Cross device milling force prediction method based on self supervised pre training and domain adaptation
Dit artikel stelt een methode voor voor het voorspellen van freeskrachten over verschillende apparaten heen, die zelfgesuperviseerde pretraining, domeinadaptatie en fine-tuning met weinig labels combineert om de trilling-kracht-mapping effectief over apparaten te transfereren ondanks verschillen in dynamische respons en een beperkt aantal gelabelde gegevens in het doeldomein, waarbij een hoge nauwkeurigheid wordt bereikt met minimale gelabelde data.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de hooggestoken wereld van de productie, waar luchtvaartcomponenten en precisiegietvormen uit massief metaal worden gesneden, is het snijgereedschap voortdurend verwikkeld in een gewelddadige, ritmische strijd tegen het werkstuk. Dit proces, bekend als frezen, is geen soepele glijvlucht maar een reeks snelle, intermitterende impacten. Terwijl de draaiende frees zich in het materiaal bijt, genereert deze een kracht die de kwaliteit van het eindproduct, de levensduur van het gereedschap en de veiligheid van de machine bepaalt. Als deze kracht te groot wordt of onvoorspelbaar fluctueert, kan het gereedschap voortijdig slijten, kan de machine gevaarlijk trillen of kan het onderdeel worden verpest. Decennialang hebben ingenieurs vertrouwd op zware, dure sensoren genaamd dynamometers om deze kracht direct te meten. Deze apparaten zijn echter moeilijk te installeren, kunnen de stijfheid van de machine veranderen en zijn vaak onpraktisch voor langdurig gebruik in een drukke fabriek. Er bestaat een aantrekkelijker alternatief: luisteren naar de trillingen van de machine. Net zoals een arts een hartconditie kan afleiden uit het ritme van een polsslag, weten ingenieurs dat de trilling van een machine gereedschap een verborgen code bevat die de snijkracht weerspiegelt. De uitdaging is echter dat elke machine anders is. Een trillingspatroon dat een specifieke kracht signaleert op de ene machine, kan er op een andere machine totaal anders uitzien door verschillen in hoe het metaal is gebouwd, waar de sensoren zijn geplaatst of hoe het signaal door de structuur reist. Dit maakt het ongelooflijk moeilijk om een computermodel op de ene machine te trainen en te verwachten dat het nauwkeurig werkt op een andere, vooral wanneer de tweede machine niet beschikt over de dure krachtsensoren die nodig zijn om het model te leren waar het naar moet kijken.
Onderzoekers aan de Xinxiang Vocational and Technical College hebben een nieuwe aanpak ontwikkeld om dit probleem op te lossen, waarbij ze een methode hebben gecreëerd die een computermodel in staat stelt om te leren hoe het snijkrachten op een nieuwe machine kan voorspellen met zeer weinig gegevens. In plaats van te proberen een model dat op één apparaat is getraind te dwingen om op een ander te werken, hebben ze een systeem gebouwd dat eerst de fundamentele taal van trillingen leert en zich vervolgens aanpast aan de specifieke machine. Het proces begint door de computer enorme hoeveelheden ruwe trillingsgegevens van zowel de originele machine als de nieuwe doelmachine te voeden. Cruciaal is dat deze initiële gegevens niet gelabeld hoeven te zijn met krachtmetingen. De computer krijgt de opdracht om een spelletje "invulteksten" te spelen, waarbij delen van het trillingssignaal worden verborgen en het model de ontbrekende stukjes moet reconstrueren op basis van de omliggende patronen. Deze zelfgesuperviseerde training stelt het model in staat om de intrinsieke ritmiek en structuur van frestrillingen te leren zonder nog de exacte krachtwaarden te hoeven kennen. Het leert wat een stabiele snede is, hoe het signaal verandert wanneer het gereedschap het materiaal raakt, en hoe verschillende frequenties met elkaar interageren, waardoor het effectief een universele woordenlijst van freisignalen opbouwt.
