工具磨损监测技术的研究基于变化模式分解和反向传播神经网络模型
Kang Wang1, Aimin Wang1, Long Wu2
1Digital Manufacturing Institute, Beijing Institute of Technology, Beijing 100081, China.
Sensors (Basel, Switzerland)
|January 8, 2025
概括
这项研究引入了一种新的模型,用于预测使用轴功率的工具磨损,提高加工效率和零件质量. 该VMD-BP模型实现了高精度,使实时监控和防止过度磨损.
科学领域:
- 制造业 工程 制造工程
- 人工智能在制造业中的应用
背景情况:
- 准确的工具磨损预测对于加工效率,零件质量和自动化至关重要.
- 目前的方法可能缺乏实时适应性和精度.
研究的目的:
- 开发和验证一种新的模型,用于预测使用轴动力的工具磨损.
- 通过数据校准和混合建模方法,提高工具磨损预测的准确性.
主要方法:
- 开发了一个综合变异模式分解 (VMD) 和逆向传播 (BP) 神经网络模型 (VMD-BP).
- 该模型使用历史数据和实时数据进行训练,使用内部机床功率数据对输入进行校准.
- 研磨实验是为了测试模型的预测能力而进行的.
主要成果:
- VMD-BP模型准确地将螺旋功率与工具磨损进行映射.
- 该模型在磨实验中显示了1.1256%的低平均预测误差.
- 内部功率数据校准显著改善了模型的准确性.
结论:
- VMD-BP模型提供了一种可靠的实时工具磨损预测方法.
- 这种方法为防止过度刀具磨损和优化加工过程提供了实际指导.
- 该模型支持制造业的增强自动化和质量控制.
