論文の概要: Tool flank wear prediction using high-frequency machine data from industrial edge device

• arxiv url: http://arxiv.org/abs/2212.13905v1
• Date: Mon, 12 Dec 2022 15:23:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-01 14:25:13.597764
• Title: Tool flank wear prediction using high-frequency machine data from industrial edge device
• Title（参考訳）: インダストリアルエッジ装置からの高周波機械データを用いた工具側面摩耗予測
• Authors: D. Bilgili (1), G. Kecibas (1 and 2), C. Besirova (1 and 2), M. R. Chehrehzad (2), G. Burun (3), T. Pehlivan (1), U. Uresin (1), E. Emekli (1), I. Lazoglu (2) ((1) Ford Otosan R&D Center, Istanbul, Turkey, (2) Ko\c{c} University, Manufacturing and Automation Research Center, Istanbul, Turkey, (3) Tubitak BILGEM Information Technologies Institute, Kocaeli, Turkey)
• Abstract要約: ツールサイドの摩耗監視は、生産性と製品品質を高めながら、ダウンタイムの最小化を可能にする。 機械のフレキシブルな振動などの他のコンポーネントのために、機械から収集されたデータの限られたレベルのツール摩耗を監視することは困難になるかもしれない。 スピンドルモータ電流から限られたレベルの工具摩耗を予測し,ダイナモメーター測定を行うツール摩耗監視手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Tool flank wear monitoring can minimize machining downtime costs while increasing productivity and product quality. In some industrial applications, only a limited level of tool wear is allowed to attain necessary tolerances. It may become challenging to monitor a limited level of tool wear in the data collected from the machine due to the other components, such as the flexible vibrations of the machine, dominating the measurement signals. In this study, a tool wear monitoring technique to predict limited levels of tool wear from the spindle motor current and dynamometer measurements is presented. High-frequency spindle motor current data is collected with an industrial edge device while the cutting forces and torque are measured with a rotary dynamometer in drilling tests for a selected number of holes. Feature engineering is conducted to identify the statistical features of the measurement signals that are most sensitive to small changes in tool wear. A neural network based on the long short-term memory (LSTM) architecture is developed to predict tool flank wear from the measured spindle motor current and dynamometer signals. It is demonstrated that the proposed technique predicts tool flank wear with good accuracy and high computational efficiency. The proposed technique can easily be implemented in an industrial edge device as a real-time predictive maintenance application to minimize the costs due to manufacturing downtime and tool underuse or overuse.
• Abstract（参考訳）: ツールサイドの摩耗監視は、生産性と製品品質を高めながら、加工のダウンタイムコストを最小限に抑えることができる。 一部の工業用途では、必要な許容度を達成するために、限られたレベルの工具着用しか認められない。 機械のフレキシブルな振動などの他のコンポーネントが測定信号を支配しているため、機械から収集されたデータの限られたレベルのツール摩耗を監視することは困難になるかもしれない。 本研究では,スピンドルモータ電流とダイナモメータの測定値から工具摩耗の限られたレベルを予測するための工具摩耗モニタリング手法を提案する。 産業用エッジ装置で高周波スピンドルモータ電流データを収集し、選択された多数の穴の掘削試験において、回転ダイナモメーターで切削力とトルクを測定する。 ツール摩耗の小さな変化に最も敏感な計測信号の統計的特徴を特定するために,特徴工学を行った。 計測されたスピンドルモータ電流とダイナモメータ信号からツール側面の摩耗を予測するために、long short-term memory(lstm)アーキテクチャに基づくニューラルネットワークを開発した。 提案手法は精度が高く計算効率も高いツールサイド摩耗を予測できることが実証された。 提案手法は産業用エッジデバイスにリアルタイムの予測保守アプリケーションとして容易に実装でき、製造ダウンタイムやツール使用過多によるコストを最小限に抑えることができる。

