Background
卷积神经网络与刀具崩刃检测实验
电流信号如何反映刀具磨损
卷积网络架构
数据
超参数
网络架构图
实验结果
刀具寿命预测
数据概况和预测目标
特征和分析
模型架构
LSTM+时域统计特征
LSTM+原始信号
LSTM+FFT频域特征
CNN+logfbank频域特征
SVR+stacking
结语
Background
工业生产环境中有大量生产履历,传感器,原料质量重量参数等数据,如何利用这些数据改良生产,针对行业的痛点进行数据挖掘方案的实验以及实施,最终提高企业生产效率是一个具有建设性,大量需求性的问题。如液晶屏幕面板行业高技术含量的柔性屏生产率常在50%(该数据不绝对准确,但良率确实极低)。
同时,工业数据挖掘是个多面而复杂的问题,工业制造涉及生物化学制药,精密机械零件,电子液晶面板等等等等门类,不同行业不同需求,且不同企业不同情景下需要的方案必然不同,有些甚至需要从装传感器数据采集卡的硬件方案,NoSQL数据库等等从零做起。
其中装备的寿命预测管理是一个较为有趣且紧急的方面,如现代钢铁冶炼过程中使用的熔炼矿石提取铁的高炉,其主体以及各部分使用的零部件就是一个需要对其寿命进行严格管控的例子,若零部件超过寿命会使得产量下降,严重时发生生产事故。再如自动化生产线用于切削磨铣工件(如手机壳,ipad壳,汽车发动机轴齿等等)的刀具,有相当部分是特种合金制的昂贵的进口刀具,每把刀的寿命(加工工件次数)非硬固定的,若超过极限会使产品加工坏,或更严重的使机床主轴由于错误加工造成破损(这可能造成百万以上的损失,包括机床维修和生产产能减少)。总之,装备寿命预测管理是一个即紧迫又经济潜力丰富的课题。
而自动化机床的刀具寿命管理又是一个更为具体而情景广泛的点。例如,有些精密加工的机台刀具价值在万元人民币上下,