Tóm tắt nội dung
Với những tiến bộ gần đây trong công nghệ số, ngành công nghiệp sản xuất cắt gọt đang nỗ lực hướng đến máy công cụ thông minh, có khả năng tự tối ưu hóa dựa trên dữ liệu. Nghiên cứu này đề xuất một phương pháp tiếp cận để kết hợp nhận thức về vật liệu và các đặc điểm riêng biệt theo lô của nó nhằm tối ưu hóa quy trình. Hệ thống sản xuất thông minh được đề xuất sử dụng hình ảnh dụng cụ cắt để đánh giá tình trạng ban đầu. Các phương pháp được đề xuất để phân đoạn ngữ nghĩa các lớp khuyết tật gặp phải trong quá trình giám sát tình trạng dụng cụ, cho phép phân tích chi tiết về sự hiện diện, vị trí và kích thước của chúng. Hơn nữa, các phương pháp mới được đề xuất để hỗ trợ quy trình chú thích hình ảnh và điều chỉnh dữ liệu đào tạo hiện có cho các cảnh mới. Trong quá trình gia công, dữ liệu kiểm soát nội bộ được sử dụng để nhận dạng lô vật liệu. Dữ liệu kiểm soát tần số cao được xử lý sơ bộ, bù lỗi và tổng hợp thành các đặc điểm. Sử dụng thuật toán phát hiện mới lạ, các lô chưa biết được xác định. Sau đó, một thuật toán phân loại được sử dụng để phân loại các lô đã biết, trong khi phương pháp phân cụm được sử dụng để phân tích các lô chưa biết. Ở bước cuối cùng, kiến thức về quy trình lịch sử được sử dụng để tính toán các thông số cắt tối ưu, do đó cho phép gia công thích ứng theo lô. Hơn nữa, các quy trình vận hành được đề xuất để tự động kết hợp các lô vật liệu có hành vi mới, cải tiến mô hình liên tục và thích ứng hiệu quả với các tình huống gia công mới.
Abstract:
With the recent advances in digital technologies, the subtractive manufacturing industry is striving for smart machine tools, capable of data-driven self-optimization. As a building block, this work proposes an approach for incorporating awareness regarding the material and its batch-specific characteristics for process optimization. The proposed smart manufacturing system utilizes cutting tool images for an initial condition assessment. Methods are proposed for the semantic segmentation of the defect classes encountered in tool condition monitoring, enabling a detailed analysis regarding their presence, location, and size. Furthermore, novel methods are proposed that support the image annotation process and the adaptation of existing training data to new scenes. During machining, internal control data is used for material batch identification. The high-frequency control data is preprocessed, error-compensated, and aggregated into features. Using a novelty detection algorithm, unknown batches are identified. Subsequently, a classification algorithm is used to classify known batches, whereas a clustering approach is used to analyze unknown batches. In a final step, historic process knowledge is used to compute optimized cutting parameters, thus enabling batch-adaptive machining. Furthermore, operational routines are proposed for the automated incorporation of material batches with novel behavior, continuous model improvement, and efficient adaptation to new machining scenarios.
Sử dụng ứng dụng Libol Bookworm quét QRCode này để mượn và đọc tài liệu)
(Lưu ý: Sử dụng ứng dụng Bookworm để xem đầy đủ tài liệu. Bạn đọc có thể tải Bookworm từ App Store hoặc Google play với từ khóa "Libol Bookworm”)