ConclusionsThe ANFIS with multi inp

ConclusionsThe ANFIS with multi inputs fuzzy model was developed to predict the flank wear during turning process. The inputs of the developed model are cutting parameters of turning process (cutting speed, feed rate, depth of cut), and I-kaz coefficient for cutting force and feed force. The cutting force components were measured using in-house developed strain gauge sensor. The I-kaz method was developed based on the decomposed frequency signals, and integrated kurtosis-based algorithm was used to extract the features of the cutting force and feed force signals. The changes of cutting force signals due to flank wear were indicated by significant increasing the I-kaz coefficient values. Among the five input parameters of ANFIS model, changes of the I-kaz coefficient in feed force have the most effect on predicting flank wear value, followedby I-kaz coefficient in cutting force, feed rate, depth of cut, and cutting speed. It was found that the results generated by the ANFIS model are close to the experimental results with the minimum and maximum average error of the flank wear of about 2.30% and 5.08% respectively. The accuracy of the prediction may achieve up to 95.93–97.70%. The performance of the prediction shows that the estimated results are very accurate and encouraging to be applied in real industry application.

結果 (繁體中文) 1:

結論
多輸入模糊模型ANFIS開發轉向過程中預測的後刀面磨損。開發的模型的輸入被切斷車削工藝的參數（切削速度，進給速率，切削深度），以及用於切割力和進給力I-哈薩克斯坦係數。使用內部開發的應變式傳感器測量該切割力的部件。的I-哈薩克斯坦方法基於分解的頻率信號開發的，集成的基於峭度的算法被用來提取切削力和進給力的信號的特徵。通過顯著被指示增加I-哈薩克斯坦系數值切削力信號由於後刀面磨損的變化。間ANFIS模型的五個輸入參數，在進給力在I-哈薩克斯坦係數的變化對預測後刀面磨損值的影響最大，其次
通過在切削力，進給速率，切削深度和切割速度I-哈薩克斯坦係數。結果發現，由ANFIS模型生成的結果接近分別與約2.30％和5.08％的後刀面磨損的最小和最大平均誤差的實驗結果。預測的準確性可實現高達95.93-97.70％。預測顯示性能，估計結果非常精確，並鼓勵在實際行業應用得以應用。

結果 (繁體中文) 2:

結論
開發了具有多輸入模糊模型的ANFIS，用於預測車削過程中的側翼磨損。所開發模型的輸入是切削過程的切削參數（切削速度、進給率、切削深度）和切割力和進給力的I-kaz係數。使用內部開發的應變片感應器測量切削力部件。基於分解頻率信號開發了I-kaz方法，採用基於峰度的集成演算法提取切削力和饋送力信號的特徵。側翼磨損引起的切削力信號的變化通過顯著增加 I-kaz 係數值來表示。在ANFIS模型的五個輸入參數中，進給力中的I-kaz係數變化對預測齒面磨損值的影響最大，其次為
由 I-kaz 係數在切削力、進給率、切削深度和切削速度。結果表明，ANFIS模型產生的結果接近實驗結果，齒面磨損的最小誤差和最大平均誤差分別為2.30%和5.08%。預測精度可達95.93~97.70%。預測結果表明，估計結果非常準確，在實際工業應用中應用令人鼓舞。

結果 (繁體中文) 3:

結論
採用多輸入模糊神經網路模型對車削過程中的側翼磨損進行了預測。該模型的輸入是車削過程的切削參數（切削速度、進給速度、切削深度）和切削力和進給力的I-kaz係數。採用自行研製的應變感測器量測了切削力分量。提出了基於分解頻率訊號的I-kaz方法，並採用基於峰度的綜合算灋選取切削力和進給力訊號的特徵。齒面磨損引起的切削力訊號變化表現為I-kaz係數顯著增大。在ANFIS模型的五個輸入參數中，進給力I-kaz係數的變化對預測齒面磨損量的影響最大，其次是
根據切削力、進給速度、切削深度和切削速度的I-kaz係數。結果表明，ANFIS模型的計算結果與實驗結果接近，最小和最大的平均磨損誤差分別為2.30%和5.08%。預測精度可達95.93-97.70%。預測結果表明，預測結果非常準確，可推廣應用於實際工業應用。