Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Dự đoán độ mòn dụng cụ trong điều kiện dữ liệu thiếu thông qua việc ưu tiên các tổ hợp cảm biến
Tóm tắt
Việc đảm bảo chất lượng gia công ổn định có ý nghĩa quan trọng trong việc theo dõi chính xác độ mòn của dụng cụ. Tín hiệu từ cảm biến chủ yếu được sử dụng để dự đoán độ mòn của dụng cụ. Do đó, tín hiệu cảm biến đầy đủ là rất quan trọng cho việc dự đoán độ mòn dụng cụ. Để thu thập thông tin toàn diện về quy trình nhằm nâng cao độ chính xác của dự đoán và đảm bảo hiệu quả của mô hình dự đoán khi dữ liệu cảm biến bị thiếu, bài báo này đề xuất một kế hoạch dự đoán độ mòn dụng cụ thông qua việc ưu tiên các tổ hợp cảm biến trong điều kiện dữ liệu thiếu. Trong kế hoạch dự đoán này, tập hợp đặc trưng tối ưu của tổ hợp cảm biến được sử dụng phân tích thành phần chính thông qua nút nhân (KPCA) được tối ưu hóa bởi hệ số thông tin tối đa (MIC); cụ thể, MIC được sử dụng để chọn giá trị gamma của KPCA. Đồng thời, rừng ngẫu nhiên được sử dụng để xác định mức ưu tiên của các tổ hợp cảm biến dựa trên tập hợp đặc trưng tối ưu đã thu được. Khi tín hiệu bị mất, sẽ xuất hiện sai số dự đoán. Do đó, tổ hợp cảm biến để thay thế cảm biến bị thiếu dữ liệu được chọn theo thứ tự ưu tiên đã xác định. Hiệu quả của kế hoạch được đề xuất được xác minh thông qua các tổ hợp cảm biến dựa trên lực cắt, độ rung và phát xạ âm trong quá trình phay TC18.
Từ khóa
#độ mòn dụng cụ #cảm biến #dữ liệu thiếu #phân tích thành phần chính #rừng ngẫu nhiên #dự đoán độ mònTài liệu tham khảo
Raja JE, Kiong LC, Soong LW (2013) Hilbert-Huang transform-based emitted sound signal analysis for tool flank wear monitoring. Arab J Sci Eng 388:2219–2226. https://doi.org/10.1007/s13369-013-0580-7
Drouillet C, Karandikar J, Nath C, Journeaux AC, El Mansori M, Kurfess T (2016) Tool life predictions in milling using spindle power with the neural network technique. J Manuf Process 22:161–168. https://doi.org/10.1016/j.jmapro.2016.03.010
Yang YF, Guo YL, Huang ZP, Chen N, Li L, Jiang YF, He N (2019) Research on the milling tool wear and life prediction by establishing an integrated predictive model. Measurement 145:178–189. https://doi.org/10.1016/j.measurement.2019.05.009
Maia LHA, Abram AM, Vasconcelos WL, Sales WF, Machado AR (2015) A new approach for detection of wear mechanisms and determination of tool life in turning using acoustic emission. Tribol Int 92:519–532. https://doi.org/10.1016/j.triboint.2015.07.024
Gierlak P, Burghardt A, Szybicki D, Szuster M, Muszynska M (2017) On-line manipulator tool condition monitoring based on vibration analysis. Mech Syst Signal Pr 89:14–26. https://doi.org/10.1016/j.ymssp.2016.08.002
Prickett PW, Johns C (1999) An overview of approaches to end milling tool monitoring. Int J Mach Tool Manu 391:105–122. https://doi.org/10.1016/S0890-6955(98)00020-0
Zhang L, Gao HL, Wen J, Li SC, Liu Q (2017) A deep learning-based recognition method for degradation monitoring of ball screw with multi-sensor data fusion. Microelectron Reliab 75:215–222. https://doi.org/10.1016/j.microrel.2017.03.038
Xu XW, Tao ZR, Ming WW, An QL, Chen M (2020) Intelligent monitoring and diagnostics using a novel integrated model based on deep learning and multi-sensor feature fusion. Measurement 165. https://doi.org/10.1016/j.measurement.2020.108086
Huang ZW, Zhu JM, Lei JT, Li XR, Tian FQ (2019) Tool wear predicting based on multisensory raw signals fusion by reshaped time series convolutional neural network in manufacturing. IEEE Access 7:178640–178651. https://doi.org/10.1109/ACCESS.2019.2958330
Qi JD, Chen B, Zhang DH (2020) Multi-information fusion-based belt condition monitoring in grinding process using the improved-Mahalanobis distance and convolutional neural networks. J Manuf Process 59:302–315. https://doi.org/10.1016/j.jmapro.2020.09.061
Shi CM, Luo B, He SP, Li K, Liu HQ, Li B (2019) Tool wear prediction via multi-dimensional stacked sparse autoencoders with feature fusion. IEEE T Ind Inform PP:1–1. https://doi.org/10.1109/TII.2019.2949355
Teti R, Segreto T, Caggiano A, Nele L (2020) Smart multi-sensor monitoring in drilling of CFRP/CFRP composite material stacks for aerospace assembly applications. Appl Sci 10:758. https://doi.org/10.3390/app10030758
Chen YX, Jin Y, Jiri G (2018) Predicting tool wear with multi-sensor data using deep belief networks. Int J Adv Manuf Tech 99:1917–1926. https://doi.org/10.1007/s00170-018-2571-z
