| Sažetak | Primjena istrošenih medicinskih svrdla ima brojne negativne posljedice na sigurnost obrade i naknadno cijeljenje kostiju. Zbog nemogućnosti preciznog određivanja stupnja istrošenosti oštrice medicinskog svrdla direktnim postupcima nadzora u realnom vremenu, cilj ovog rada bio je procijeniti njegovu istrošenost korištenjem indirektne metode nadzora zasnovane na značajkama trošenja izdvojenim iz signala akustične emisije, vibracija i jakosti struja prikupljenih u procesu bušenja i klasifikacijskog algoritma realiziranog u formi umjetne neuronske mreže.
Analiza procjene istrošenosti svrdla provedena je na temelju eksperimentalnih bušenja goveđih kostiju korištenjem standardnog medicinskog svrdla promjera 4,5 mm s primjenom u koštano-zglobnoj kirurgiji. Pritom su razmatrana tri stupnja istrošenosti, te je za svaki od njih provedeno 10 ponovljenih mjerenja s 12 različitih kombinacija parametara obrade.
Prikupljeni podaci su analizirani primjenom algoritma neuronske mreže s radijalnim baznim funkcijama, pri čemu su korištene Gaussova i trokutna aktivacijska funkcija neurona skrivenog sloja, te je razmatran utjecaj njihovih širina na uspješnost klasifikacije stupnja istrošenosti.
Analiza prikupljenih signala provedena je u nekoliko koraka, pri čemu su ulazne neurone uz posmak i brzinu rezanja predstavljale razmatrane značajke prikupljenih signala. Prvo je razmatrana uspješnost klasifikacije primjenom značajki izdvojenih iz signala akustične emisije, vibracija i jakosti struja zasebno. Zatim su, uz pretpostavku poboljšanja dobivenih rezultata, međusobno kombinirane sve najpovoljnije značajke razmatranih tipova signala.
Učenje i testiranje mreže primjenom signala vibracija izvedeni su sa ulaznim neuronima, tj. značajkama trošenja sastavljenim od posmaka, brzine rezanja i energija spektra signala u smjeru jedne, dvije i/ili tri međusobno ortogonalnih osi izračunatih za niz razmatranih frekvencijskih pojaseva unutar frekvencijskog spektra 5-5000 Hz. Analiza je prvo provedena odvojeno za 9 različitih kombinacija značajki, a zatim su odabrane samo one kombinacije značajki s pripadajućim pojasevima koje su ostvarile uspješnost klasifikacije 60 % ili 65 %. Takvom kombinacijom najpovoljnijih kombinacija značajki i frekvencijskih pojaseva ostvarena je uspješnost klasifikacije tupog svrdla u usporedbi s oštrim u 95 % slučajeva. Iz dobivenih rezultata proizlazi da se najpreciznija procjena stupnja istrošenosti postigla primjenom značajki trošenja koje su objedinjavale parametre obrade i energije spektra signala vibracija snimljenih u pravcu svih triju ortogonalnih osi, tj. u smjeru osi vrtnje alata i njoj pripadajućih dviju radijalnih osi.
Analizom temeljenom na izdvojenim značajkama signala jakosti struje ostvarena je uspješnost klasifikacije od 82,22 %.
Individualna analiza svih izdvojenih značajki trošenja pokazala je da najveći potencijal u klasifikaciji istrošenosti medicinskog svrdla imaju signali akustične emisije. U procesu učenja i testiranja mreže njihovom primjenom ulazne su značajke najprije predstavljale posmak, brzinu rezanja i energiju spektra signala izračunatu za niz razmatranih frekvencijske pojaseve unutar frekvencijskog spektra 50-400 Hz. Zatim su odabrani samo oni frekvencijski pojasevi u kojima su zadovoljene donje granice uspješnosti klasifikacije od 50 % i 60 %, te su energije tih pojaseva zajedno s vrijednostima posmaka i brzine rezanja predstavljale nove kombinacije ulaznih značajki u mrežu. Takvim je pristupom ostvarena uspješnost klasifikacije od 96,67 %, pri čemu su svi stupnjevi istrošenosti podjednako uspješno klasificirani.
Konačno, istovremenom kombinacijom izdvojenih značajki svih prikupljenih tipova signala ostvarena je uspješnost klasifikacije od 100 %, neovisno o korištenoj aktivacijskoj funkciji i koeficijentu njezine širine. S obzirom na to, može se zaključiti da je provedena analiza ukazala na potencijal primjene signala vibracija, akustične emisije i jakosti struja motora u indirektnom nadzoru istrošenosti medicinskih svrdla. |
| Sažetak (engleski) | Usage of worn medical drills in medical interventions has many negative consequences on machining safety and postoperative bone healing. Since precise and real time direct measurement of wear level of medical drill cutting edge is not possible, the main goal of this work was to estimate its wear using indirect tool condition monitoring method based on wear features extracted from acoustic emission, vibration and servomotor drive current signals measured during drilling process and classification algorithm formed as artificial neural network.
Analysis of drill wear estimation was based on experimental bovine bone drilling performed using 4.5 mm standard medical drill with application in bone and joint surgery. Three tool wear levels were analysed and for each of them 10 repeated measurements with 12 different machining parameter combinations were performed.
Collected data were analysed using Radial Basis Function Neural Network algorithm with Gaussian and triangular activation functions of the hidden layer neurons, whose width impact on wear level classification performance was taken into consideration.
This analysis was divided into several steps. At first, combinations of features belonging to every type of signal were tested separately. At the end, in order to improve obtained results, the most favourable combinations of features selected from different types of signals were tested together.
Learning and testing of neural network using vibration signals were performed with input neurons, such as feed rates, cutting speeds and spectrum energies related to one, two and/or three mutually perpendicular axes, which were calculated for the set of analysed frequency ranges within 5-5000 Hz frequency spectrum. In the first step analysis was separately performed for 9 different feature combinations, while in the second step only those feature combinations which accomplished classification precision of 60 % or 65 %, with belonging ranges, were selected. Classification precision of worn drill from sharp one with the most favourable feature combinations and frequency ranges was achieved in 95 % of cases. Based on obtained results, it can be found that the most precise wear level estimation was achieved using wear features that encompassed machining parameters and energy spectrum of vibration signals measured in the direction of all three perpendicular axes, that is in the direction of tool rotation axis and its belonging two radial axes.
Analysis based on machining parameters and extracted current combination features resulted in classification precision of 82,22 %.
Performed analysis revealed that the greatest potential in wear level estimation of medical drill have acoustic emission features. At first, analysis was separately performed for acoustic emission features calculated for the set of analysed frequency ranges within 50-400 kHz frequency spectrum. After that, drill wear classification was performed with all features that accomplished classification precision of 60 % or 65 % together with feed rates and cutting speeds. This feature combination achieved classification precision of 96,67 %, wherein all tool wear levels were successfully classified.
Finally, combination of features extracted from all types of signals achieved the best result. Classification precision of 100 % was accomplished with all observed combinations of activation functions and their widths. According to that, it can be concluded that the performed analysis revealed potential usage of vibration, acoustic emission and current signals in indirect monitoring of level estimation of medical drill. |
