Abstract: S. Radhakrishnan, Y. T. T. Lee, S. Kamarthi (2017)

In this work we exploit the underlying dynamics of a turning process captured in force measurements for online flank wear estimation. We transform the sensor signals into feature vectors using recurrence quantification analysis and then estimate flank wear using a gradient boosted regression model. The data is collected by conducting two sets of turning experiments. The first set of data, which has 168 records, is used for training the machine learning model. The second set of data, which has 95 records, is used for testing the performance of the flank wear estimation method. The results indicate that the proposed method gives accurate flank wear estimates. The root mean square error of the flank wear estimation for the test data is 0.0497 mm.

Please note: The abstracts of the bibliography database may underly other copyrights.

Ihr Browser versucht gerade eine Seite aus dem sogenannten Internet auszudrucken. Das Internet ist ein weltweites Netzwerk von Computern, das den Menschen ganz neue Möglichkeiten der Kommunikation bietet.

Da Politiker im Regelfall von neuen Dingen nichts verstehen, halten wir es für notwendig, sie davor zu schützen. Dies ist im beidseitigen Interesse, da unnötige Angstzustände bei Ihnen verhindert werden, ebenso wie es uns vor profilierungs- und machtsüchtigen Politikern schützt.

Sollten Sie der Meinung sein, dass Sie diese Internetseite dennoch sehen sollten, so können Sie jederzeit durch normalen Gebrauch eines Internetbrowsers darauf zugreifen. Dazu sind aber minimale Computerkenntnisse erforderlich. Sollten Sie diese nicht haben, vergessen Sie einfach dieses Internet und lassen uns in Ruhe.

Die Umgehung dieser Ausdrucksperre ist nach §95a UrhG verboten.

Mehr Informationen unter www.politiker-stopp.de.

Estimation of Online Tool Wear in Turning Processes Using Recurrence Quantification Analysis (RQA)