基于工艺集成单传感器方法的铣削加工中数据驱动的刀具磨损预测

《JOURNAL OF INTELLIGENT MANUFACTURING》：Data-driven tool wear prediction in milling, based on a process-integrated single-sensor approach

　　

摘要

在机械加工中，准确的刀具磨损预测对于保持生产效率和降低成本至关重要。由于铣刀磨损的复杂性，这一目标目前仍难以实现。传统方法通常依赖于大量数据及多传感器系统，这类方案在工业环境中不切实际，且由于其专用硬件难以移植，限制了模型的通用性。为克服这些局限，本研究提出了一种经济高效、可移植的框架，该框架仅使用一个加速度传感器，便于在工业环境中应用，并能以少量训练数据评估模型架构。我们测试了传统算法（随机森林、支持向量机、梯度提升）以及深度学习架构（EfficientNetV2、LSTMs、ConvNeXt）。这些模型通过手工设计的特征向量及短时傅里叶变换进行训练，用于回归分析（刀刃磨损）和分类分析（刀具状态）。重要的是，我们在两台不同机器上、使用不同的训练数据，评估了这些模型的可移植性和稳定性。尽管面临单一传感器和有限训练数据的双重挑战，研究结果表明，尤其是那些利用短时傅里叶变换输入的深度学习架构，在源领域测试中表现出色。即使仅基于四个刀具使用寿命的数据集进行训练，ConvNeXt的分类准确率仍可达99.1%，回归分析的判定系数为0.95。在传统算法中，随机森林分类器的表现也很优异，准确率达到了99.3%。然而，来自完全不同机器的铣削数据固有的差异性给所有模型带来了挑战，导致其性能下降。总体而言，这些研究结果为数据效率高的预测性维护策略奠定了坚实基础，此类策略可通过少量重新训练快速适配新的工业环境。