See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/314117046

PREPOZNAVANJE STANJA POHABANOSTI ALATA ANALIZOM

VISOKOFREKVENTNOG DELA SPEKTRA VIBRACIJA

Conference Paper · June 2008

CITATIONS READS

0 45

4 authors, including:

Aco Antic Petar B. Petrovic

University of Novi Sad University of Belgrade
41 PUBLICATIONS   151 CITATIONS    32 PUBLICATIONS   92 CITATIONS   

SEE PROFILE SEE PROFILE

Milan Zeljković
University of Novi Sad
119 PUBLICATIONS   109 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Smart Robotic Systems for Customized Manufacturing View project

Development of hip prosthesis View project

All content following this page was uploaded by Milan Zeljković on 01 March 2017.

The user has requested enhancement of the downloaded file.

 34. JUPITER 30. simpozijum
konferencija

Beograd 2008 NU * ROBOTI * FTS

PREPOZNAVANJE STANJA POHABANOSTI ALATA ANALIZOM

VISOKOFREKVENTNOG DELA SPEKTRA VIBRACIJA

Antić, A.,1 Petović, P.,2 Zeljković M.,1 Hodolić J.1

Rezime:
U radu je prikazano eksperimentalno istraživanje procesa habanja alata za obradu rezanjem i
razvoj podloga za definisanje karakteristika ulaznog vektora sistema za procenu habanja alata.
Primenom diskretnih veivlet transformacija (DWT) izvršena je analiza promene vibracija sa
porastom procenta habanja alata. Na osnovu eksperimentalnih rezultata, izvršena je dekompozicija
originalnog signala vibracija u intervalu od 0 do 1 sec za 11 nivoa. Spektralni prikaz je sproveden
sa različitom rezolucijom po pojedinim nivoima što je bitna odlika DWT. Ovo DWT čini dobrim
alatom za analizu vremenskih serija koje generiše neki dinamički proces.
Ključne reči: habanje alata, vibracije, transformacija signala, diskretne vejvlet transformacije

1. UVOD

Glavni zahtevi automatizacije procesa obrade stuganjem, u savremenim uslovima proizvodnje, jesu dobra
pouzdanost sistema za nadzor alata i procesa obrade. U osnovi, može se reći da se sistemi za nadzor alata
baziraju na egzaktnoj identifikaciji komponenata procesa obrade. Nedostatak klasičnih sistema za nadzor
habanja alata jeste što rade unutar zadatih granica i tolerancije koja često na zadovoljavajći način ne
odgovaraju postavljenim zahtevima. Razvoj savremenih sistema za nadzor, koji rade u realnom vremenu,
čini osnovu za praćenje stanja procesa alata i obrade u automatizovanoj proizvodnji. Pri tome, savremeni
dijagnostički sistemi treba da stvore uslove za takvo upravljanje procesom i kvalitetom proizvoda koji se u
praksi naziva “inteligentni” sistem za proizvodnju.
Poznato je da proces obrade u sebi sadrži više različitih i teško kvantificirajućih parametara koji u sprezi sa
dinamikom samog procesa prestavljaju jedan stohastički i nestacionarni proces. Veoma veliki broj
parametara utiče na sam tok odvijanja procesa obrade kao što su: karakteristike materijala obrade, stanje
mašinskog sistema, vibracije koje se javljaju u toku odvijanja procesa obrade i još niz nepoznatih veoma
uticajnih parametara koji zajedno u sprezi otežavaju izradu adekvatnog modela procesa. Ovaj rad se bavi
određivanjem sadržaja signala ulaznog vektora u sistem za nadzor habanja alata, koji se dobija merenjem
ubrzanja vibracija i primenom diskretnih vejvlet transformacija (DWT) na dekompoziciju signala.

2. NADZOR HABANJA ALATA ZA OBRADU REZANJEM

2.1 Prikaz dosadašnjih pristupa za nadzor habanja alata

Razvojem i međusobnom integracijom merne opreme i ostalih mehatroničkih elemenata mašine, kao i novim
fleksibilnijim pristupima u upravljanju (upravljački sistem otvorene arhitekture, primena algoritama veštačke
inteligencije u nadzoru i vođenju procesa) stiču se uslovi za razvoj inteligentnih mašina alatki. Njihova
primena trebala bi osigurati realizaciju stalno prisutnih i sve većih zahteva za povećanjem stepena
pouzdatosti, robusnosti i fleksibilnosti obradnog sistema, osiguranjem traženog kvaliteta proizvoda i
dodatnom racionalizacijom troškova proizvodnje [1]. Habanje alata je primarni generator slučajnih
stohastičkih poremećaja s direktnim uticajem na postojanost, kvalitet i ekonomičnost procesa obrade. Neke
procene kategoriziraju 20% zastoja u obradi rezanjem u grupu onih koje su izazvane posledicom
nepredviđene pohabanosti alata.

