机器学习和物联网驱动技术在加工过程中监测工具磨损:一项全面的综述

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

  1. 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。

  2. 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。

  3. 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。

  4. 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。
  5. 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。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/bicheng/53433.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

超越传统:Reflection 70B如何革新AI语言处理

Reflection 70B:AI语言模型的新里程碑🚀 AI领域迎来了革命性的变革,HyperWrite公司推出的开源AI大模型Reflection 70B,以其卓越的性能在多个基准测试中超越了GPT-4o和Llama 3.1。这款基于Meta的Llama 3.1 70B Instruct构建的模型…

经验笔记:DevOps

DevOps经验笔记 DevOps(Development and Operations)是一种旨在通过加强开发(Development)与运维(Operations)之间合作的文化理念、实践方法和工具集合。DevOps的目标是在软件开发生命周期中实现更高的效率…

为何iPhone 16系列的发布对苹果至关重要?

即将发布的iPhone 16系列对苹果来说将是至关重要的时刻,特别是在快速发展的AI智能手机市场背景下。随着Android制造商在集成先进AI功能方面领先一步,苹果正处于一个关键的转折点——赶上竞争对手不仅仅是选择,而是必须完成的任务。 AI竞赛&am…

ARM base instruction -- b.cs

B Branch causes an unconditional branch to a label at a PC-relative offset, with a hint that this is not a subroutine call or return. 在PC相对偏移处对标签进行无条件分支,并提示这不是子程序调用或返回。 操作码 助记符 标志 含义 0x2 …

vue-----window.open打开新窗口文件并且修改窗口标题下载文件

vue-----window.open打开新窗口文件并且修改窗口标题&&下载文件 // 下载word文件downloadFile(url, fileName) {const xhr new XMLHttpRequest();xhr.open("GET", url, true);xhr.responseType "blob";xhr.onload function () {if (xhr.status …

上交2024最新-《动手学大模型》实战教程及ppt分享!

本课介绍 今天分享一个上海交大的免费的大模型课程,有相关教程文档和Slides,目前是2.2K星标,还是挺火的! 《动手学大模型》系列编程实践教程,由上海交通大学2024年春季《人工智能安全技术》课程(NIS3353&…

传统CV算法——基于harris检测算法实现角点检测

角点 角点是图像中的一个特征点,指的是两条边缘交叉的点,这样的点在图像中通常表示一个显著的几角。在计算机视觉和图像处理中,角点是重要的特征,因为它们通常是图像中信息丰富的区域,可以用于图像分析、对象识别、3D…

如何在极狐GitLab中添加 SSH Key?

本文分享如何生成 SSH Key 并添加到极狐GitLab 中,然后用 SSH Key 进行代码拉取。 极狐GitLab 是 GitLab 在中国的发行版,可以私有化部署,对中文的支持非常友好,是专为中国程序员和企业推出的企业级一体化 DevOps 平台&#xff0…

43. 1 ~ n 整数中 1 出现的次数【难】

comments: true difficulty: 中等 edit_url: https://github.com/doocs/leetcode/edit/main/lcof/%E9%9D%A2%E8%AF%95%E9%A2%9843.%201%EF%BD%9En%E6%95%B4%E6%95%B0%E4%B8%AD1%E5%87%BA%E7%8E%B0%E7%9A%84%E6%AC%A1%E6%95%B0/README.md 面试题 43. 1 ~ n 整数中 1 …

《Transformer 模型》

一、引言 在自然语言处理领域,Transformer 模型的出现带来了革命性的变化。它以其强大的性能和并行计算能力,在机器翻译、文本生成、语言理解等众多任务中取得了显著的成果。本文将深入探讨 Transformer 模型的原理、结构、训练方法以及应用场景&#xf…

【Cesium实体创建】

提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 Cesium目录 前言一、Cesium二、点 线 实体1.点实体2.线实体 总结 前言 提示:这里可以添加本文要记录的大概内容: 例如:随着人工智能的不…

C#游戏服务器开发框架设计与架构详解

我一直在思考一个问题,什么样的服务端框架最好用,最适合? 经过这些年的项目经验,其实最好用,最适合的游戏服务端框架就是自己结合公司项目需求,团队特点与技术能力,自己整合的游戏框架是最好用的。 很多新手会担心自己整合的框架…

JS生成二维码QRCode代码

JavaScript是一种广泛使用的前端编程语言,它不仅用于网页交互,还可以实现许多实用功能,如生成二维码。本篇文章将深入探讨如何使用JavaScript生成二维码,以及如何确保这种生成的二维码在各种浏览器和手机端都能正常工作&#xff0…

找不同-第15届蓝桥省赛Scratch初级组真题第4题

[导读]:超平老师的《Scratch蓝桥杯真题解析100讲》已经全部完成,后续会不定期解读蓝桥杯真题,这是Scratch蓝桥杯真题解析第183讲。 如果想持续关注Scratch蓝桥真题解读,可以点击《Scratch蓝桥杯历年真题》并订阅合集,…

HarmonyOS 开发范式、应用模型

ArkUI框架两种开发范式: 基于ArkTS的声明式开发范式(简称“声明式开发范式”)兼容JS的类Web开发范式(简称“类Web开发范式”)。 以下是两种开发范式的简单对比: 开发范式名称 语言生态 UI更新方式 声明式开发范式…

GAMES101(0~1作业)

搭建虚拟机环境 安装Oracle VM VirtualBox虚拟机,安装虚拟硬盘,配置Linux Ubuntu-64 bit系统,启动虚拟机,发生冲突错误: 将Vmware虚拟设备取消挂起状态,关机确保 Hyper-V 完全关闭:bcdedit /se…

VirtualBox中常见的网络设置模式

1. NAT(网络地址转换) 用途:默认的网络设置。适合虚拟机需要访问外部网络(如互联网),但不需要外界直接访问虚拟机的场景。特点: 虚拟机通过主机系统的 IP 地址访问外网。主机和外网可以访问虚拟…

【Python · Pytorch】配置cuda环境 cuDNN库

【Python Pytorch】配置cuda环境 & cuDNN库 1. 查找对应版本1.1 查看Pytorch GPU目前支持版本1.1 查看Nvidia驱动版本1.2 查看支持cuda版本1.3 查看支持cuDNN版本1.3.1 cuDNN 9.0.0及以上版本1.3.2 cuDNN 9.0.0以下版本 1.4 安装版本确定 2. 安装cuda环境2.1 cuda简介2.1.…

Leetcode Hot 100刷题记录 -Day10(合并区间)

合并区间 问题描述: 以数组 intervals 表示若干个区间的集合,其中单个区间为 intervals[i] [starti,endi] 。请你合并所有重叠的区间,并返回 一个不重叠的区间数组,该数组需恰好覆盖输入中的所有区间 。 示例 1: 输入&…

【计算机网络】浏览器输入访问某网址时,后台流程是什么

在访问网址时,后台的具体流程可以因不同的网站、服务器和应用架构而异。 实际过程中可能还涉及更多的细节和步骤,如缓存处理、重定向、负载均衡等。 此外,不同的网站和应用架构可能会有不同的实现方式和优化策略。 部分特定网站或应用&#x…