Zodra het model deze algemene taal heeft geleerd, is het klaar om zich aan te passen aan de specifieke machine. De onderzoekers introduceren vervolgens een kleine hoeveelheid gelabelde gegevens van de doelmachine – gegevens waarbij de trilling is gekoppeld aan de werkelijke gemeten kracht. Ze gebruiken een techniek genaamd domeinadaptatie, die werkt als een vertaler, die de geleerde kenmerken van de eerste machine afstemt op de unieke kenmerken van de tweede. Deze stap zorgt ervoor dat het model begrijpt dat een specifiek trillingspatroon op de nieuwe machine overeenkomt met dezelfde fysieke kracht, zelfs als het signaal er iets anders uitziet vanwege de unieke structuur van de machine. Ten slotte ondergaat het model een korte periode van fijnafstemming met behulp van de weinige beschikbare gelabelde monsters. Dit kalibreert de voorspelling en past de output aan om te voldoen aan de specifieke amplitude en dynamische respons van de nieuwe omgeving. Het resultaat is een systeem dat de overvloedige, ongelabelde trillingsgegevens die beschikbaar zijn op een nieuwe machine kan gebruiken en, met slechts een fractie van de gelabelde krachtgegevens, de snijkracht met hoge nauwkeurigheid kan voorspellen.
De effectiviteit van deze methode werd getest door deze te vergelijken met traditionele benaderingen. Wanneer het model alleen op de bronmachine werd getraind en direct op de doelmachine werd toegepast zonder enige adaptatie, waren de voorspellingen slecht en schoten ze vaak het doel voor met een aanzienlijke marge. Zelfs eenvoudige aanpassingen slaagden er niet in om de kloof tussen de twee verschillende machines te overbruggen. Echter, de nieuwe methode, die de zelfgesuperviseerde pre-training combineert met domeinadaptatie en fijnafstemming, toonde opmerkelijke resultaten. Op de doelmachine, waarbij slechts vijf procent van de beschikbare gegevens als gelabelde voorbeelden werd gebruikt, bereikte het model een voorspellingsnauwkeurigheid die 95,7 procent van de variatie in de werkelijke kracht verklaarde. De gemiddelde fout in de voorspelling werd verminderd tot 17,8 newtons, een precisieniveau dat wedijvert met modellen die getraind zijn op veel grotere datasets. Zelfs toen de hoeveelheid gelabelde gegevens werd teruggebracht tot slechts één procent, presteerde de methode nog steeds beter dan andere technieken en behield het een hoog niveau van betrouwbaarheid. De onderzoekers ontdekten ook dat de methode robuust bleef, zelfs wanneer de trillingssignalen vervuild waren met ruis, wat een veelvoorkomende situatie is in echte industriële omgevingen. Door zich te concentreren op de onderliggende patronen van het signaal in plaats op het memoriseren van specifieke datapunten, kon het model de statische ruis negeren en zich richten op de werkelijke snijkracht.
Dit werk demonstreert dat het mogelijk is om kennis van de ene machine naar de andere over te dragen zonder dat daarvoor elke enkele snede opnieuw met dure sensoren gemeten hoeft te worden. De studie sluit expliciet de gedachte uit dat het simpelweg dieper of complexer maken van een neuraal netwerk genoeg is om het probleem van verschillende machines op te lossen; zonder de specifieke stappen van zelfgesuperviseerd leren en domeinafstemming, neigt het model in de war te raken door de verschillen in signaalstructuur. De bevindingen suggereren dat de sleutel tot succes ligt in het aanleren van de algemene fysica van trillingen aan het model voordat het specifieke krachten wordt gevraagd te voorspellen. Door gebruik te maken van de overvloedige ongelabelde gegevens die fabrieken al hebben, en deze aan te vullen met een minimale hoeveelheid gelabelde gegevens, biedt deze aanpak een praktisch pad naar intelligente, realtime monitoring van bewerkingsprocessen. Het brengt de industrie dichter bij een toekomst waarin machines hun eigen gezondheid en prestaties kunnen monitoren zonder de last van complexe, indringende sensoropstellingen, waardoor geavanceerde productie efficiënter en toegankelijker wordt.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.