استخراج زبری سطح بر مبنای تجزیه مود تجربی برای سطوح بدون الگوی مشخص ماشینکاری

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد ، دانشکده مهندسی مکانیک، دانشگاه صنعتی سهند، تبریز، ایران

2 استادیار، دانشکده مهندسی مکانیک، دانشگاه صنعتی سهند، تبریز، ایران

3 دانشیار، دانشکده مهندسی مکانیک، دانشگاه چانکایا، آنکارا، ترکیه

چکیده

زبری سطح عمدتاً تحت تأثیر عوامل مختلف ماشینکاری مانند اصطکاک بین ابزار برش و سطح قطعه‌کار ، تغییر شکل پلاستیک در حین برش فلز و لرزش‌های فرکانس بالا ناشی می‌شود. در این راستا روش‌های گوناگونی برای جداسازی زبری سطوح به منظور اندازه‌گیری پارامترهای زبری آنها ارائه شده‌اند که مهمترین آنها فیلتر گاوسی می‌باشد که به صورت گسترده در مطالعات مورد استفاده قرار می‌گیرد. در پژوهش حاضر یک روش نوین برای جداسازی پروفیل زبری سطوح با ترکیب تجزیه مود تجربی و تبدیل فوریه سریع ارائه شده است. تجزیه مود تجربی یکی از روش‌های پردازش سیگنال است که سیگنال اصلی را به توابع پایه تشکیل‌دهنده آن که توابع مود ذاتی نامیده می‌شوند، تجزیه می‌کند. روش پیشنهادی روی پروفیل‌های استاندارد بدست آمده از سطوح ماشینکاری شده با تخلیه الکتریکی اعمال شده و دو پارامتر مهم زبری اندازه‌گیری شده‌اند. این روش برخلاف  سایر روش‌ها خود تطبیق بوده و نیازی به توابع پیش‌فرض تعیین شده ندارد. نتایج بدست آمده برای این روش با نتایج ارائه شده توسط مرجع مقایسه شده‌اند که نشان می‌دهد روش جدید بیان شده عملکرد بسیار خوبی در جداسازی پروفیل زبری سطوح دارد. این روش همچنین پروفیل موج سطح و دامنه نوسانات آنها را نسبت به فیلتر گاوسی بهتر تخمین می‌زند.

