Naslov
Multisenzorski sustav za indirektni nadzor istrošenosti medicinskih svrdla
(Multi-sensory system for medical drills wear level monitoring)

Autori
Murat, Zrinka

Vrsta, podvrsta i kategorija rada
Ocjenski radovi, diplomski rad, diplomski

Fakultet
Fakultet strojarstva i brodogradnje

Mjesto
Zagreb

Datum
14.07

Godina
2016

Stranica
73

Mentor
Brezak, Danko

Ključne riječi
istrošenost medicinskog svrdla, termička osteonekroza, vibracije, akustična emisija, jakost struja motora, RBF neuronska mreža
(tool wear estimation, thermal osteonecrosis, vibrations, acoustic emission, servomotor referent current, RBF Neural Network)

Sažetak
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.

Izvorni jezik
Hrvatski

Znanstvena područja
Strojarstvo, Interdisciplinarne tehničke znanosti

POVEZANOST RADA