Data-driven tool wear prediction in milling, based on a process-integrated single-sensor approach

要約

機械加工における生産性を維持し、コストを最小限に抑えるには、正確な工具摩耗予測が不可欠です。
ただし、工具摩耗プロセスの複雑な性質により、信頼性の高い予測を達成するには大きな課題が生じます。
この研究では、工具の摩耗を予測するためのデータ駆動型の方法、特にディープラーニングを調査します。
従来のデータ駆動型のアプローチは、多くの場合、単一のプロセスに焦点を当てており、マルチセンサーのセットアップと広範なデータ生成に依存しており、新しい設定への一般化が制限されています。
さらに、マルチセンサーの統合は、産業環境では現実的でないことがよくあります。
これらの制限に対処するために、この研究では、2 つのプロセスにわたって検証された最小限のトレーニング データを使用して、予測モデルの移行可能性を調査します。
さらに、単一の加速度センサーによるシンプルなセットアップを使用して、転移学習を介して他のプロセスへのモデルの一般化を容易にする低コストのデータ生成アプローチを確立します。
この研究では、畳み込みニューラル ネットワーク (CNN)、長短期記憶ネットワーク (LSTM)、サポート ベクター マシン (SVM)、決定木など、特徴ベクトルや短時間フーリエなどのさまざまな入力形式でトレーニングされたいくつかの機械学習モデルを評価します。
変換(STFT)。
モデルのパフォーマンスは、データセットが大幅に削減されたシナリオなど、さまざまな量のトレーニング データで評価され、制約されたデータ条件下でのモデルの有効性についての洞察が得られます。
この結果は、効果的な工具摩耗予測のための特定のモデルと構成の可能性を実証し、機械加工におけるより適応性のある効率的な予知保全戦略の開発に貢献します。
特に、ConvNeXt モデルは並外れたパフォーマンスを備えており、摩耗するまで稼働した 4 つのフライス工具のみのデータを使用して、工具摩耗の特定において 99.1% の精度を達成しました。

要約(オリジナル)

Accurate tool wear prediction is essential for maintaining productivity and minimizing costs in machining. However, the complex nature of the tool wear process poses significant challenges to achieving reliable predictions. This study explores data-driven methods, in particular deep learning, for tool wear prediction. Traditional data-driven approaches often focus on a single process, relying on multi-sensor setups and extensive data generation, which limits generalization to new settings. Moreover, multi-sensor integration is often impractical in industrial environments. To address these limitations, this research investigates the transferability of predictive models using minimal training data, validated across two processes. Furthermore, it uses a simple setup with a single acceleration sensor to establish a low-cost data generation approach that facilitates the generalization of models to other processes via transfer learning. The study evaluates several machine learning models, including convolutional neural networks (CNN), long short-term memory networks (LSTM), support vector machines (SVM) and decision trees, trained on different input formats such as feature vectors and short-time Fourier transform (STFT). The performance of the models is evaluated on different amounts of training data, including scenarios with significantly reduced datasets, providing insight into their effectiveness under constrained data conditions. The results demonstrate the potential of specific models and configurations for effective tool wear prediction, contributing to the development of more adaptable and efficient predictive maintenance strategies in machining. Notably, the ConvNeXt model has an exceptional performance, achieving an 99.1% accuracy in identifying tool wear using data from only four milling tools operated until they are worn.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google