工具磨损状态识别基于一维卷积通道注意力
Zhongling Xue1,2, Liang Li2, Ni Chen1,2
1Key Laboratory of Advanced Manufacturing and Intelligent Technology, Ministry of Education, Harbin University of Science and Technology, Harbin 150080, China.
Micromachines
|November 25, 2023
概括
这项研究引入了一种新的深度学习模型,1DCCA-CNN,用于在工具状况监测中准确识别工具磨损状态. 该模型增强了特征提取,提高了监测准确性并防止了质量退化.
科学领域:
- 机械工程 机械工程
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 工具状况监测 (TCM) 对于高效的制造,防止过早的工具更换和确保工件质量至关重要.
- 在线工具磨损识别通过提供工具健康状况的实时数据来优化加工过程.
研究的目的:
- 开发一个改进的深度学习模型,用于准确的工具磨损状态识别.
- 通过先进的功能提取来提高工具状况监测系统的性能.
主要方法:
- 使用卷积神经网络 (CNN) 来从预处理的切割信号中提取深度特征.
- 整合了一种基于新型一维CNN (1DCNN) 的频道注意力机制,以增强关键功能频道.
- 时间域特征被提取并组合成一个新的时间序列进行分析.
主要成果:
- 拟议的1DCCA-CNN模型在工具磨损识别方面表现出卓越的性能.
- 该模型在T1和T3数据集上分别实现了4%和5%的性能改进,超过了现有的研究基准.
- 1DCNN的注意力机制有效地增强了功能通道之间的信息交互.
结论:
- 1DCCA-CNN模型为TCM的工具磨损状态识别提供了显著的进步.
- 拟议的注意力机制有效地捕捉了关键特征,从而提高了监控准确度.
- 这项研究通过加强工具状况监测,有助于提高制造工艺的效率和可靠性.