1
Mr Aco Antić, Fakultet tehničkih nauka, Novi Sad, tel: +381 21 485 2312, E-mail: antica@uns.ns.ac.yu
Prof. dr Milan Zeljković, Fakultet tehničkih nauka, Novi Sad, tel: +381 21 485 2351, E-mail: milanz@uns.ns.ac.yu,
Prof. dr Janko Hodolič, Fakultet tehničkih nauka, Novi Sad, tel: +381 21 485 2053, E-mail: hodolic@uns.ns.ac.yu
2
Prof. dr Petar B. Petrović, Mašinski fakultet, Beograd, tel: +381 11 E-mail: pbpetrovic@mas.bg.ac.yu

3.52
Kvalitetna informacija o stepenu pohabanosti alata u realnom vremenu predstavlja neophodan uslov za
identifikaciju postojanosti alata. Time se u značajnoj meri podiže kvalitet obradnog procesa.
U periodu do sredine 80-ih godina prošlog veka predložen je niz modela habanja zasnovanih na klasičnim
matematičkim modelima (Bayesov klasifikator, metoda najbližih suseda, linearni diskriminatori, i dr.).
Međutim, pokazalo se da taj proces zbog svoje izrazite nelinearnosti i stohastičnosti vrlo teško može opisati
pomoću klasičnih matematičkih modela. Intenzivnija istraživanja na temu razvoja sistema za nadzor alata za
obradu rezanjem započela su 90-ih godina prošlog veka primenom višesenzorskog pristupa tj. klasifikatora
habanja zasnovanih na algoritmima veštačke inteligencije. Početak istraživanja u ovoj oblasti pretpostavljao
je da bi primena ovih metoda trebala rezultirati industrijski primjenjivim rešnjima nadzora habanja alata za
obradu rezanjem. Među najčešće korišćene algoritme spadaju veštačke neuronske mreže (VNM) i fazi
logika, čija je dominacija danas prisutna i pruža mogućnost dodatnih istraživanja. Razloge značajnije
zastupljenosti ovih modela treba tražiti u mogućnostima modeliranja složenih nelinearnih procesa koji su
često opisani sa nedovoljno informacija, opterećeni različitim vrstama prigušenja i šumova u signalima,
najčešće nastalih zbog same stohastičke prirode procesa habanja, i brze obrade veće količine informacija.
Navedene prednosti dolaze upravo do izražaja u problemima procene stepena pohabanosti alata gde ne
postoji adekvatan matematički model habanja. Osim neuronskih mreža, a u cilju povećanja kvaliteta sistema
za nadzor habanja alata, sproveden je i niz eksperimentalnih istraživanja korišćenjem modela zasnovanih na
fazi logici, a u zadnje vreme sve češće se pojavljuju ideje o njihovoj hibridnoj kombinaciji "neuro-fuzzy"
(NF) modela i fazi neuronskim mrežama (Fuzzy Neural Networks, FNN). Stoga se izdvajanje niza različitih
statističkih parametara iz signala i postizanje dovoljno kvalitetanog skupa međusobno nezavisnih i
relevantnih parametara habanja koji su u stanju u potpunosti identifikovati kompleksnu dinamiku habanja
alata za obradu rezanjem postavlja kao imperativ [2]. Prvi korak je prikupljanje signala nadzora kao što su
sila, vibracije, akustična emisija (AE), temperatura, i/ili struja motora itd. Drugi korak je obrada signala radi
dobijanja niza osobina nadzora. Poslednji korak je klasifikacija, gde se osobine nadzora koriste za
klasifikaciju trenutnog stanja alata uz prethodno definisano stanje alata [1].
Vibracije alata za rezanje tokom obrade nastaju zbog trenja na grudnoj i bočnoj površini alata, nastaje
habanja na reznoj ivici alata, valovitosti obrađivane površine a takođe su povezane i sa spregnutim
zupčanicima u kinemtskom lancu mašine. Istraživanja su pokazala da vibracije struga kao alata u stabilnoj
obradi uglavnom nastaju zbog trenja bočnog dela alata i predmeta obrade. Osnovna frekvencija vibracija
alata je rezonantna frekvencija sistema izazvana trenjem na reznoj ivici. Ubrzanje vibracija je najbolja mera
vibracija kada se pojavljuju na visokim frekvencijama. S obzirom na to da su vibracije alata za rezanje
vibracije visoke frekvencije (tj. iznad 1 kHz), ubrzanje alata je odabrano kao parametar za nadzor habanja
alata [3].
Izrada vrednosne analize za odabir identifikovanih parametara procesa obrade prestavlja značajan udeo u
postupaku određivanja adekvatnosti odabranog parametra. Ovakva analiza javlja se kao adekvatan odgovor i
kompenzacija za praćenje više različitih i stohastičkih parametara kod klasičnih sistema.

