Automatická detekce zlomení nástroje při děrování plechů
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta strojního inženýrství
Abstract
Tato bakalářská práce se zabývá návrhem a následnou implementací systému automatické detekce zlomení razníku při procesu děrování plechů razníkem o malých rozměrech (0.5 x 12 mm). Navrhovaný systém má význam pro výrazné ulehčení práce operátora, zrychlení procesu výroby a rovněž šetření finančních prostředků firmy. V první části práce je předvedena řešena problematika. Následuje stručný teoretický úvod do oblasti digitálního zpracování signálu. V další části jsou prezentovány metody vyvinuté za účelem detekce signálu zlomení včetně pomocných algoritmů. Jedná se o metodu frekvenčních špiček, frekvenčních pásem, autokorelace, metody frekvenční korelace, klasifikaci strojovým učením včetně hlubokého strojového učení. Z použitých metod dosáhla nejlepších výsledků metoda hlubokého strojového učení neuronové sítě. Pro účely navržení klasifikačního systému byly použity charakteristiky z časové a frekvenční oblasti. Je popsána rovněž možnost prediktivní údržby nástroje včetně rešerše této oblasti v moderním průmyslu. Prezentovány jsou pak dosažené výsledky a jejich stručné zhodnocení. V poslední části se nachází popis procesu implementace celého systému do realtime podoby a jeho propojení s děrovacím lisem pomocí mikrokontroléru Arduino Uno a vytvořeného vstupně-výstupního signálového obvodu. Navrhovaný systém se povedlo sestavit, otestovat a uvést do zkušebního provozu.
This Bachelor thesis deals with the design and subsequent implementation of the realtime fault detection system during the sheet metal punching process with a tool of small dimensions (0.5 × 12 mm). The proposed system is important for significant ease of the operator's work, acceleration of the process of production, as well as saving of the company finance budget. The first part of this thesis deals with the theoretical background of the studied issue. The following part is a brief theoretical introduction to the field of digital signal processing. The next chapter presents methods developed for fault signals detection including speed enhancing and data flow reducing algorithms. The main examined methods were: frequency peaks, frequency bands, autocorrelation, frequency correlation methods and machine learning including deep machine learning. Deep machine learning of the neural network achieved the best results overall. Features from time and frequency domain were used for purposes of creating the classification model using machine learning. The possibility of developing the predictive maintenance system is also described, including research of this area in a modern industry. Subsequently, the achieved results and their evaluation are presented. The end of this thesis is dedicated to the description of the implementation of classification system into realtime form and connecting this system to the punching press computer using Arduino Uno microcontroller and basic signal control electronics. The proposed system has been successfully assembled, tested and put into on-site testing.
This Bachelor thesis deals with the design and subsequent implementation of the realtime fault detection system during the sheet metal punching process with a tool of small dimensions (0.5 × 12 mm). The proposed system is important for significant ease of the operator's work, acceleration of the process of production, as well as saving of the company finance budget. The first part of this thesis deals with the theoretical background of the studied issue. The following part is a brief theoretical introduction to the field of digital signal processing. The next chapter presents methods developed for fault signals detection including speed enhancing and data flow reducing algorithms. The main examined methods were: frequency peaks, frequency bands, autocorrelation, frequency correlation methods and machine learning including deep machine learning. Deep machine learning of the neural network achieved the best results overall. Features from time and frequency domain were used for purposes of creating the classification model using machine learning. The possibility of developing the predictive maintenance system is also described, including research of this area in a modern industry. Subsequently, the achieved results and their evaluation are presented. The end of this thesis is dedicated to the description of the implementation of classification system into realtime form and connecting this system to the punching press computer using Arduino Uno microcontroller and basic signal control electronics. The proposed system has been successfully assembled, tested and put into on-site testing.
Description
Citation
KLUZ, J. Automatická detekce zlomení nástroje při děrování plechů [online]. Brno: Vysoké učení technické v Brně. Fakulta strojního inženýrství. 2022.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Mechatronika
Comittee
doc. Ing. Vladislav Singule, CSc. (předseda)
doc. Ing. Stanislav Věchet, Ph.D. (místopředseda)
Ing. Petr Krejčí, Ph.D. (člen)
Ing. Petr Marcián, Ph.D. (člen)
doc. Ing. Tomáš Profant, Ph.D. (člen)
doc. Ing. Pavel Vorel, Ph.D. (člen)
doc. Ing. Vladimír Fuis, Ph.D. (člen)
Date of acceptance
2022-06-21
Defence
Student ve vymezeném čase prezentoval svou bakalařskou práci. Poté byly předneseny posudky a student odpověděl na otázky oponenta. Následně proběhla diskuze se členy komise vztahující se k bakalařské práci, při které byly položeny následující dotazy:
Které indikátory byly použity a proč?
Zkoušel student algoritmus na falešné zvuky?
Podle názoru komise byla úroveň odpovědí vyhovující.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení