Clasificación y optimización de los parámetros del escritor de auto-servo de semillas en espiral en el proceso de fabricación utilizando técnicas de inteligencia artificial
Autores: Sapapporn, Chaweng; Seangsri, Soontaree; Srisertpol, Jiraphon
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Clasificación y optimización de los parámetros del escritor de auto-servo de semillas en espiral en el proceso de fabricación utilizando técnicas de inteligencia artificial
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería de Sistemas
Palabras clave
Técnica
Errores de posición
Controlador PID
Modelo matemático
Métodos de identificación de sistemas
Características de aprendizaje automático
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 27
Citaciones: Sin citaciones
Este documento presenta una técnica para evaluar el rendimiento de máquinas de alta precisión y clasificar las condiciones de las máquinas en términos de capacidad de prueba, como las máquinas de escritura de señales de discos duros (HDD). En general, los errores de posición generados durante el proceso de escritura de señales deben minimizarse para garantizar una escritura de alta calidad. Los errores de posición se refieren a desviaciones en el proceso de escritura de señales y pueden ser causados por varios factores, como desviaciones en el rendimiento del posicionador que resultan en una señal de error de posición que excede su límite de control. El controlador proporcional-integral-derivativo (PID) debe optimizarse para minimizar los errores de posición. En la sintonización de controladores basada en modelos, un modelo matemático preciso es esencial. El primer paso utiliza métodos de identificación de sistemas, incluidos los mínimos cuadrados de peso adaptativo y la detección de picos, para crear un modelo de frecuencia de resonancia de partición. Este modelo matemático se utiliza para determinar la estabilidad en bucle abierto, que implica lograr márgenes de ganancia y fase en una frecuencia de cruce específica, y la respuesta dinámica en bucle cerrado, que implica minimizar la transformada de Fourier discreta (DFT) de la señal de error de posición. La DFT de la señal de error de posición en cada armónico puede representarse como un pico de resonancia en el modelo de función de transferencia. La DFT y otras combinaciones de parámetros operativos se analizan y utilizan como características de aprendizaje automático. El clasificador ANN también fue efectivo para categorizar el rendimiento de las máquinas de escritura de señales en cuatro clases: 0 (máquina saludable), 1 (falla del sensor), 2 (alfiler suelto) y 3 (máquina ajustable). Los resultados mostraron que el rendimiento de clasificación fue suficiente para separar las clases 1 y 2 para el proceso de mantenimiento y la clase 3 para una optimización adicional lograda utilizando el modelo matemático.
Descripción
Este documento presenta una técnica para evaluar el rendimiento de máquinas de alta precisión y clasificar las condiciones de las máquinas en términos de capacidad de prueba, como las máquinas de escritura de señales de discos duros (HDD). En general, los errores de posición generados durante el proceso de escritura de señales deben minimizarse para garantizar una escritura de alta calidad. Los errores de posición se refieren a desviaciones en el proceso de escritura de señales y pueden ser causados por varios factores, como desviaciones en el rendimiento del posicionador que resultan en una señal de error de posición que excede su límite de control. El controlador proporcional-integral-derivativo (PID) debe optimizarse para minimizar los errores de posición. En la sintonización de controladores basada en modelos, un modelo matemático preciso es esencial. El primer paso utiliza métodos de identificación de sistemas, incluidos los mínimos cuadrados de peso adaptativo y la detección de picos, para crear un modelo de frecuencia de resonancia de partición. Este modelo matemático se utiliza para determinar la estabilidad en bucle abierto, que implica lograr márgenes de ganancia y fase en una frecuencia de cruce específica, y la respuesta dinámica en bucle cerrado, que implica minimizar la transformada de Fourier discreta (DFT) de la señal de error de posición. La DFT de la señal de error de posición en cada armónico puede representarse como un pico de resonancia en el modelo de función de transferencia. La DFT y otras combinaciones de parámetros operativos se analizan y utilizan como características de aprendizaje automático. El clasificador ANN también fue efectivo para categorizar el rendimiento de las máquinas de escritura de señales en cuatro clases: 0 (máquina saludable), 1 (falla del sensor), 2 (alfiler suelto) y 3 (máquina ajustable). Los resultados mostraron que el rendimiento de clasificación fue suficiente para separar las clases 1 y 2 para el proceso de mantenimiento y la clase 3 para una optimización adicional lograda utilizando el modelo matemático.