摘要

本文介绍了一种基于卷积神经网络（CNN）的深度学习方法，该方法通过结合切割条件作为额外的模型输入，旨在提高工具磨损估计的准确性，并满足工业应用中对零样本可转移性的需求。通过一系列在不同切割参数下的铣削实验，评估了模型的工具磨损估计精度和其对新固定或变量切割参数的转移能力。结果显示，与忽略切割条件的传统模型相比，该方法在不同切割条件下均能保持优越的性能，强调了其在工业场景中的潜在应用价值。

原理

该模型基于CNN架构，通过将K个时间序列传感器信号与H个切割参数结合，形成一个(K+H)×L维的参数信号序列输入到卷积单元中。卷积单元包含两个一维卷积层，每个层使用2N个滤波器，随后进行最大池化操作。模型通过多次重复这一过程，最终通过全局平均池化、dropout和密集层输出工具磨损的估计值。这种方法通过自动学习特征表示，克服了传统方法中复杂的特征工程挑战，显著提高了模型在不同切割条件下的适应性和准确性。

流程

模型的输入包括来自传感器的K个时间序列信号和H个切割参数。这些信号首先被处理成K×L维的信号序列和H×L维的参数序列，然后结合成(K+H)×L维的参数信号序列输入到卷积单元。经过多次卷积和池化操作后，通过全局平均池化和dropout层，最终由密集层输出工具磨损的估计值。实验中，模型在20个不同切割参数下的铣削实验中进行了验证，显示了其在固定和变量切割参数下的优越性能。

应用

该模型在工业制造中的工具磨损监测具有广泛的应用前景。通过实现零样本可转移性，模型可以在不重新训练的情况下，直接应用于新的切割参数下的工具磨损监测，有助于提高生产效率和产品质量。未来，该模型可以通过扩展切割参数空间和优化模型架构，进一步提高其性能和适应性。