Mar, 2024

深度加工：车削机加工误差的在线预测

PDF
TL;DRDeepMachining 是一个基于深度学习的人工智能系统，用于在线预测车床加工操作中的加工误差。通过预训练深度学习模型来学习加工状态的显著特征，并通过微调预训练模型来适应具体的加工任务，我们证明了 DeepMachining 在涉及不同工件和切削工具的多项任务中具有较高的预测准确性。据我们所知，这项工作是使用预训练的深度学习模型来预测车床加工误差的最早的工厂实验之一。
发现论文，激发创造
  • 增强工具磨损估计中的迁移学习能力的深度学习方法

    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

  • CNC-Net：自主学习的 CNC 加工操作

    CNC-Net 使用深度神经网络在 CNC 制造中模拟 CNC 机器，通过输入 3D 模型生成 CNC 机器所需的操作参数，提供了低成本、高精度的替代手动 CNC 编程的自我监督框架。

    Dec, 2023

  • 基于深度学习的刀具磨损估计在考虑切削条件的情况下

    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

  • 面向焊接工艺的基于深度学习的在线质量预测系统

    这篇论文介绍了基于深度学习的预测质量系统的概念，在制造业的数字化过程中利用机器学习实现质量保证，特别针对 GMAW 焊接过程进行复杂的数据关系分析和预测质量建模。

    Oct, 2023

  • 机械工具间信息共享以提高表面质量预测

    当前，大多数表面质量预测方法只能进行单任务预测，导致数据集被低效利用、重复工作和实验成本增加。为了解决这个问题，作者提出了一种贝叶斯层次模型来预测车削加工过程中的表面粗糙度测量值。该层次模型与多个独立的贝叶斯线性回归模型进行对比，以展示部分汇集在加工环境中对预测精度和不确定性量化的好处。

    Oct, 2023

  • 使用不完备的机械知识进行制造过程加速且低成本的机器学习

    本研究提出了一种基于迁移学习的方法，通过使用大量来源于基于物理的流程模型的计算廉价的数据进行 ML 模型训练，然后在少量代价昂贵的实验数据上进行微调，从而降低了新工艺过程物理模型开发的高成本，并且该方法在 Fused Filament Fabrication 的印刷线宽建模中表现良好，减少了模型开发时间、实验成本、计算成本和预测误差。

    Apr, 2023

  • 深度学习在油田设备预测性维护中的应用

    本文探讨了用人工智能和深度学习 (特别是神经网络) 进行预测性维护、诊断和预测的新兴技术应用，开发并测试了多种神经网络结构，使用公共数据集进行了诊断和预测。在结合深度学习技术 (如主成分分析和信号处理) 进行数据处理和特征提取的同时，探讨了这些技术在油田临界设备的预测性维护中的潜在应用，以降低意外停机和维护成本。

    Jun, 2023

  • 基于人工智能的低成本加速度传感器改装用于特殊铣削机械的刀具磨损和缺陷预测

    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

  • 使用超声麦克风阵列和卷积神经网络进行数控车削加工中的刀具磨损预测

    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

  • 飞机发动机预测性维护的可解释性系统评述

    利用机器学习和深度学习模型以及传感器数据进行预测性维护，预测航空发动机故障，重点分析模型的解释性和预测准确性。

    Sep, 2023