Forschung zu Algorithmen zur Vorhersage der verbleibenden Nutzungsdauer von Werkzeugen basierend auf maschinellem Lernen

Zusammenfassung Der Werkzeugverschleiß während der Bearbeitung hat erhebliche Auswirkungen auf die Qualität des Werkstücks und die Produktivität, was kontinuierliches Monitoring und genaue Vorhersagen unverzichtbar macht. In diesem Zusammenhang entwickelt die vorliegende Studie ein effizientes System zur Vorhersage des Werkzeugverschleißes, um die Produktionszuverlässigkeit zu erhöhen und die Werkzeugkosten zu senken. Es ist erwähnenswert, dass konventionelle Methoden wie Support-Vektor-Regressionsanalyse, Autoencoder, Aufmerksamkeitsmechanismen, CNNs und RNNs Einschränkungen bei der Merkmalsabstimmung und Effizienz aufweisen. Um diese Einschränkungen zu beheben, wird ein auf einem multiskalaren konvolutionalen neuronalen Netzwerk (MDCNN) basierender Algorithmus zur Vorhersage der verbleibenden Lebensdauer von Fräsern vorgeschlagen. Der Algorithmus nutzt Vorverarbeitungstechniken wie die Wavelet-Transformation und die Hauptkomponentenanalyse zur Rauschreduzierung und Merkmalsabstimmung. Anschließend extrahiert er zeitliche Datenmerkmale mithilfe von konvolutionalen Schichten verschiedener Skalen und verwendet einen Selbstaufmerksamkeitsmechanismus zur Merkmalscodierung. Die Validierung anhand des PHM2010-Datensatzes für Werkzeugverschleiß mit 10-facher Kreuzvalidierung zeigt, dass das MDCNN-Modell eine Vorhersagegenauigkeit von 97%, eine Rückrufquote von 98% und eine F1-Score von 97% erreicht. Das MDCNN-Modell verarbeitet effektiv Mehrbanddaten und erfasst komplexe zeitliche Merkmale, was seine Effizienz und Genauigkeit bei der Vorhersage des Werkzeugverschleißes und der verbleibenden Nutzungsdauer bestätigt.