2.2 Diskretna vejvlet transformacija (DWT)

DWT je tehnika obrade signala u domenu vreme – frekvencija. Obezbeđuje dekompoziciju signala sa
razumnim rezolucijama i u domenu vremena i u domenu frekvencije, kao i bolju rekonstrukciju originalnog
signala u odnosu na rezultate dekompozicije. Kada se odredi signal varijacije vremena x[n], DWT se sastoji
od izračunatih koeficijenata koji su unutrašnji proizvod signala i skupa funkcija skaliranja i vejvlet funkcija.
Definiše se kao [4]:
t −2jk 
[
hj n − 2 k = 2
j
] −j / 2
Φ j
 (1)
 2 
gde je Φ funkcija sklairanja koja se definiše zajedno sa

[
c j ,k = ∑ x[n ]h j n − 2 j k ] (2)
n
poznatim kao koeficijenti aproksimacije, koji su nisko frekvente mape originalnog diskretnog signala
vremena x[n]. Korišćen je pristup analize višestruke rezolucije, gde je diskretna vejvlet funkcija (ψ) .
t −2jk 
[
gj n−2 k = 2 j
] −j / 2
ψ 
2 j
 (3)
 
definiše se zajedno sa
3.53
 [
d j ,k = ∑ x[n]h j n − 2 j k ] (4)
n
i koristi se za računanje detaljnih (dj,k) koeficijenata, koji su verzije uzoraka originalnog signala i
predstavljaju njegove visoko frekventne varijacije.

3. POSTAVKA EKSPERIMETA I IZMEREI SIGALI

Postavka eksperimenta za ovo istraživanje prikazana je na slici 1. S

lika pokazuje opremu i senzor koji je korišćen, kao i njegovo mesto postavke na alatu. Obrada struganjem je
izvršena na strugu proizvođača POTISJE Ada, tip PH 45. Signal ubrzanjea vibracija i širina pojasa habanja
alata beleženi su za svaki prolaz obrade.

Akcelerometar

Slika 1 Postavka eksperimenta

Obrada struganjem je izvedena za sledeće kombinacije brzine i pomaka. Kombinacija su birane tako da alat
bude izložen progresivnom habanju (tabela 1).
Tabela: 1 Parametri obrade
Materijal: Č.4732 poboljšan na HRC27
Prečnik pripremka: 100 mm
Brzina rezanja: 170 m/min
Pomak: 0.2 mm/o
Tip alata: „Sandvik Coromant" PTGNL presek drške 20x20
Pločica presvučena TiN: TNMG 110408 PGP-415 P15, PP-CORUN

Merenje ubrzanja vibracija je izvedeno tako što je merača ubrzanja postavljen na bočnu površinu alata u
pravcu aksijalne ose obradka slika 1 (desno). Kabel merača ubrzanja je povezan sa pojačivačem, koji je dalje
povezan sa jedinicom za napajanje i sistemom za akviziciju podataka. Nakon montiranja senzora izvodi se
probno mernje kako bi se proverile veze, odredio opseg pjačanja i dobijeni izlaz sa senzora.
Akvizicija je rađena sa Fs = 80 kHz, rezolucija 12 bit, Ts = 2 sec.

4. PRIKAZ REZULTATA MEREJA

Eksperimenti su vršeni sa parametrima obrade prikazanim u tabeli 1. Cilj eksperimenta je bio da se sagledala
mogućnost konstruisanja prostora osobenosti za karakterizaciju stanja pohabanosti reznog klina na osnovu
signala vibracija. Najčešći pristup obrade signala za nadzor habanja alata jeste da se generišu osobine
velikog broja signala i da se zatim upotrebi strategija odabira parametara kako bi se identifikovale osobenosti
koje su najosetljivije na habanje alata. U praksi postoje četiri pravca generisana prostora osobenosti signala
sa senzora [5]:
- statistička analiza,
- vremenskog analiza,

3.54
 - frekvenna analiza, i
- ukpna vremena i frekvenntna analiza (npr. spektrogrami i analiza malih talasa).

