深度工具 (DeepTool):一个深度学习框架,用于工具磨损开始的检测和剩余的使用寿命预测
Pooja Kamat1, Satish Kumar1,2, Ketan Kotecha1,2
1Symbiosis Institute of Technology, Symbiosis International (Deemed University), Pune, Maharashtra, India.
MethodsX
|October 9, 2024
概括
深度学习系统DeepTool使用新的自收集传感器数据集准确预测削工具的磨损和剩余的使用寿命. 这种进步通过提高可靠性和降低成本来优化削操作.
科学领域:
- 制造业 工程 制造工程
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 刀工具的使用寿命直接影响运营效率,可靠性和成本效益.
- 准确预测工具磨损的开始和剩余的使用寿命对于优化削过程至关重要.
研究的目的:
- 开发一个基于深度学习的系统,DeepTool,用于预测削工具的使用寿命和检测磨损的开始.
- 利用全面的特征提取过程和自我收集的数据集来提高预测准确性.
主要方法:
- 利用自行收集的数据集,包括在各种切削条件下进行磨试验的精确传感器信号.
- 采用混合自编码器-LSTM和编码器-解码器LSTM模型进行高级预测建模.
- 实施了一种高效的特征提取技术,分析传感器数据的时间域和频域方面.
主要成果:
- 在估计工具磨损开始和预测剩余使用寿命时,获得了超过95%的R2准确度.
- 证明了深度学习模型在从传感器信号中提取相关信息的有效性.
- 验证了用于识别工具磨损指标的综合特征提取过程.
结论:
- DeepTool提供了一个强大的解决方案,用于实时监测和预测削工具的条件.
- 开发的系统提高了削操作的优化,可靠性和成本降低.
- 该研究强调了深度学习和传感器数据融合在制造业预测性维护方面的潜力.
