Модел интелигентног система евалуације
Према хардверском систему успоставља се модел процене тачности обраде. Модел се састоји од различитих структура слојева, углавном укључујући слој за аквизицију сигнала, слој излазног сигнала, слој за трансформацију сигнала, слој за кондиционирање сигнала, слој за аквизицију података, софтвер за аквизицију, складиштење података, екстракцију карактеристика и кориснички слој.
Функције сваког дела су следеће:
(1) Слој за аквизицију сигнала: углавном сваки сензор прикупља одговарајуће сигнале са мерних тачака на инсталираној позицији, а сигнали које даје сензор се преносе до слоја излаза сигнала.
(2) Улазни слој сигнала: преноси сигнал у коло за кондиционирање пражњења НЦ алатне машине, а излазни слој сигнала повезује тачку мерења сигнала и коло за претходну обраду.
(3) Слој трансформације сигнала: може да реализује трансформацију облика сигнала. Пошто оригинални сигнали које емитује сваки сензор укључују сигнал напона, сигнал отпора и струјни сигнал, да би се олакшало прикупљање података, ови сигнали треба да се трансформишу у слоју трансформације сигнала и равномерно конвертују у напонске сигнале.
(4) Слој за кондиционирање сигнала: углавном се састоји од инструмента за кондиционирање сигнала. Пошто је оригинални сигнал помешан са великим бројем сигнала шума, а оригинална вредност сигнала је релативно слаба, слој за кондиционирање сигнала углавном остварује појачање и филтрирање оригиналног сигнала.
(5) Слој за прикупљање података: углавном се састоји од картице за аквизицију података за реализацију аквизиције сигнала велике брзине.
(6) Софтвер за набавку: углавном реализује аутоматско прикупљање података, пренос, складиштење и друге операције рачунара.
(7) Складиштење података: то је основна основа за обраду података, а сачуване податке је потребно позвати у накнадној обради.
(8) Екстракција карактеристика: углавном издваја релевантне карактеристике временског домена и карактеристике фреквентног домена из обрађених сигнала за каснију обуку неуронске мреже.
(9) Кориснички ниво: то је углавном неуронска мрежа која обучава и учи екстраховане сопствене вредности и даје резултате одлуке.
Екстракција карактеристика сигнала
Вредност за избор карактеристике користи различите методе анализе и обраде дигиталног сигнала да би издвојила информације о карактеристикама које најбоље могу да одразе промену тачности обраде из оригиналног сигнала. Оригинални сигнал који је прикупио сензор садржи велики број сигнала шума. Да би се ефективно издвојила сопствена вредност сигнала, таласни пакет се бира да издвоји сопствену вредност.