کلیدواژه‌ها

موضوعات


  • Davim JP, Jain VK. Advanced (non-traditional) machining processes. Machining: Fundamentals and recent advances. 2008:299-327.
  • Ho KH, Newman ST. State of the art electrical discharge machining (EDM). International journal of machine tools and manufacture. 2003 Oct 1;43(13):1287-300.
  • افقهی س، سلیمانی ف، عیوضی ه، مطالعه قابلیت ماشینکاری سرامیک نارسانای Si3N4 به روش فرآیند ماشینکاری تخلیه الکتریکی با الکترود کمکی، مجله مهندسی ساخت و تولید ایران، 1401، د. 9، ش. 5، ص. 13-22.
  • Banu A, Ali MY. Electrical discharge machining (EDM): a review. International Journal of Engineering Materials and Manufacture. 2016 Sep 3;1(1):3-10.
  • Mohanty S, Routara BC. A review on machining of metal matrix composites using nanoparticle mixed dielectric in electro-discharge machining. International Journal of Automotive and Mechanical Engineering. 2016 Sep 1;13(2):3518-39.
  • Jabbaripour B, Motallebpouralishahi M. Experimental study of material removal rate, surface roughness and topography in electrical discharge machining of Titanium Aluminide intermetallic compound. International Journal of Engineering Materials and Manufacture. 2016; 3(3):29-39.
  • Tosun N, Cogun C. An investigation on wire wear in WEDM. Journal of materials processing technology. 2003 Mar 20;134(3):273-8.
  • Khan MA, Rahman MM, Noor MM, Kadirgama K, Maleque MA. Current research trends on dry, near-dry and powder mixed electrical discharge machining. Advanced Materials Research. 2011 Jul 21; 264:956-61.
  • Lu C. Study on prediction of surface quality in machining process. Journal of materials processing technology. 2008 Aug 26;205(1-3):439-50.
  • Persson U. Surface roughness measurement on machined surfaces using angular speckle correlation. Journal of Materials Processing Technology. 2006 Dec 1;180(1-3):233-8.
  • Prabhakar DV, Kumar MS, Krishna AG. A Novel Hybrid Transform approach with integration of Fast Fourier, Discrete Wavelet and Discrete Shearlet Transforms for prediction of surface roughness on machined surfaces. Measurement. 2020 Nov 1; 164:108011.
  • Markova LV, Kong H, Han HG. A Method for Extracting the Surface Roughness Profile Based on Empirical Mode Decomposition. Journal of Friction and Wear. 2021 Dec;42(6):415-21.
  • Chen W, Zou B, Li Y, Huang C. A study of a rapid method for detecting the machined surface roughness. The International Journal of Advanced Manufacturing Technology. 2021 Dec; 117:3115-27.
  • Bhushan B. Surface roughness analysis and measurement techniques. In Modern tribology handbook, two volume set 2000 Dec 28 (pp. 79-150). CRC press.
  • Kamguem R, Tahan SA, Songmene V. Evaluation of machined part surface roughness using image texture gradient factor. International Journal of Precision Engineering and Manufacturing. 2013 Feb; 14:183-90.
  • Pontes FJ, Amorim GF, Balestrassi PP, Paiva AP, Ferreira JR. Design of experiments and focused grid search for neural network parameter optimization. Neurocomputing. 2016 Apr 19; 186:22-34.
  • Gupta M, Raman S. Machine vision assisted characterization of machined surfaces. International Journal of Production Research. 2001 Jan 1;39(4):759-84.
  • Lu RS, Tian GY. On-line measurement of surface roughness by laser light scattering. Measurement Science and Technology. 2006 May 8;17(6):1496.
  • Zhang Z, Zhang Y, Zhu Y. A new approach to analysis of surface topography. Precision Engineering. 2010 Oct 1;34(4):807-10.
  • Zhang H, Liu SB. An Algorithm for Generating EMD Mixed Mean Line Used to Extract Roughness Profile from Engineering Surfaces. In Software Engineering and Information Technology: Proceedings of the 2015 International Conference on Software Engineering and Information Technology (SEIT2015) 2016 (pp. 216-221).
  • ISO 3274, “Geometric product specifications (GPS) - surface texture: profile method - nominal characteristics of contact (stylus) instruments”, 1996.
  • Raja J, Radhakrishnan V. Digital filtering of surface profiles. Wear. 1979 Nov 1;57(1):147-55.
  • Krystek M. A fast Gauss filtering algorithm for roughness measurements. Precision Engineering. 1996 Oct 1;19(2-3):198-200.
  • Chen Q, Yang S, Li Z. Surface roughness evaluation by using wavelets analysis. Precision Engineering. 1999 Jul 1;23(3):209-12.
  • Jiang XQ, Blunt L, Stout KJ. Lifting wavelet for three-dimensional surface analysis. International Journal of Machine Tools and Manufacture. 2001 Oct 1;41(13-14):2163-9.
  • Kadirgama K, Noor MM, Rahman MM, Rejab MR, Haron CH, Abou-El-Hossein KA. Surface roughness prediction model of 6061-T6 aluminum alloy machining using statistical method. 2009; 25(2): 250-256.
  • Pal SK, Chakraborty D. Surface roughness prediction in turning using artificial neural network. Neural Computing & Applications. 2005 Dec; 14:319-24.
  • Sanjay C, Jyothi CJ. A study of surface roughness in drilling using mathematical analysis and neural networks. The International Journal of Advanced Manufacturing Technology. 2006 Jul; 29:846-52.
  • Gadelmawla ES, Koura MM, Maksoud TM, Elewa IM, Soliman HH. Roughness parameters. Journal of materials processing Technology. 2002 Apr 10;123(1):133-45.
  • Asme-B461 “Surface texture-surface-roughness-waviness-and-lay”, 1995.
  • "http://resource.npl.co.uk/softgauges/Masterpiece_Measure.htm”
  • ISO 11562, “Sd geometric product specifications (GPS) - surface texture: profile method metrological characteristics of phase correct filters”, 1996.
  • Huang NE, Shen Z, Long SR, Wu MC, Shih HH, Zheng Q, Yen NC, Tung CC, Liu HH. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis. Proceedings of the Royal Society of London. Series A: mathematical, physical and engineering sciences. 1998 Mar 8;454(1971):903-95.
  • Rezaee M, Taraghi Osguei A. Improving empirical mode decomposition for vibration signal analysis. Proceedings of the Institution of Mechanical Engineers, Part C: Journal of Mechanical Engineering Science. 2017 Jun;231(12):2223-34.