基于深度学习的刀具磨损估计在考虑切削条件的情况下

Jul, 2024

基于深度学习的刀具磨损估计在考虑切削条件的情况下

Deep Learning Based Tool Wear Estimation Considering Cutting Conditions

Zongshuo Li, Markus Meurer, Thomas Bergs

TL;DR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。

Abstract

tool wear conditions impact the final quality of the workpiece. In this study, we propose a deep learning approach based on a convolutional neural network that incorporates →

tool wear conditions deep learning approach convolutional neural network cutting conditions tool wear estimation accuracy

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

基于 Segment Anything 模型的高效切削工具磨损分割

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

基于局部纹理的在线、自动和低成本的刀具磨损监测系统

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

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

基于全卷积网络的数字图像处理下的模具磨损分割在冲裁过程中的应用

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

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

基于数据驱动的贝叶斯正则化人工神经网络预测工具磨损

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

基于 k 近邻的模型不可知方法在铣削中的刀具维护中进行明智决策

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

钻孔刀具磨损检测中基于语义图像分割的数据增强和损失函数评估

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

深度加工：车削机加工误差的在线预测

DeepMachining 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。

Mar, 2024