基于深度迁移学习的跨工况在线刀具磨损预测

随着深度学习在工业中的广泛应用,通过精确可靠的刀具剩余寿命预测,可以有效地提高刀具的利用率,进而最大程度地提高加工可靠性并降低生产成本。然而,传统的刀具磨损预测通常是在相同工况下进行,致使在工况变化后预测精度较差。针对加工条件的复杂性和多样性,提出了一种用于跨工况进行刀具磨损状态预测的方法,以实现跨工况条件下精准预测刀具磨损量。针对刀具多传感器数据提出了一种提取原始数据特征的多尺度卷积神经网络,以高效、精准提取刀具数据特征,进而使多尺度卷积神经网络和Transformer训练得到具有强泛化能力的模型。最后通过共享的参数信息在新工况的下游任务中进行预测。实验中以IEEE PHM 2010挑战数据集为源数据集,以UC Berkeley Milling数据集为目标数据集进行验证。实验结果表明,在跨工况条件下能够实现精准刀具磨损预测,证实了方法的鲁棒性和可靠性。

资料为PDF文档格式.

本文档关键词:刀具,磨损,迁移,在线,深度