bnsaed n. [3] przedstawl metodę wyboru mar, w której przydatność mary ocena sę na podstawe korelacj pojedynczej mary ze stanem ostrza oraz korelacj mędzy maram. Wysok wynk osągają mary, dobrze skorelowane ze stanem narzędza, a jednocześne słabo skorelowane mędzy sobą. Współczynnk przydatnośc mary wyznaczano jako: 1 N rcf m (8) N N N 1 r ff

11 gdze N = lczba mar, Zaawansowane metody przetwarzana sygnałów 47 mara-mara. Korelację badano maram entrop. r, r = średna korelacja mara-stan narzędza oraz cf ff 5. WNIOSKI Zaawansowane metody przetwarzana sygnałów umożlwają uzyskane bardzo znacznej lczby mar dostępnych (zwykle klku) sygnałów. Ne da sę przewdzeć z góry, które mary okażą sę przydatne do dagnostyk. Zwykle w lteraturze występuje ręczna selekcja mar przez badacza, co czyn prezentowane metody laboratoryjnym, nawet jeśl badana prowadzone były w warunkach przemysłowych Jednym z głównych wyzwań w rozwoju układów DNPS jest opracowane wdrożene metod automatycznej akwzycj segmentacj sygnałów, wyznaczana, oceny elmnacj mar zbędnych, bez udzału operatora, który pownen dostarczać do układu jedyne nelczne, nezbędne nformacje (m mnej, tym lepej) PODZIĘKOWANIA Badana zrealzowano w ramach Projektu Nowoczesne technologe materałowe stosowane w przemyśle lotnczym Nr POIG /08 w Programe Operacyjnym Innowacyjna Gospodarka (POIG). Projekt współfnansowany przez Unę Europejską ze środków Europejskego Funduszu Rozwoju Regonalnego. LITERATURA [1] Al-Hababeh A, Gndy N., A New Approach for Systematc Desgn of Condton Montorng Systems for Mllng Processes, Journal of Materals Processng Technology 000, vol. 107, s [] Altntas Y, Park SS., Dynamc Compensaton of Spndle-ntegrated Force Sensors. CIRP Annals, 004, vol. 53, nr 1 s [3] Bnsaed S., Asfoura S., Chob S., Onarc A.,, Machne Ensemble Approach for Smultaneous Detecton of Transent and Gradual Anomales n Mllng Usng Multsensor Fuson. Journal of Materals Processng Technology, 009, vol. 09, s [4] Chrstopher A., Pazza J., Roth J., Drectonally Independent Falure Predcton of End-mllng Tools Durng Pocketng Maneuvers, Journal of Manufacturng Scence and Engneerng, 007, vpl. 19, nr 4, s [5] Dong J., Subrahmanyam K., Wong Y., Hong G., Mohanty A., Bayesan-nferencebased Neural Networks for Tool Wear Estmaton. Internatonal Journal of Advanced Manufacturng Technology, 006, vol. 30, s [6] El-Wardany T.I., Gao D., Elbestaw M.A., Tool Condton Montorng n Drllng Usng Vbraton Sgnature Analyss, Internatonal Journal of Machne Tools and Manufacture, 1996, vol. 36, s

