这篇论文的标题是《Machine-Learning and Internet-of-Things-Driven Techniques for Monitoring Tool Wear in Machining Process: A Comprehensive Review》，由 Sudhan Kasiviswanathan、Sakthivel Gnanasekaran、Mohanraj Thangamuthu 和 Jegadeeshwaran Rakkiyannan 四位作者共同撰写。论文发表在《Journal of Sensors and Actuator Networks》2024年第13卷，编号为53。
摘要
- 论文讨论了工具状态监测（Tool Condition Monitoring, TCM）系统在工业4.0制造领域的重要性。
- TCM系统通过传感器和监测技术快速识别和诊断数控机床（CNC）的工具磨损、缺陷和故障。
- 论文强调了TCM在制造业中的关键作用，并概述了TCM数据处理和分析的挑战。
- 论文探讨了各种TCM系统，包括切削力、声发射、振动和温度监测系统。
- 论文还探讨了将工业物联网（Industrial Internet of Things, IIoT）和机器学习（Machine Learning, ML）整合到CNC机床TCM系统中的可能性。
关键词
- 工具状态监测
- 工业物联网
- 机器学习
- 工业4.0
- CNC车削过程
- 信号处理
主要内容
-
引言：介绍了未来工业的转变，强调了先进的传感器技术、嵌入式系统、机器学习和云计算技术在制造系统中的作用。
-
TCM系统的发展：从1950年代的早期监测工具磨损概念到1970年代数控机床的出现，再到1980年代传感器和信号处理技术的引入，以及2000年代机器学习和早期物联网概念的进步。
-
数据采集：讨论了TCM中使用的直接和间接监测方法，包括视觉检测、热成像、光学显微镜、激光位移传感器、电容和电感传感器、超声波传感器、电流监测和力监测等。
-
TCM信号和数据处理：
- 信号处理：包括预处理、滤波、信号分段和特征处理。
- 特征提取：从时间域、频率域和时频域提取特征。
- 降维：减少特征数量，提高分类模型的效率和准确性。
-
机器学习和深度学习在TCM系统中的应用：
- 机器学习：使用统计和计算技术预测设备故障，优化维护计划。
- 深度学习：使用多层神经网络模型处理序列数据和时间序列，如预测工具磨损。
4.1. Machine Learning for TCM
机器学习在TCM中的应用利用了先进的统计和计算技术来预测设备故障、优化维护计划，并提高整体生产效率。机器学习模型通过从历史数据和实时传感器输入中学习，能够更准确地分类工具状态、估计剩余工具寿命，并预测未来的工具故障。
-
数据预处理：数据收集后，进行标记、归一化、去噪，以准备用于测试和训练。
- 模型选择：通过应用不同的机器学习模型，识别出最佳的分类器。
- 算法类型：包括决策树、支持向量机（SVM）、随机森林（RF）、k-最近邻（KNN）、神经网络等。
4.2. Deep-Learning Models for TCM
深度学习是机器学习的一个子集，它使用具有多个层的人工神经网络来模拟数据中的复杂模式。深度学习模型能够自动从原始数据集中学习代表性特征，而无需人工选择和分配特征。
- 自动特征学习：深度学习模型能够自动映射输入信号和输出条件之间的关系，通过多层网络学习数据中的模式。
- 数据挑战：深度学习在TCM中的应用面临的一个主要挑战是缺乏大型、标记过的数据集。为了克服这一限制，研究提出了数据增强、合成数据生成、迁移学习、少样本学习和半监督学习等方法。
4.3. Transfer Learning Models for TCM
迁移学习可以减少从头开始训练新模型的计算成本，因为预训练模型已经学习了数据的一些基本特征和模式。这种方法可以在新任务上更快、更准确地学习，从而实现更有效和高效的优化。
- 预训练模型：利用在大型数据集上预训练的深度神经网络，如AlexNet、GoogLeNet和ResNet-50，来提高TCM的性能。
4.4. Long Short-Term Memory Networks
长短期记忆（LSTM）网络是特别适合处理序列数据和时间序列任务的循环神经网络（RNN）类型，如预测加工过程中的工具磨损。
- 实时分析：LSTM网络能够实时分析主轴电流等数据，准确评估工具磨损范围。
4.5. Scalability of ML Algorithms
在工业环境中，机器学习算法的可扩展性对于成功部署TCM系统至关重要，尤其是在数据量大、设备众多的情况下。
- 分布式计算：使用如Apache Hadoop和Apache Spark等分布式计算框架，可以并行处理大型数据集。
