Comparison of FFBP and RBF neural networks applied to tool wear diagnosing

The paper presents results of neural net (NN) application to Tool Condition Monitoring (TCM), in particular to tool wear assessment in turning. Cutting tests on steel 45 were conducted, forces' signals registered for different cutting parameters in the course of the tool life. Several measures of those signals were extracted. These, along with the parameters, served as inputs to two types of neural networks- feed forward back propagation (FFBP) and radial basis function (RBF). Various different combinations of the input data were fed to the networks and the out put errors were scrutinized. Configurations of the input variables yielding lowest errors are compared for both types of networks and broadly discussed.

---

Artykuł prezentuje rezultaty zastosowania sieci neuronowych do monitorowania stanu ostrza w szczególności do oceny zużycia w operacjach tokarskich. Przeprowadzono badania skrawaniowe, podczas których zarejestrowano sygnały sił dla zmiennych parametrów skrawania i zużycia płytki. Wyznaczone miary tych sygnałów, wraz z parametrami skrawania, podano na wejścia dwóch rodzajów sieci neuronowych: FFBP i RBF. Przeanalizowano jakość i przydatność oceny zużycia dla różnych kombinacji danych wejściowych. Najlepsze z nich zostały szczegółowo porównane dla obu typów sieci.