Intelligent evalueringssystemmodell
I henhold til maskinvaresystemet er evalueringsmodellen for bearbeidingsnøyaktighet etablert. Modellen er sammensatt av forskjellige lagstrukturer, hovedsakelig inkludert signalinnsamlingslag, signalutgangslag, signaltransformasjonslag, signalkondisjoneringslag, datainnsamlingslag, innhentingsprogramvare, datalagring, funksjonsutvinning og brukerlag.
Funksjonene til hver del er som følger:
(1) Signalinnsamlingslag: det er hovedsakelig at hver sensor samler inn tilsvarende signaler fra målepunktene ved den installerte posisjonen, og signalene som sendes ut av sensoren, overføres til signalutgangslaget.
(2) Signalinngangslag: det overfører signalet til utladningskondisjoneringskretsen til NC-maskinverktøyet, og signalutgangslaget kobler signalmålepunktet og forbehandlingskretsen.
(3) Signaltransformasjonslag: det kan realisere transformasjonen av signalform. Fordi de originale signalene som sendes ut av hver sensor inkluderer spenningssignal, motstandssignal og strømsignal, for å lette datainnsamling, må disse signalene transformeres i signaltransformasjonslaget og konverteres jevnt til spenningssignaler.
(4) Signalkondisjoneringslag: det er hovedsakelig sammensatt av signalkondisjoneringsinstrument. Fordi det opprinnelige signalet er blandet med et stort antall støysignaler, og den opprinnelige signalverdien er relativt svak, realiserer signalbehandlingslaget hovedsakelig forsterkningen og filtreringen av det originale signalet.
(5) Datainnsamlingslag: det består hovedsakelig av datainnsamlingskort for å realisere høyhastighetssignalinnsamling.
(6) Anskaffelsesprogramvare: den realiserer hovedsakelig automatisk datainnsamling, overføring, lagring og andre operasjoner av datamaskinen.
(7) Datalagring: det er det grunnleggende grunnlaget for databehandling, og de lagrede dataene må kalles opp i etterfølgende behandling.
(8) Funksjonsutvinning: den trekker hovedsakelig ut relevante tidsdomenefunksjoner og frekvensdomenefunksjoner fra de behandlede signalene for påfølgende nevrale nettverkstrening.
(9) Brukernivå: det er hovedsakelig det nevrale nettverket som trener og lærer de ekstraherte egenverdiene og sender ut beslutningsresultatene.
Uttrekk av signalfunksjon
Funksjonsvalgverdien bruker ulike digitale signalanalyse- og prosesseringsmetoder for å trekke ut funksjonsinformasjonen som best kan reflektere endringen i maskineringsnøyaktighet fra det originale signalet. Det originale signalet som samles inn av sensoren inneholder et stort antall støysignaler. For å effektivt trekke ut egenverdien til signalet, velges wavelet-pakke for å trekke ut egenverdien.