Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Mô hình và phân tích dự đoán độ mòn công cụ dựa trên SVD và BiLSTM
Tóm tắt
Độ mòn là một trong những hình thức chính của sự cố công cụ trong quá trình gia công. Việc dự đoán độ mòn công cụ có ý nghĩa lớn trong việc đảm bảo chất lượng cao cho sản phẩm gia công. Nhằm nâng cao độ chính xác trong việc dự đoán độ mòn công cụ, một mô hình dự đoán độ mòn công cụ dựa trên phân tích giá trị riêng (SVD) và mạng nơron dài ngắn hai chiều (BiLSTM) được đề xuất. Tín hiệu lực cắt được coi là tín hiệu giám sát. Đầu tiên, tín hiệu lực cắt thô được tái cấu trúc bằng ma trận Hankle, và SVD của ma trận đã được tái cấu trúc được thực hiện để trích xuất các đặc trưng của tín hiệu. Sau đó, các đặc trưng SVD của chu kỳ mẫu hiện tại và bốn chu kỳ mẫu trước đó được lấy làm đầu vào, và giá trị dự đoán độ mòn công cụ tại thời điểm hiện tại được thu được dựa trên BiLSTM. Kết quả thực nghiệm cho thấy mô hình SVD-BiLSTM đề xuất có thể dự đoán hiệu quả độ mòn công cụ và đạt độ chính xác dự đoán cao hơn so với các mô hình đối chiếu khác.
Từ khóa
#độ mòn công cụ #dự đoán độ mòn #phân tích giá trị riêng #mạng nơron dài ngắn hai chiều #tín hiệu lực cắtTài liệu tham khảo
Guo JC, Li AH (2019) Advances in monitoring technology of tool wear condition [J]. Tool Engineering 53(05):3–13
Patra K, Jha AK, Szalay T et al (2017) Artificial neural network based tool condition monitoring in micro mechanical peck drilling using thrust force signals [J]. Precis Eng 48:279–291
Li XL, Li HX, Guan XP (2004) Fuzzy estimation of feed-cutting force from current measurement - a case study on intelligent tool wear condition monitoring [J]. IEEE Trans Syst Man Cybern Part C Appl Rev 34(4):506–512
Li X, Dong S, Venuvinod PK (2000) Hybrid learning for tool wear monitoring [J]. Int J Adv Manuf Technol 16(5):303–307
Dimla DE (2002) The correlation of vibration signal features to cutting tool wear in a metal turning operation[J]. Int J Adv Manuf Technol 19(10):705–713
Wu D, Huang M (2014) Application of vibration signal monitoring in tool wear fault diagnosis [J]. Mechanical Engineering & Automation (02):121–122+125
Pai PS, Rao PKR (2002) Acoustic emission analysis for tool wear monitoring in face milling[J]. Int J Prod Res 40(5):1081–1093
Zhou JH, Pang CK, Zhong ZW et al (2011) Tool wear monitoring using acoustic emissions by dominant-feature identification[J]. IEEE Trans Instrum Meas 60(2):547–559
Li X, Tso SK (1999) Drill wear monitoring based on current signals [J]. Wear 231(2):172–178
Li X, Djordjevich A, Venuvinod PK (2000) Current-sensor-based feed cutting force intelligent estimation and tool wear condition monitoring[J]. IEEE Trans Ind Electron 47(3):697–702
Chen Y, Jin Y, Jiri G (2018) Predicting tool wear with multi-sensor data using deep belief networks[J]. Int J Adv Manuf Technol
Li XL, Yuan ZJ (1998) Tool wear monitoring with wavelet packet transform-fuzzy clustering method[J]. Wear 219(2):145-154
Wang G, Zhang Y, Liu C et al (2016) A new tool wear monitoring method based on multi-scale PCA [J]. J Intell Manuf:1–10
Babouri MK, Ouelaa N, Djamaa MC et al (2017) Prediction of tool wear in the turning process using the spectral center of gravity [J]. J Fail Anal Prev:1–9
Li N, Chen Y, Kong D et al (2017) Force-based tool condition monitoring for turning process using v-support vector regression [J]. Int J Adv Manuf Technol 91(1–4):351–361
Li G, Du X, Zhao LL et al (2019) Design of milling-tool wear monitoring system based on EEMD-SVM [J]. Automation & Instrumentation 06:30–32
Rui Z, Ruqiang Y, Zhenghua C et al (2019) Deep learning and its applications to machine health monitoring[J]. Mech Syst Signal Process 115:213–237
Zhao R, Wang J, Yan R et al (2016) Machine health monitoring with LSTM networks[C]// International Conference on Sensing Technology. IEEE
Malhotra P , Ramakrishnan A , Anand G , et al. LSTM-based encoder-decoder for multi-sensor anomaly detection[J]. 2016
Bruin TD, Verbert K, Babuška R (2017) Railway track circuit fault diagnosis using recurrent neural networks. IEEE Trans Neural Netw Learn Syst 28:523–533. https://doi.org/10.1109/TNNLS.2016.2551940
Graves A, Fernández S, Schmidhuber J, Bidirectional LSTM (2005) Networks for improved phoneme classification and recognition[M]. Artificial Neural Networks: Formal Models and Their Applications – ICANN 2005
Zhao XZ, Bang-Yan YE, Lin Y (2011) Amplitude modulation feature extraction of bearing vibration signal using singular value decomposition[J]. Transactions of Beijing Institute of Technology 31(5):572–577
Huang J N, Wang S H, Ma C. Fault diagnosis of rolling bearing based on SVD-EEMD and BP neural network [J]. J Beijing Inf Sci Technol University,2019,34(02):69–74
Li X, Lim B, Zhou J, Huang S, Phua S, Shaw K, Er M (September 2009) Fuzzy neural network modelling for tool wear estimation in dry milling operation. In Proceedings of the Annual Conference of the Prognostics and Health Management Society, San Diego, CA, USA, pp 27–30
Kingma D, Ba J (2014) Adam: a method for stochastic optimization[J]. Comput Sci