通过混合深度学习模型推进工具磨损的实时监测

来自世纪大学的研究员Yong Ge、Hiu Hong Teo与Lip Kean Moey博士以他们的研究成果为智能制造领域做出了重大的贡献。 近期出版物国际先进制造技术杂志 (第 132 卷,第 2024 期),题为:"监测工具磨损:整合残余结构和堆叠 BiLSTM 的混合算法"。

随着数字化转型对制造业格局的重塑,准确、高效、实时地监测工具磨损(TW)已成为维持生产率和质量控制的关键。传统的监测系统在很大程度上依赖于人工特征工程,这可能会妨碍适应性和效率。

为此,世纪的研究团队开发了一个混合深度学习框架,利用残差神经网络和堆叠双向长短期记忆(SBiLSTM)模型的优势,更精确地预测刀具磨损情况,并具有更强的通用性。

研究的主要贡献

  • 多尺度特征提取:残差网络结构可从传感器融合数据中提取自适应的多尺度局部特征,从而提高信号表示的深度和精度。

  • 时间模式识别:SBiLSTM 架构可捕捉工具磨损信号中的时间序列依赖关系,从而增强对动态环境中磨损进程的预测。

  • 预测后平滑:一种新颖的平滑校正方法增强了预测稳定性,提高了 MAE 和 RMSE 分数,显示出高性能的一致性。

  • 卓越的基准测试结果:混合模型的表现优于传统机器学习和其他深度学习模型,验证了其在精密制造环境中的有效性。

这项研究证明了人工智能与机械系统之间跨学科整合的价值,支持预测性维护的发展以符合工业4.0。这也加强了世纪大学通过实际应用研究来推动创新的承诺。

这项研究支持以下联合国可持续发展目标(SDGs):

  • 可持续发展目标 9:工业、创新和基础设施--加强智能制造技术的采用。

  • 可持续发展目标 12:负责任的消费和生产--通过预测性维护提高机器效率、减少停机时间并最大限度地减少材料浪费。

传播爱