通过深度学习方法估计刀具磨损，在考虑切削参数的情况下，通过铣削实验评估模型的准确性和传递性，结果表明该方法在传递性和快速学习能力方面优于传统方法。

Jul, 2024

通过在卷积神经网络中引入切削条件作为额外的模型输入，本研究提出了一种基于深度学习的方法，旨在提高刀具磨损估计的准确性，并满足工业对零射击传递能力的需求，通过一系列铣削实验评估模型的性能，结果一致强调我们方法的优势，无论磨损发展的稳定性还是训练数据集的限制如何，其性能都优于省略切削条件的传统模型，这一发现凸显了其在工业场景中的潜在应用性。

Jul, 2024

本文介绍了一种新颖的方法来预测数控车削中的刀具磨损，该方法结合了超声麦克风阵列和卷积神经网络 (CNN)。利用波束形成技术增强 0 kHz 到 60 kHz 的高频声发射信号与噪声之比，然后通过 CNN 分析处理后的声学数据，预测切削工具的剩余可用寿命 (RUL)。经过训练并使用单个硬质合金插入切削的 350 个工件的数据，该模型能够准确预测硬质合金插入切削的 RUL。我们的结果展示了将先进的超声传感器与深度学习相结合在数控加工的准确预测性维护任务中的潜力。

Jun, 2024

通过利用计算机视觉和机器学习，基于切削刀具的磨损程度，我们提出了一种在线、低成本、快速的方法来确定边缘轮廓铣削过程中使用的切削工具是否可用或可丢弃。

Feb, 2024

采用贝叶斯正则化人工神经网络的数据驱动模型精确预测铣削刀具磨损，并在实验研究中表明其在准确性和可靠性方面优于现有的现有模型。

Nov, 2023

在本研究中，通过开发成本有效的数据采集系统（DAS），结合小波、微分计算和信号处理的概念，开发了一种特征工程和数据缩减方法，然后提出了在开发预测模型时需要考虑的所有必要理论和实践因素。DAS 在与专业手动监测系统相比的准确率达到了 89%，在预测过程中，SVM 和 NN 的准确率超过了 95%，在测试新样本时达到了 100%。此研究的结果可立即应用于中小型工业领域，以发现其他问题并相应地进行发展，对于自动化故障检测与诊断领域具有重要意义。

Jan, 2024

这篇研究论文提出了基于 KNN 的白盒子模型，通过深入分析模型的分类过程和特征优先级，帮助制造商了解工具的特定状态，使其能够做出知情的维护决策。

Oct, 2023

本研究分析了制造测试台的四个传感器数据集，评估了若干传统和基于机器学习的时间序列预测模型的性能，并通过从高数据速率传感器中执行转移学习来对缺乏数据的传感器进行缺陷类型分类，因此为实现预测维护铺平了道路。

Jun, 2022

工具磨损、磨损监测系统、冲压工艺、时间序列、深度学习算法

Oct, 2023

通过物联网设备获取工业设备退化现象的数据，并设计数据驱动模型进行异常检测，为建立预测性维护策略提供初步步骤。在研究中，通过组合低计算成本的预处理技术和机器学习模型，展示了一个用于泵、压缩机、风扇和其他工业机器中感应电机的异常检测系统。利用快速傅里叶变换 (FFT)、小波变换 (WT) 和分箱等预处理技术从原始数据中提取特征，通过多目标优化和分析选择表现最佳的模型，并验证了终端到终端的解决方案。

Oct, 2023