4.1 Frekventna analiza merenog signala:

Frekventna analiza za izračunavenje PSD signala urađena je primenom Welch metode window=512;
noverlap = 0;. Snimak sistema u mirovanju - identifikacija suma mernog sistema. U visokofrekventnom delu
spektra komponenta suma je jako potisnuta (-55dB u odnosu na korisni signal generisan procesom rezanja)
prikazano na slici 2.

Slika 2 Frekventna analiza signala Slika 3 Frikaz merenja za 3 nove pločice

Ponovljivost rezultata je dobra, što ukazuje na stabilnost mernog sistema prikazanog na slici 3 za
eksperimente rađene za 3 nove pločice. Ukoliko se analizira signal može se videti da se u nižem delu spektra
jasno uočavaju tri izdiferencirane dominantne komponente frekvencije: 7.5 kHz, 13 kHz i 17 kHz. U
gornjem delu spektra mogu se izdvojiti dve komponente, jedna na 27 kHz i jedna na 33 kHz.
Serije eksperimenata rađene su za umereno pohabane pločice širine pojasa habanja od 0,2 mm do 0,75 sa
osetljivosti mernog pojačivača 50, i za potpuno pohabanje pločice od 1,2 mm do 2,1 mm što je prikazano na
slikama 4 i 6. Na slikama 5 i 6 jasno se uočava evolucija vršnih frekvencija i precizno određuje njihova
lokacija u delu ultrazvuncnog spektra od 20 do 40kHz. Pikovi na nižim frekvencijama u relativnom smislu se
i dalje održavaju, više-manje stabilno, što ukazuje na to da oni dolaze od strukture same mašine a ne od
procesa obrade. Ovim se potvrdjuje ispravnost pristupa baziranog na korišćenju visokofrekventnog dela
spektra u karakterizaciji stanja procesa rezanja odnosno, stanja reznog klina. Plava boja - nova plocica (1:3),
cijan - umereno pohabana plocica (4:6), zelena boja - srednje pohabana plocica (7:9) i crvena boja -
pohabana plocica (9:12).

Slika 4 Izmereni signal pojasa habanja 0,2 do 0,4mm Slika 5 Ortogonalni prikaz sadržaja signala

3.55
 Slika 7 Izmereni signla pojasa habanja Slika 7 Ortogonalni prikaz sadržaja signala
za sva merenja svih merenja

4.2 Analiza signala primenom diskretne vejvlet transformacije (DWT)

Dekompozicija originalnog signala u intervalu od 0 do 1 sec je izvršena na 11 nivoa. Dole navedeni prikaz
sadrži aproksimaciju signala na određenom nivou (sa leve strane) i detalj na tom istom nivou koji se uklanja
iz signala (prikazano na desnoj strani). Što je viši nivo dekompozicije signala izdvajaju se komponente
signala sa nižim frekventnim sadržajem. Aproksimacija na nivou 11 je ono što preostane posle 11 koraka
dekompozicije i sastoji se iz komponente sa najnižim frekventnim sadržajem. Kada se aproksimacija A11
sabere sa svim detaljima (D11 do D1) dobije se originalni signal označen sa A1, odnosno A1=A11 + sum(D1
... D11). Bitno je to da je DWT obezbeđuje reverznost procesa i da broj nivoa dekompozicije zavisi od
karaktera signala i svrhe analize koja se sprovodi. Skup Ai, Di se može smatrati specifičnim oblikom
spektrograma, odnosno grafičkog prikaza signala sa mogućnošću istovremenog uvida u vremensku i
frekventnu strukturu signala. Spektralni prikaz je sproveden sa različitom rezolucijom po pojedinim niovima
što je bitna odlika DWT. Ovo čini DWT moćnim alatom za analizu vremenskih serija koje generiše neki
dinamički proces, što je prikazano na slikama 8 do11.

