基于单传感器方法的铣削工具磨损数据驱动预测

准确的工具磨损预测对于维持加工生产力和最小化成本至关重要。然而，工具磨损过程的复杂性对实现可靠预测构成重大挑战。本研究探索了数据驱动方法，特别是深度学习，用于工具磨损预测。传统数据驱动方法通常关注单个工艺，依赖多传感器 setup 和大量数据生成，这限制了对新环境的泛化。此外，多传感器集成在工业环境中往往不实用。为解决这些限制，本研究研究了使用最小训练数据进行预测模型可迁移性，在两个工艺中进行验证。此外，它使用简单的单加速度传感器 setup 以建立低成本的数据生成方法，以促进模型通过迁移学习对其他工艺的泛化。本研究评估了包括基于变换器结构的卷积神经网络（CNN）、长短期记忆网络（LSTM）、支持向量机（SVM）和决策树在内的多种机器学习模型，这些模型在不同的输入格式上进行训练，如特征向量和短时傅里叶变换（STFT）。在两台机器上以及不同训练数据量的情况下，对模型的性能进行评估，包括显著减少数据集的情况，为在受限数据条件下模型的有效性提供了见解。结果表明，特定模型和配置可用于有效的工具磨损预测，为开发更具适应性和效率的预测性维护策略在加工中做出贡献。值得注意的是，ConvNeXt 模型在仅使用来自四把磨削工具的数据即可实现 99.1% 的准确率进行工具磨损识别。