Model sistem evaluasi cerdas
Menurut sistem perangkat keras, model evaluasi akurasi permesinan dibuat. Model ini terdiri dari struktur lapisan yang berbeda, terutama termasuk lapisan akuisisi sinyal, lapisan keluaran sinyal, lapisan transformasi sinyal, lapisan pengkondisian sinyal, lapisan akuisisi data, perangkat lunak akuisisi, penyimpanan data, ekstraksi fitur dan lapisan pengguna.
Fungsi dari masing-masing bagian adalah sebagai berikut:
(1) Lapisan akuisisi sinyal: terutama setiap sensor mengumpulkan sinyal yang sesuai dari titik pengukuran pada posisi terpasang, dan sinyal keluaran oleh sensor ditransmisikan ke lapisan keluaran sinyal.
(2) Lapisan input sinyal: ini mentransmisikan sinyal ke sirkuit pengkondisian pelepasan alat mesin NC, dan lapisan output sinyal menghubungkan titik pengukuran sinyal dan sirkuit prapemrosesan.
(3) Lapisan transformasi sinyal: dapat mewujudkan transformasi bentuk sinyal. Karena keluaran sinyal asli oleh masing-masing sensor termasuk sinyal tegangan, sinyal resistansi dan sinyal arus, untuk memfasilitasi akuisisi data, sinyal-sinyal ini perlu diubah dalam lapisan transformasi sinyal dan diubah secara seragam menjadi sinyal tegangan.
(4) Lapisan pengkondisi sinyal: ini terutama terdiri dari instrumen pengkondisi sinyal. Karena sinyal asli dicampur dengan sejumlah besar sinyal noise, dan nilai sinyal asli relatif lemah, lapisan pengkondisi sinyal terutama menyadari penguatan dan penyaringan sinyal asli.
(5) Lapisan akuisisi data: ini terutama terdiri dari kartu akuisisi data untuk mewujudkan akuisisi sinyal berkecepatan tinggi.
(6) Perangkat lunak akuisisi: ini terutama mewujudkan akuisisi data otomatis, transmisi, penyimpanan, dan operasi komputer lainnya.
(7) Penyimpanan data: ini adalah dasar dasar untuk pemrosesan data, dan data yang disimpan perlu dipanggil dalam pemrosesan selanjutnya.
(8) Ekstraksi fitur: ini terutama mengekstraksi fitur domain waktu dan fitur domain frekuensi yang relevan dari sinyal yang diproses untuk pelatihan jaringan saraf berikutnya.
(9) Tingkat pengguna: terutama jaringan saraf yang melatih dan mempelajari nilai eigen yang diekstraksi dan mengeluarkan hasil keputusan.
Ekstraksi fitur sinyal
Nilai pemilihan fitur menggunakan berbagai analisis sinyal digital dan metode pemrosesan untuk mengekstrak informasi fitur yang paling mencerminkan perubahan akurasi pemesinan dari sinyal asli. Sinyal asli yang dikumpulkan oleh sensor mengandung sejumlah besar sinyal noise. Untuk mengekstrak nilai eigen sinyal secara efektif, paket wavelet dipilih untuk mengekstrak nilai eigen.