Slika 8 DWT analize rezanja novom plocicom Slika 9 DWT analiza rezanja umereno pohabanom
pločicom, pojas habanja 0.25mm:
Prethodni prikaz spektralnog sastava signala uništio je njegovu vremensku dimenziju i usrednio njegov
spektralni signal u posmatranom intervalu (spektar je 'razmazan' i tako uništeni mnogi sadržaji koji
reprezentuju proces koji ih je generisao). Poređenjem različitih signala iz različitih eksperimenata, odnosno
komparativnom analizom koja podrazumeva poređenje detalja po nivoima, može se prepoznati različiti
karakter signala generisan različitim stanjem reznog klina. Na osnovu tako dobijenih karakteristika može se
konstruisati prostor osobenosti za karakterizaciju stanja pohabanosti reznog klina strugarskog alata.

3.56
Slika 10 DWT analiza rezanja srednje pohabanom Slika 11 DWT analiza rezanja pohabanom pločicom
pločicom pojas habanja 0.55mm pojas habanja 1.25mm

5. ZAKLJUČAK

Na osnovu izvedenih merenja a i na osnovu literaturnih izvora, od kritičnog su značaja sadržaji signala koji
se nalaze u opsegu od 20 do 500 kHz za definisanje sadržaja ulaznog vektora sistema za klasifikaciju stanja
alata. To znači da je u eksperimentalnom smislu nužna kombinacija akcelerometra i senzora akustične
emisije (AE). Za ove eksperimente, da bi se na osnovu sadržaja signala mogla utvrditi adekvatana zavisnost
stanja pohabanosti rezene ivice alata pored AE senzora potrebno je i A/D konverziju podići na 16 bita da bi
signal bio veće rezolutnosti, a takođe povećati i brzinu uzorkovanja od 200 kHz do 1MHz.

6. LITERATURA

[1] Sick, B: On-line and Indirect Tool Wear Monitoring in Turning with Artificial Neural Networks,
Mechanical Systems and Signal Processing No 16(4), pp487 – 546, 2002.
[2] Antić, A., Hodolič, J., Soković, M.: Development of a Neural-Networks Tool-Wear Monitoring System
for a Turning Process, Strojniški vjesnik Journal of Mechanical Engineering, 52(11), pp763-776, ISSN
0039-2480, 2006.
[3] Sharma, V.S., Sharma, S. K.,. Sharma A. K : Cutting tool wear estimation for Turning, J Intell Manuf
No 19, pp99–108, 2007.
[4] Bhattacharyya, P., Sengupta, D., Mukhopadhyay, S.:Cutting force-based real-time estimation of tool
wear in face milling using a combination of signal processing techniques, Mechanical Systems and
Signal Processing 21, pp2665–2683, 2007.
[5] Scheffer, C., Kratz, H., Heyns, P.S., Klocke, F.: Development of a Tool Wear-Monitoring System for
Hard Turning, International Journal of Machine Tools & Manufacture 43, pp 973–985, 2003.

RECOGIZIG TOOL WEAR CODITIO BY AALYSIG THE HIGH-FREQUECY

SEGMET OF VIBRATIO SPECTRUM

Antić A.,1 Petović P.,2 Zeljković M.,1 Hodolič J.1

Abstract:
The paper presents experimental research of the cutting tool wear process and the development of
bases for defining the properties of the input system vector for tool wear evaluation. The
application of discrete wavelet transformations (DWT) has been utilized to perform the analysis of
vibration alternation with the increase in cutting tool wear percentage. Based on the experimental
results, decomposition of the original vibration signal in the interval from 0 to 1 sec for 11 levels
has been executed. Spectrum survey has been accomplished with diverse resolutions on individual
levels, which is a significant property of DWT. This establishes DWT a proper tool for analysing
time series that are generated by certain dynamic processes.
Key words: tool wear, vibrations, signal transformation, discrete wavelet transformations

3.57
 34. JUPITER KONFERENCIJA
sa međunarodnim učešćem
34th JUPITER CONFERENCE
with foreign participants

ZBORNIK RADOVA
PROCEEDINGS

UNIVERZITET U BEOGRADU - MAŠINSKI FAKULTET

UNIVERSITY OF BELGRADE
FACULTY OF MECHANICAL ENGINEERING

Beograd, jun 2008.

