在CNN-GRU机器学习模型的基础上,快速重建削温度场

科学领域:

• 制造业 工程 制造工程
• 人工智能的人工智能
• 热传递热量转移的方法

背景情况:

• 机器人越来越多地用于削,但在加工难度高的合金时,高温会降低工具寿命和加工质量.
• 现有的温度场重建方法是计算密集且耗时的.
• 精确的工具温度监测对于优化削过程至关重要.

研究的目的:

• 开发一个高效和准确的模型,用于重建削工具的温度场.
• 在计算负载和解决时间方面解决现有方法的局限性.
• 为了提高机床加工机器人的性能和可靠性.

主要方法:

• 提出了一个基于式卷积循环神经网络 (CNN-GRU) 的逆热传导问题解决模型.
• 使用知识蒸 (KD) 和压缩加速来优化CNN-GRU模型的速度和准确性.
• 测试模型的稳定性与噪音输入数据相对应.

主要成果:

• 该CNN-GRU + KD模型展示了耐噪声,强度和稳定性.
• 该模型在温度场重建中实现了高曲线拟合卓越性 (高达0.97) 和低根平均平方误差 (最低1.43°C).
• 该模型在三个不同的工作条件中被证明是可行的和有效的.

结论:

• 拟议的CNN-GRU + KD模型为刀温度场重建提供了显著的改进.
• 这种方法提高了智能制造工艺的准确性和效率,特别是对于机器人来说.
• 这项研究为提高机床加工机器人的精度提供了有价值的工具.