- 云计算平台：AWS、Azure和Google Cloud等云平台提供了可扩展的基础设施，根据工作负载需求动态分配资源。
4.6. Comparative Analysis of Algorithms for TCM
不同机器学习算法在TCM中的应用具有独特的性能准确性，需要根据性能指标和要求进行选择。
- 性能指标：包括准确性、计算效率、对噪声的鲁棒性、实时适用性等。
- 算法比较：比较了SVM、决策树、随机森林、KNN、CNN、LSTM等算法的性能。
-
结论
机器学习和深度学习技术在TCM系统中的应用，通过提供实时监测和数据驱动的决策支持，显著提高了制造业的效率和精度。随着技术的不断进步，未来的TCM系统将更加智能和高效，能够更好地适应不断变化的制造环境和需求。
6. 工业物联网及其在现代TCM中的应用：
- IoT结构：介绍了四层IIoT架构，包括感知层、数据获取层、网络层、处理层和应用层。
- 互操作性：讨论了不同设备和传感器之间的兼容性和数据交换。
5.1. IoT Structures for TCM
工业物联网（IIoT）技术的快速发展为工业领域带来了革命性的变化，特别是在智能制造和智能工厂环境中。IIoT技术的发展为工业领域带来了显著的机遇，包括实现智能工厂和智能制造。
- IIoT架构：一般采用四层IIoT架构，包括感知层、数据获取层、网络层、处理层和应用层。
- 感知层：基础层，负责使用各种传感器从物理环境中收集数据，如温度、压力、振动和机器性能指标。
- 数据获取层：关键角色是提供准确、实时的机器和过程操作状态信息。
- 网络层：负责将信息从传感器安全地传输到云端或本地服务器，使用如Wi-Fi、Ethernet、5G或MQTT等通信协议。
- 处理层：在云端或边缘服务器中处理数据，使用高级分析和机器学习算法提取有意义的见解。
- 应用层：利用处理层生成的见解来驱动决策制定和控制操作，执行实时机器调整、优化生产计划或触发维护警报。
5.2. Interoperability of IoT Devices
在工业环境中，不同的设备将被用来收集实时工具状态数据。因此，互操作性对于创建一个统一的TCM系统至关重要，该系统可以无缝集成不同的传感器和设备。
- 标准化：数据格式和通信协议的标准化对于确保设备之间的兼容性至关重要。
- 中间件：作为中介，处理数据转换和通信，确保不同设备和谐工作。
5.3. Edge and Fog Computing
边缘计算和雾计算在现代化TCM系统中至关重要，特别是在未来工业的背景下。
- 边缘计算：将计算和数据存储更接近数据源，如传感器和机器，从而减少延迟和带宽使用。
- 雾计算：将云扩展到边缘，创建分布式计算基础设施，雾节点可以聚合来自多个边缘设备的数据，执行中间处理，并将精炼的数据转发到云端。
5.4. Possibilities of Industrial IoT Application
工业物联网的应用目的是充分利用切削工具的潜力，防止故障。
- 虚拟加工：通过模拟加工过程，制造商可以在没有物理试验的情况下建模和分析加工操作。
- 实时监测：集成虚拟机与实时数据和先进的机器学习模型，可以创建高度适应性和高效的制造过程。
5.5. Virtual Machining and Its Application
虚拟加工是现代制造的关键方面，提供了加工过程的数字模拟。
- 数字孪生：创建加工环境的数字孪生，包括工件、工具和机床动力学。
- 模拟：通过模拟，制造商可以预测工具磨损、表面光洁度和潜在缺陷等结果。
IIoT技术在TCM系统中的应用，通过提供实时监测、预测性维护和优化，显著提高了制造和加工操作的生产力、效率和成本效益。随着技术的不断发展，新的IoT基础TCM系统的方法和理念正在被提出和发展，这些技术使得实时监测、预测性维护和优化成为可能，从而提高了制造业的生产力和效率。
7.虚拟加工及其应用：虚拟加工提供了数字模拟的加工过程，允许制造商在没有物理试验的情况下建模和分析加工操作。
8.挑战和前景：讨论了创建适用于CNC机床的工业级TCM系统所面临的挑战，包括传感器集成、数据准确性、系统效率和准确性、以及经济可行性。
9.结论：总结了TCM在现代制造业中的关键作用，并强调了持续研究的必要性，以解决传感器集成、数据处理、网络安全和经济可行性方面的挑战。
作者贡献
- 概念化、方法论、软件、验证、形式分析、调查、资源、数据整理、原稿撰写、审稿和编辑、可视化、监督等方面均有涉及。
术语表
- 包括了AE（声发射）、CNC（计算机数控）、IIoT（工业物联网）、ML（机器学习）、FFT（快速傅里叶变换）等术语的定义。
参考文献
- 论文列出了一系列参考文献，涵盖了TCM、传感器技术、信号处理、机器学习和IIoT等相关领域的研究。
)
