• 基本单元中可安装 4 个输入模块 提供以下模块: – 4 个电感式探头输入(兼容 Mahr、Tesa、Marposs 或 Federal 探头) – 2 个增量式探头输入 – 1 个气动测量设备输入 – 4 个直流电压信号输入 • RS232 接口 • 模拟输出 • 6 个数字输入用于启动测量、主测量/零点设置、发送数据 • 12 个数字输出,最多可容纳 4 种特性:接受 - 拒绝 - 返工分类、集体接受/拒绝、测量时间、10 个等级、BCD 接口、合格 - 超出警告限值 - 超出公差
可调(2 个主)空气系统的进步 – Mahr Federal 采用了可调放大倍率背压系统,并对其进行了改造,使其适用于精密差压计和空气/电子传感器。Universal Dimensionair 的放大倍率是通过将压力与工具和参考通道之间的精确平衡相匹配来控制的。第二个旋钮通过改变参考通道中的压力来调整零位。该系统能够对任何气动测量系统进行广泛的放大倍率调整。它可容纳几乎任何尺寸的喷嘴,大到 0.080 英寸。或小到 0.020 英寸。两个设置主控 - 最小值和最大值 - 用于校准系统,定义和显示特定公差范围的两端。借助现代电子系统(例如柱式气动量具),此过程可以实现自动化,以便量具引导操作员完成掌握程序。归零和放大倍数调整自动完成 - 无需操作员干预。
局部可解释和模型无关解释 (LIME) 是一种可解释的人工智能 (XAI) 方法,用于识别智能磨削过程中预测平均表面粗糙度 (Ra) 的全局重要时频带。智能磨削装置包括一台 Supertech CNC 精密表面磨床,配备一个 Dytran 压电加速度计,沿切线方向 (Y 轴) 安装在尾座主轴上。每次磨削时,都会捕获振动特征,并使用 Mahr Marsurf M300C 便携式表面粗糙度轮廓仪记录地面真实表面粗糙度值。在整个实验中,粗糙度值范围为 0.06 至 0.14 微米。提取磨削过程中收集的每个振动信号的时间频域频谱图帧。建模卷积神经网络 (CNN) 以基于这些频谱图帧及其图像增强来预测表面粗糙度。最佳 CNN 模型能够预测粗糙度值,总体 R2 分数为 0.95,训练 R2 分数为 0.99,测试 R2 分数为 0.81,仅使用 80 组振动信号(对应 4 次实验,每次 20 次试验)。虽然数据量不足以保证在现实场景中达到这样的性能指标,但可以提取这些复杂的深度学习模型捕获的关系背后的统计一致的解释。在开发的表面粗糙度 CNN 模型上实施了 LIME 方法,以识别影响预测的重要时频带(即频谱图的超像素)。基于在频谱图帧上确定的重要区域,确定了影响表面粗糙度预测的相应频率特性。基于 LIME 结果的重要频率范围约为 11.7 至 19.1 kHz。通过基于重要频率范围并考虑奈奎斯特标准将采样率从 160 kHz 降低到 30、20、10 和 5 kHz,证明了 XAI 的强大功能。通过仅提取低于其相应奈奎斯特截止值的时间频率内容,为这些范围开发了单独的 CNN 模型。通过比较模型性能提出了一种适当的数据采集策略,以论证选择足够的采样率来成功且稳健地捕捉磨削过程。© 2023 制造工程师协会 (SME)。由 Elsevier Ltd. 出版。保留所有权利。这是一篇根据 CC BY-NC-ND 许可开放获取的文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)由 NAMRI/SME 科学委员会负责同行评审。关键词:卷积神经网络;可解释机器学习;XML;可解释人工智能;XAI;局部可解释和模型无关解释;LIME;表面粗糙度;表面磨削;光谱图