 34. JUPITER KONFERENCIJA
sa međunarodnim učešćem

ZBORNIK RADOVA
PROCEEDINGS

27. simpozijum
CIM U STRATEGIJI TEHNOLOŠKOG
RAZVOJA INDUSTRIJE PRERADE METALA

21. simpozijum
CAD/CAM

30. simpozijum
NU – ROBOTI –FTS

36. simpozijum
UPRAVLJANJE PROIZVODNJOM U
INDUSTRIJI PRERADE METALA

14. simpozijum
MENADŽMENT KVALITETOM

Organizator:

UNIVERZITET U BEOGRADU - MAŠINSKI FAKULTET

Beograd, 4.-5. jun 2008. godine

34. JUPITER KONFERENCIJA
sa međunarodnim učešćem

ZBORNIK RADOVA / PROCEEDINGS

Organizator:
UNIVERZITET U BEOGRADU - MAŠINSKI FAKULTET

Adresa:
Kraljice Marije 16, 11120 Beograd, Srbija
Tel: 011-3370341, Fax: 011-3370364
El. pošta: jupiter@mas.bg.ac.yu

Tehnički urednici:

Prof. dr Petar B. Petrović

Mr Mihajlo Popović
Mr Živana Jakovljević

Beograd, jun 2008.

Tiraž: 200 primeraka

Štampa: Planeta print,
11000 Beograd, Ruzveltova 10, tel.: 011 3088 129

ISBN 978-86-7083-628-0

ii
 34. JUPITER KONFERENCIJA
sa međunarodnim učešćem

PROGRAMSKI I NAUČNI ODBOR

Predsednik: Prof. dr Milisav Kalajdžić, Mašinski fakultet Beograd

Članovi: Prof. dr Bojan Babić, Mašinski fakultet Beograd •Prof. dr Pavao Bojanić,
Mašinski fakultet Beograd •mr Goran Vujačić, Viša politehnička škola Beograd •Prof.
dr Miloš Glavonjić, Mašinski fakultet Beograd •Prof. dr Dragan Domazet, Mašinski
fakultet Niš •Prof. dr Ljubomir Đorđević, Mašinski fakultet Kraljevo •Prof. dr Milan
Zeljković, FTN Novi Sad •Prof. dr Miodrag Lazić, Mašinski fakultet Kragujevac •Prof.
dr Vidosav Majstorović, Mašinski fakultet Beograd •Prof. dr Vladimir Milačić,
Mašinski fakultet Beograd •Prof. dr Dragan Milutinović, Mašinski fakultet Beograd
•Prof. dr Dragoje Milikić, FTN Novi Sad • Prof. dr Zoran Miljković, Mašinski fakultet
Beograd •Prof. dr Miloš Nedeljković, dekan, Mašinski fakultet Beograd •Prof. dr Petar
B. Petrović, Mašinski fakultet Beograd •Prof. dr Miroslav Pilipović, Mašinski fakultet
Beograd •Doc. dr Radovan Puzović, Mašinski fakultet Beograd • Prof. dr Žarko Spasić,
Mašinski fakultet Beograd • Prof. dr Ljubodrag Tanović, Mašinski fakultet Beograd,
•Prof. dr Janko Hodolič, •Prof. dr Velimir Todić, FTN Novi Sad, FTN Novi Sad, •Dr
Vladimir Kvrgić, LOLA Institut, •Prof. dr Ilija Ćosić, FTN Novi Sad • Prof.dr Emilia
Assenova (Bugarska) •Prof. dr Vladimir I Averchenkov (Rusija)•Prof. dr Nikolai I.
Bobir (Ukrajina) •Prof. dr Konstantin D. Bouzakis (Grčka) • Prof. dr Miodrag
Bulatović (Crna Gora) •Prof. dr Alexander Janac (Slovačka) •Prof. dr Vid Jovišević
(Bosna i Hercegovina) • Prof. dr Michael I Kheifetz (Belorusija) • Prof. dr Sergey A.
Klimenko (Ukrajina) •Prof. dr Radovan Kovačević (SAD) •Prof. dr Andrey A. Kutin
(Rusija) •Prof. dr Peter P. Melnichuk (Ukrajina) • Prof. dr Nicolae Negut (Rumunija)
•Prof. dr Stanislaw Pytko (Poljska) •Prof. dr Sreten Savićević (Crna Gora) • Prof. dr
Mirko Stojović (Slovenija) •Prof. dr Victor K. Starkov (Rusija) •Prof. dr Momir
Šarenac (Bosna i Hercegovina) • Prof. dr Radomir Vukasojević (Crna Gora) • Prof. dr
Milan Vukčević (Crna Gora)

ORGANIZACIONI ODBOR

Predsednik:
Prof. dr Petar B. Petrović, MF Beograd
Sekretar:
Asist. mr Mihajlo Popović, MF Beograd
Članovi:
Asist. mr Branko Kokotović, • Asist. mr Božica Bojović, MF Beograd • Asist. mr Saša
Živanović, MF Beograd • Asist. mr Živana Jakovljević, MF Beograd.

iii

View publication stats