12 48 K. Jemelnak [7] Ghosh N., Ravb Y.B., Patrac A., Mukhopadhyayc S., Pauld S., Estmaton of Tool Wear Durng CNC Mllng Usng NN-based Sensor Fuson, Mechancal Systems and Sgnal Processng, 007, nr. 1, s [8] Grzesk W, Bernat P., An Investgaton of the Cuttng Process for Chp Breakng Montorng n Turnng of Steels. Journal of Manufacturng Scence and Engneerng, 1998, vol. 10, nr 3, s [9] Jemelnak K., Detecton of Cuttng Edge Breakage n Turnng, CIRP Annals, 199, vol. 41. nr 1, s [10] Jemelnak K., Some Aspects of Acoustc Emsson Sgnal Pre-processng, Journal of Materal Processng Technology, 001, vol. 109, s [11] Jemelnak K., Some Aspects of AE Applcaton n Tool Condton Montorng, Ultrasoncs, 000, vol. 38 s [1] Jemelnak K., Bombńsk S., Herarchcal Strateges n Tool Wear Montorng. Proc. IMechE, 006, vol. 0/B, s [13] Jemelnak K., Bombnsk S., Arstmuno PX., Tool Condton Montorng n Mcromllng Based on Herarchcal Integraton of Sgnal Measures, CIRP Annals, 008, vol. 57, nr 1, s [14] Jemelnak K., Kwatkowsk L., Wrzosek P., Dagnoss of Tool Wear Based on Cuttng Forces and AE Measures as Inputs to Neural Network, Journal of Intellgent Manufacturng, 1998, vol. 9, s [15] Jemelnak K., Kossakowska J., Urbańsk T., Applcaton of wavelet transform of acoustc, emsson and cuttng force sgnals for tool condton, montorng n rough turnng of Inconel 65, 010, Proc. IMechE Vol. 5 Part B: J. Engneerng Manufacture, DOI: / JEM057 [16] Jemelnak K, Otman O., Catastrophc Tool Falure Detecton Based on AE Sgnal Analyss, CIRP Annals. 1998, vol. 47, nr 1, s [17] Kamarth S, Pttner S., Fourer and Wavelet Transform for Flank Wear Estmaton. Mechancal Systems and Sgnal Processng, 1997, vol. 11, nr 6, s, [18] Kannatey-Asbu E, Dornfeld D., A Study of Tool Wear Usng Statstcal Analyss of Metal Cuttng Acoustc Emsson, Wear, 198, vol. 76, s [19] Kunpeng Z., Wong Y.S., Hong G.S., Wavelet Analyss of Sensor Sgnals for Tool Condton Montorng - A Revew and Some New Results, Internatonal Journal of Machne Tools and Manufacture, 009, vol. 49, s [0] L X., A Bref Revew Acoustc Emsson Method for Tool Wear Montorng n Turnng, Internatonal Journal of Machne Tools and Manufacture, 00, vol. 4. s [1] L X., Ouyang G, Lang Z., Complexty Measure of Motor Current Sgnals for Tool Flute Breakage Detecton n End Mllng. Internatonal Journal of Machne Tools and Manufacture, 008, vol. 48, s [] Marnescu I., Axnte D., A Tme frequency AE-based Montorng Technque to Identfy Workpece Surface Malfunctons n Mllng wth Multple Teeth Cuttng Smultaneously, Internatonal Journal of Machne Tools and Manufacture, 009, vol. 49, s [3] Peng Y., Emprcal Model Decomposton Based Tme frequency Analyss for the Effectve Detecton of Tool Breakage, Journal of Manufacturng Scence and Engneerng, 006, vol. 18, nr 1, s [4] Quan Y., Zhoub M., Luo Z., On-lne Robust Identfcaton of Tool Wear Va Multsensor NN Fuson, Engneerng Applcatons of Artfcal Intellgence, 1998 vol. 11, s [5] Rene de Jesus R.T., Glberto H.R., Ivan T.V., Carlos J.C.J., FPGA Based On-lne Tool Breakage Detecton System for CNC Mllng Machnes, Mechatroncs, 004, vol. 14, s

13 Zaawansowane metody przetwarzana sygnałów 49 [6] Salgado D., Alonso F., Tool Wear Detecton n Turnng Operatons Usng Sngular Spectrum Analyss, Journal of Materals Processng Technology, 006, vol. 171, s [7] Salgado D., Alonso F., Cambero I., Marcelo A., In-Process Surface Roughness Predcton System Usng Cuttng Vbratons n Turnng, Internatonal Journal of Advanced Manufacturng Technology, 009, vol. 43, s [8] Scheffer C., Heyns P.C., Wear Montorng n Turnng Operatons Usng Vbraton and Stran Measurements, Mechancal Systems and Sgnal Processng, 001, vol. 15, nr 6, s [9] Scheffer C., Heyns P.C., An Industral Tool Wear Montorng System for Interrupted Turnng, Mechancal Systems and Sgnal Processng, 004, vol. 18, s [30] Sh D, Gndy N.N., Tool Wear Predctve Model Based on Least Squares Support Vector Machnes, Mechancal Systems and Sgnal Processng, 007, vol., 1, s [31] Sck B., On-lne and Indrect Tool Wear Montorng n Turnng wth Artfcal Neural Networks: A Revew of More Than a Decade of Research, Mechancal Systems and Sgnal Processng, 00, vol. 16, nr 4, s [3] Sun J., Hong G.S., Rahman M., Wong Y.S., Identfcaton of Feature Set for Effectve Tool Condton Montorng by AE Sensng, Internatonal Journal of Producton Research, 004, vol. 4, nr 5, s [33] Tet R., Jawahr I.S., Jemelnak K., Segreto T., Chen S., Kossakowska J., Chp Form Montorng through Advanced Processng of Cuttng Force Sensor Sgnals CIRP Annals, 006, vol. 55, nr 1, s. : [34] Tet R., Jemelnak K., O Donnell G., Dornfeld D., Advanced montorng of machnng operatons (keynote paper), CIRP Annals-Manufacturng Technology, 010, vol. 59, nr, s Praca wpłynęła do Redakcj dd.mm.010 Recenzent: prof. dr hab. nż. SIGNAL PROCESSING IN TOOL AND PROCESS CONDITION MONITORING S u m m a r y Paper presents state of the art methods of sgnal processng n tool and process condton montorng systems (T/PCM). Frst the sgnal pre-processng (flterng, amplfcaton, A/D converson, segmentaton) was descrbed. Then dscussed the extracton of sgnal features n tme doman, frequency doman (Fourer transform) or tme-frequency doman (Short Tme Fourer Transform, Wavelet Transform, Hlbert-Huang Transform). There are many dverse descrptors especally from dfferent sensor sgnals, however many of them are not correlated wth montored process. Thus, feature relevancy evaluaton s of crtcal mportance. Methods of sgnal feature usablty evaluaton, selecton and elmnaton of these whch are doublng nformaton contaned n better ones were also presented. Key words: tool and process condton montorng, sgnal processng