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

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

基于 Segment Anything Model，我们提出了一种高效的基于 U-Net 的刀具磨损分割方法，该方法用作自动化提示生成器以简化刀具磨损检测过程。我们的评估涵盖了三种感兴趣点生成方法，并进一步研究了训练数据集规模和 U-Net 训练强度变化对结果的影响。结果一致强调了我们方法相对于 U-Net 的优势，在数据集有限的情况下实现准确的磨损分割。这一特点突出了该方法在数据集有限的工业场景中的潜在适用性。

Jul, 2024

基于计算机视觉方法，提出了一种基于形状描述符和轮廓描述符组合的新系统，用于根据磨削过程中刀具磨损水平对插入物进行分类。实验结果表明，采用 ShapeFeat 和 BORCHIZ 方法的组合可以显著提高分类性能，在二分类中实现 91.44％的准确率，在三分类中实现 82.90％的准确率，优于单独使用任一描述符的结果。这一研究对制造业界具有积极意义，可以自动对铣削过程中的插入物进行磨损分类。

Feb, 2024

使用加速度传感器监测特殊类型的铣削机器的状态，通过有限的训练数据提出了监测工具磨损、机器故障等问题的监测和分类方案，实现工业制造过程的成本和效率的提升。

Feb, 2022

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

本文介绍了一种基于 U-Net 的语义图像分割管道，用于监测切削刀具在钻孔应用中的磨损情况，并将问题以二进制分类任务的形式加以解决。研究还考察了不同的损失函数，以及使用不同强度的图像增强技术训练图像。我们发现，最好的表现模型是使用 IoU 损失函数，在中度增强数据上训练的二进制模型。

Feb, 2023

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

利用深度学习技术和计算机视觉，本文展示了如何识别产品磨损状态，以实现更好的产品使用和研发创新，通过生命周期评估表明，对于加工工具的二氧化碳排放量减少 12％，对于旋转阴极减少 44％，这可以作为指南，鼓励研究人员利用计算机视觉开发可持续智能产品服务系统，从而实现更清洁的生产。

Mar, 2023