工具状态监测使用机床工具螺旋 现状和长期短期记忆 神经网络模型分析
1Faculty of Mechanical Engineering, University of Maribor, Smetanova ul. 17, 2000 Maribor, Slovenia.
Sensors (Basel, Switzerland)
|April 27, 2024
概括
实时监控切削工具磨损对于加工质量至关重要. 本研究使用人工智能模型,特别是长短期记忆 (LSTM) 神经网络,分析电电流并预测工具状态.
科学领域:
- 制造业 工程 制造工程
- 人工智能的人工智能
- 材料科学 材料科学 材料科学
背景情况:
- 切削工具的状况直接影响制造部件的质量和加工效率.
- 由于工具磨损而导致的无计划停机时间可能会严重破坏生产线.
- 实时监控工具磨损对于保持质量和操作可靠性至关重要.
研究的目的:
- 开发和验证人工智能模型,用于实时监控切割工具磨损.
- 研究长期短期记忆 (LSTM) 神经网络在分析状电流信号以评估工具状况方面的有效性.
- 为制造业的工艺工具磨损检测提供一种新的方法.
主要方法:
- 使用基于LSTM神经网络的人工智能模型.
- 在切割过程中分析主轴的电流数据.
- 使用多晶钻石工具监测AA6013合金上的工具磨损.
- 通过使用外部测量设备获得线电流特征,以避免操作干扰.
主要成果:
- LSTM神经网络模型成功地在线电流信号中识别出了重要的特征.
- 开发的模型证明了能够实时评估工具磨损范围的能力.
- 这项研究作为人工智能驱动工具状态监控的概念验证.
结论:
- 基于LSTM神经网络的模型是实时监测切削工具状态的可行方法.
- 分析轴流提供了一种非侵入性的方法来评估加工过程中的工具磨损.
- 这种由人工智能驱动的方法有可能提高加工质量并减少停机时间.