関連論文リスト

• Deep Learning Approach for Enhanced Transferability and Learning Capacity in Tool Wear Estimation [0.18206461789819073]
  切断パラメータを考慮した工具摩耗推定のための深層学習手法を提案する。 提案手法は,伝達性と学習能力の両面で従来の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-07-01T11:49:10Z)
• Tool Wear Prediction in CNC Turning Operations using Ultrasonic Microphone Arrays and CNNs [4.0884398391117704]
  本稿では,超音波マイクロホンアレイと畳み込みニューラルネットワーク(CNN)を組み合わせたCNC回転動作におけるツール摩耗予測手法を提案する。 以上の結果から,高度な超音波センサを深層学習と統合し,精度の高い予測保守を実現する可能性が示唆された。
  論文  参考訳（メタデータ） (2024-06-13T09:36:13Z)
• Surgical tool classification and localization: results and methods from the MICCAI 2022 SurgToolLoc challenge [69.91670788430162]
  SurgLoc 2022 チャレンジの結果を示す。 目標は、ツール検出のためにトレーニングされた機械学習モデルにおいて、ツールの存在データを弱いラベルとして活用することだった。 これらの結果を機械学習と手術データ科学の幅広い文脈で論じることで結論付ける。
  論文  参考訳（メタデータ） (2023-05-11T21:44:39Z)
• Forecasting Particle Accelerator Interruptions Using Logistic LASSO Regression [62.997667081978825]
  インターロックと呼ばれる予期せぬ粒子加速器の割り込みは、必要な安全対策にもかかわらず、突然の運用変更を引き起こす。 このような中断を予測することを目的とした,単純かつ強力なバイナリ分類モデルを提案する。 このモデルは、少なくとも絶対収縮と選択演算子によって罰せられるロジスティック回帰として定式化される。
  論文  参考訳（メタデータ） (2023-03-15T23:11:30Z)
• Artificial Intelligence based tool wear and defect prediction for special purpose milling machinery using low-cost acceleration sensor retrofits [0.0]
  本稿では,加速度センサを応用して,そのような専用マシンの簡易な条件モニタリングを実現する。 ブレード摩耗, ブレード破損, 不適切な機械装着, 変速ベルト張力の不足など, 各種条件について検討した。
  論文  参考訳（メタデータ） (2022-02-07T11:02:48Z)
• Machining Cycle Time Prediction: Data-driven Modelling of Machine Tool Feedrate Behavior with Neural Networks [0.34998703934432673]
  本稿では,機械工具軸毎にニューラルネットワークモデルを構築し,データ駆動型フィードレートと加工サイクル時間予測手法を提案する。 市販加工センターにおける産業用薄肉構造部品を用いた検証試験により, 加工時間を90%以上精度で推定した。
  論文  参考訳（メタデータ） (2021-06-18T08:29:00Z)
• Automated Machine Learning Techniques for Data Streams [91.3755431537592]
  本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。 この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
  論文  参考訳（メタデータ） (2021-06-14T11:42:46Z)
• Signal Processing and Machine Learning Techniques for Terahertz Sensing: An Overview [89.09270073549182]
  テラヘルツ(THz)信号生成と放射法は、無線システムの未来を形作っている。 THz 固有の信号処理技術は、THz 帯域の効率的な利用のために、この THz センシングへの関心を補う必要がある。 本稿では,信号前処理に着目した手法の概要を示す。 また,THz帯で有望な知覚能力を探索し,深層学習の有効性についても検討した。
  論文  参考訳（メタデータ） (2021-04-09T01:38:34Z)
• Predictive Maintenance for Edge-Based Sensor Networks: A Deep Reinforcement Learning Approach [68.40429597811071]
  未計画の設備停止のリスクは、収益発生資産の予測保守によって最小化することができる。 機器に基づくセンサネットワークのコンテキストから予測機器のメンテナンスを行うために,モデルフリーのDeep Reinforcement Learningアルゴリズムを提案する。 従来のブラックボックス回帰モデルとは異なり、提案アルゴリズムは最適なメンテナンスポリシーを自己学習し、各機器に対して実行可能なレコメンデーションを提供する。
  論文  参考訳（メタデータ） (2020-07-07T10:00:32Z)
• Reinforcement Learning Approach to Vibration Compensation for Dynamic Feed Drive Systems [62.19441737665902]
  機械工具軸に適用された振動補償に対する強化学習に基づくアプローチを提案する。 本研究は, 産業機械のハードウェアと制御システムを用いた問題定式化, ソリューション, 実装, 実験について述べる。
  論文  参考訳（メタデータ） (2020-04-14T14:22:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。