基于深度学习的刀具破损检测
机器学习
2018-08-17 v1 机器学习
摘要
在制造中，钢及其他金属主要由计算机数控(CNC)机床在加工过程中切削成形。为保持加工过程的高生产率与高效率，工程师需监控CNC机床的实时过程及刀具的寿命管理。在实际制造过程中，刀具破损通常毫无征兆地发生，该问题多年来严重影响加工过程。既往研究提出多种不同方法以监测与检测刀具破损。然而，学术实验与复杂实际加工过程之间仍存在较大差距，如实时检测的高要求、数据采集与传输的困难。本工作中，我们采用主轴电流法检测刀具破损，其具有实时监控性能好、成本低、易安装的优点。我们通过刀具磨损过程分析铣床主轴电流特征，随后用卷积神经网络(CNN)预测刀具破损状态。此外，我们用BP神经网络理解CNN的可靠性。结果表明，我们的CNN方法能以93%准确率检测刀具破损，而BP的最佳表现为80%。
引用
@article{arxiv.1808.05347,
title = {Tool Breakage Detection using Deep Learning},
author = {Guang Li and Xin Yang and Duanbing Chen and Anxing Song and Yuke Fang and Junlin Zhou},
journal= {arXiv preprint arXiv:1808.05347},
year = {2018}
}
备注
6 pages,BCD2018