hrvatski

Multisenzorski sustav za indirektni nadzor istrošenosti medicinskih svrdla

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.

istrošenost medicinskog svrdla, termička osteonekroza, vibracije, akustična emisija, jakost struja motora, RBF neuronska mreža

nije evidentirano