Metodología y Verificación Experimental para Predecir la Vida Útil Restante de Cortadores de Fresado Basada en CNN-LSTM-Híbrido-Attention-PSA
Autores: Zhu, Mengge; Zhang, Ji; Bu, Lingfan; Nie, Sen; Bai, Yu; Zhao, Yueqi; Mei, Ning
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Metodología y Verificación Experimental para Predecir la Vida Útil Restante de Cortadores de Fresado Basada en CNN-LSTM-Híbrido-Attention-PSA
Categoría
Tecnología de Equipos y Accesorios
Subcategoría
Diseño de equipos y herramientas
Palabras clave
Predicción
Vida útil restante
Fresadoras CNC
Modelo híbrido
CNN
LSTM
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 17
Citaciones: Sin citaciones
En la fabricación moderna, la predicción de la vida útil restante (RUL) de los cortadores de fresado de control numérico por computadora (CNC) es crucial para mejorar la eficiencia de producción y la calidad del producto. Este estudio propone un modelo híbrido CNN-LSTM-Attention-PSA que combina redes neuronales convolucionales (CNN), redes de memoria a corto y largo plazo (LSTM) y mecanismos de atención para predecir la RUL de los cortadores de fresado CNC. El modelo integra la fuerza de corte, la vibración y las señales de corriente para la extracción de características multicanal durante el desgaste del cortador. Los hiperparámetros del modelo se optimizan utilizando un algoritmo de búsqueda basado en PID (PSA), y se realizaron experimentos comparativos con diferentes modelos predictivos. Los resultados experimentales demuestran el rendimiento superior del modelo propuesto en comparación con los modelos CNN, LSTM y híbridos CNN-LSTM, logrando una puntuación R del 99.42% y reduciendo MAE, RMSE y MAPE en márgenes significativos. Los resultados validan que el método propuesto tiene un valor de referencia y práctico significativo para la investigación de predicción de RUL de cortadores de fresado CNC.
Descripción
En la fabricación moderna, la predicción de la vida útil restante (RUL) de los cortadores de fresado de control numérico por computadora (CNC) es crucial para mejorar la eficiencia de producción y la calidad del producto. Este estudio propone un modelo híbrido CNN-LSTM-Attention-PSA que combina redes neuronales convolucionales (CNN), redes de memoria a corto y largo plazo (LSTM) y mecanismos de atención para predecir la RUL de los cortadores de fresado CNC. El modelo integra la fuerza de corte, la vibración y las señales de corriente para la extracción de características multicanal durante el desgaste del cortador. Los hiperparámetros del modelo se optimizan utilizando un algoritmo de búsqueda basado en PID (PSA), y se realizaron experimentos comparativos con diferentes modelos predictivos. Los resultados experimentales demuestran el rendimiento superior del modelo propuesto en comparación con los modelos CNN, LSTM y híbridos CNN-LSTM, logrando una puntuación R del 99.42% y reduciendo MAE, RMSE y MAPE en márgenes significativos. Los resultados validan que el método propuesto tiene un valor de referencia y práctico significativo para la investigación de predicción de RUL de cortadores de fresado CNC.