A gépi tanulás alapú rezgésdiagnosztika alkalmazhatóságáról a szerszámkopás előrejelzése érdekében: egy esettanulmány

Szerzők

  • Székely László Magyar Agrár- és Élettudományi Egyetem, Matematika és Természettudományi Alapok Intézet, Matematika és Modellezés Tanszék
  • Ladányi Márta Magyar Agrár- és Élettudományi Egyetem, Matematika és Természettudományi Alapok Intézet, Alkalmazott Statisztika Tanszék
  • Zsidai László Magyar Agrár- és Élettudományi Egyetem, Műszaki Intézet, Anyagtudományi és Gépipari Folyamatok Tanszék
  • Keresztes Róbert Magyar Agrár- és Élettudományi Egyetem, Műszaki Intézet, Anyagtudományi és Gépipari Folyamatok Tanszék
  • Pataki Tamás Magyar Agrár- és Élettudományi Egyetem, Műszaki Intézet, Anyagtudományi és Gépipari Folyamatok Tanszék
  • Szabó István Magyar Agrár- és Élettudományi Egyetem, Műszaki Intézet, Gépszerkezettani Tanszék
  • Schrempf Norbert Magyar Agrár- és Élettudományi Egyetem, Műszaki Intézet, Épületgépészeti és Energetikai Tanszék
  • Veres Antal Magyar Agrár- és Élettudományi Egyetem, Matematika és Természettudományi Alapok Intézet

DOI:

https://doi.org/10.33038/jcegi.7314

Kulcsszavak:

rezgésdiagnosztika, prediktív karbantartás, gépi tanulás, fenntartható gyártás

Absztrakt

A tanulmány egy gépi tanuláson alapuló megközelítést mutat be a szerszámkopás és a szerszámtörés előrejelzésére, a megmunkálási folyamatok során keletkező rezgésjelek elemzésével. A javasolt módszer a rezgés- és – ahol releváns – akusztikus emissziós (AE) jelek feldolgozásával lehetővé teszi a hibák korai felismerését és a prediktív karbantartás támogatását. A megközelítés hozzájárul a fenntartható gyártáshoz az anyagveszteség csökkentésével, az erőforrás-hatékonyság növelésével és a szerszám élettartamának meghosszabbításával. A kísérleti eredmények igazolják, hogy a rezgésalapú jellemzők alkalmasak a normál és rendellenes szerszámállapotok megkülönböztetésére, ami alátámasztja a mesterséges intelligencia által támogatott diagnosztikai rendszerek alkalmazhatóságát a zöld innováció és az Ipar 4.0 keretrendszerében.

Információk a szerzőről

  • Székely László, Magyar Agrár- és Élettudományi Egyetem, Matematika és Természettudományi Alapok Intézet, Matematika és Modellezés Tanszék

    levelező szerző
    szekely.laszlo@uni-mate.hu

Hivatkozások

ABELLÁN-NEBOT, J. V. – SUBIRÓN, F. R. (2010): A review of machining monitoring systems based on artificial intelligence process models. International Journal of Advanced Manufacturing Technology, 47:237–257. https://doi.org/10.1007/s00170-009-2191-8

AUDACITY TEAM (2024): Audacity: Free, open source, cross-platform audio software. https://www.audacityteam.org/. Accessed: 2025-10-07.

BOASHASH, B. (2003): Introduction to the Concepts of TFSAP, in Time-Frequency Signal Analysis and Processing: A Comprehensive Reference. Brisbane: Queensland University of Technology, Brisbane.

BOEHMKE, B. – GREENWELL, B (2019): Hands-on Machine Learning with R. Chapman and Hall/CRC, New York.

CAUSOL, A. J. – ZEGARRA, F. C. – VARGAS-MACHUCA, J. – CORONADO, A. M. (2021): Optimal window size for the extraction of features for tool wear estimation., IEEE XXVIII International Conference on Electronics, Electrical Engineering and Computing (INTERCON). https://doi.org/10.1109/INTERCON52678.2021.9532759

DORNFELD, D. A. – DIEI, E. N. (1987): A model of tool fracture generated acoustic emission during machining. Journal of Engineering for Industry, 109:227–233. https://doi.org/10.1115/1.3187123

KISHAWY, H. A. – HEGAB, H. – UMER, U. – MOHANY, A. (2018): Application of acoustic emissions in machining processes: Analysis and critical review. International Journal of Advanced Manufacturing Technology, 98:1391–1407. https://doi.org/10.1007/s00170-018-2341-y

KRISHNAKUMAR, P. – RAMESHKUMAR, K. – RAMACHANDRAN, K. I. (2018): Acoustic emission-based tool condition classification in a precision high-speed machining of titanium alloy: A machine learning approach. International Journal of Computational Intelligence and Applications, 17. https://doi.org/10.1142/S1469026818500177

KUHN, M. (2008): Building predictive models in R using the caret package. Journal of Statistical Software, 28(5):1–26. https://doi.org/10.18637/jss.v028.i05

MATHWORKS (2025): Matlab. https://www.mathworks.com. Accessed: 2025-10-07.

MOHAMED, A. – HASSAN, M. – M’SAOUBI, R. – ATTIA, H. (2022): Tool condition monitoring for high-performance machining systems—a review. Sensors, 22:1–31. https://doi.org/10.3390/s22062206

POSIT (2025): Rstudio. https://posit.co/download/rstudio-desktop/.

RANDALL, R. B. (2013): A history of cepstrum analysis and its application to mechanical problems. In Surveill. 7 International Conference. https://doi.org/10.1016/j.ymssp.2016.12.026

RANDALL, R. B. – TECH, B. (1973): Cepstrum Analysis and Gearbox Fault Diagnosis. Naerum.

ZSIDAI, L. – MARKOVICS, B. – PATAKI, T. – SZAKÁL, Z. – SZABÓ, I. – SCHREMPF, N. – KERESZTES, R. (2025): Development of laboratory static fracture tests for milling tools. Mechanical Engineering Letters, 26(1):121–139.

Letöltések

Megjelent

2025-11-28

Folyóirat szám

Évf. 13 szám 1 (2025): JCEGI

Rovat

Cikk szövege

License

Copyright (c) 2025 Journal of Central European Green Innovation

Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Hogyan kell idézni

Székely, L., Ladányi, L., Zsidai, L., Keresztes, R., Pataki, T., Szabó, I., Schrempf, N., & Veres, A. (2025). A gépi tanulás alapú rezgésdiagnosztika alkalmazhatóságáról a szerszámkopás előrejelzése érdekében: egy esettanulmány. Journal of Central European Green Innovation, 13(1), 39-51. https://doi.org/10.33038/jcegi.7314