Liu CQ, Li YG, Zhou GY, Shen WM (2018) A sensor fusion and support vector machine based approach for recognition of complex machining conditions. J Intell Manuf 29:1739–1752. https://doi.org/10.1007/s10845-016-1209-y
Liu H, Liu ZY, Jia WQ, Zhang DH, Wang QD, Tan JR (2021) Tool wear estimation using a CNN-transformer model with semi-supervised learning. Meas Sci Technol. https://doi.org/10.1088/1361-6501/AC22EE
Su T, Shi Y, Yu JC, Yue CX, Zhou F (2021) Nonlinear compensation algorithm for multidimensional temporal data: a missing value imputation for the power grid applications. Knowl-Based Syst. https://doi.org/10.1016/j.knosys.2021.106743
Lin J, Li NH, Alam MA, Ma YQ (2020) Data-driven missing data imputation in cluster monitoring system based on deep neural network. Appl Intell 50:860–877. https://doi.org/10.1007/s10489-019-01560-y
Hamori S, Motegi K, Zhang Z (2020) Copula-based regression models with data missing at random. J Multivariate Anal 180:104654. https://doi.org/10.1016/j.jmva.2020.104654
Liu C, Wang GF, Li ZM (2015) Incremental learning for online tool condition monitoring using ellipsoid artmap network model. Appl Soft Comput 35:186–198. https://doi.org/10.1016/j.asoc.2015.06.023
Wang JJ, Xie JY, Zhao R, Zhang LB, Duan LX (2016) Multisensory fusion based virtual tool wear sensing for ubiquitous manufacturing. Robot Cim-Int Manuf 45 https://doi.org/10.1016/j.rcim.2016.05.010
Liao XP, Zhou G, Zhang ZK, Lu J, Ma JY (2019) Tool wear state recognition based on GWO–SVM with feature selection of genetic algorithm. Int J Adv Manuf Tech 104:1051–1063. https://doi.org/10.1007/s00170-019-03906-9
Wu J, Su YH, Cheng YW, Shao XY, Deng C, Liu C (2018) Multi-sensor information fusion for remaining useful life prediction of machining tools by adaptive network based fuzzy inference system. Appl Soft Comput 68:13–23. https://doi.org/10.1016/j.asoc.2018.03.043
Shekar AK, Bocklisch T, Sánchez PI, Straehle CN, Müller E (2017) Including multi-feature interactions and redundancy for feature ranking in mixed datasets. Machine Learning and Knowledge Discovery in Databases. https://doi.org/10.1007/978-3-319-71249-9
Danasingh AA, Balamurugan S, Leavline EJ (2016) Literature review on feature selection methods for high-dimensional data. International Journal of Computer Applications. https://doi.org/10.5120/ijca2016908317
Reshef DN, Reshef YA, Finucane HK, Grossman SR, Turnbaugh MG, PJ, Lander ES, Mitzenmacher M, Sabeti PC, (2011) Detecting novel associations in large data sets. Science 334:1518–1524. https://doi.org/10.1126/science.1205438
Sick B (2002) On-line and indirect tool wear monitoring in turning with artificial neural networks: a review of more than a decade of research. Mech Syst Signal Pr 16:487–546. https://doi.org/10.1006/mssp.2001.1460
Suresh R, Joshi AG, Manjaiah M (2021) Experimental investigation on tool wear in AISI H13 die steel turning using RSM and ANN methods. Arab J Sci Eng 46:2311–2325. https://doi.org/10.1007/s13369-020-05038-9
Zhang KF, Yuan HQ, Nie P (2015) A method for tool condition monitoring based on sensor fusion. J Intell Manuf 26:1011–1026. https://doi.org/10.1007/s10845-015-1112-y
Kong DD, Chen YJ, Li N (2018) Gaussian process regression for tool wear prediction. MechSyst Signal Pr 104:556–574. https://doi.org/10.1016/j.ymssp.2017.11.021
Yuan J, Liu LB, Yang ZQ, Zhang YR (2020) Tool wear condition monitoring by combining variational mode decomposition and ensemble learning. Sensors. https://doi.org/10.3390/s20216113
Bustillo A, Reis R, Machado AR, Pimenov DY (2020) Improving the accuracy of machine-learning models with data from machine test repetitions. J Intell Manuf. https://doi.org/10.1007/s10845-020-01661-3
Wu DZ, Jennings C, Terpenny J, Gao RX, Kumara S (2017) A comparative study on machine learning algorithms for smart manufacturing: tool wear prediction using random forests. J Manuf Sci E-T Asme doi 10(1115/1):4036350
Bustillo A, Pimenov DY, Matuszewski M, Mikolajczyk T (2018) Using artificial intelligence models for the prediction of surface wear based on surface isotropy levels. Robot Cim-Int Manuf 53:215–227. https://doi.org/10.1016/j.rcim.2018.03.011
Oo H, Wang W, Liu ZH (2020) Tool wear monitoring system in belt grinding based on image-processing techniques. Int J Adv Manuf Technol 111:2215–2229. https://doi.org/10.1007/s00170-020-06254-1
Ho TK (1995). Random decision forests. https://doi.org/10.1007/978-0-387-30164-8_694