Asbobning yemirilishi ishlov berish jarayonlariga ta’sir qiluvchi muhim omil bo‘lib, mahsulotning sifatiga, uskunaning ishdan chiqishi va ishlab chiqarish xarajatlariga ta’sir qiladi. Ushbu maqola ma’lumotlarni oldindan qayta ishlash va asboblarning yemirilishini bashorat qilish uchun to‘lqinli qisqa muddatli xotira (WLSTM), chuqur ko‘p qatlamli perseptron (DMLP) va uzluksiz to‘lqin o‘zgarishini birlashtirgan modelni taklif qiladi. Natijalarni tekshirish mikroskopik tahlil va chekli elementlar tahlili orqali amalga oshiriladi. Tadqiqot asboblarning yemirilishini kuzatish va yemirilish jarayonini optimallashtirish uchun sun’iy intellekt (AI) usullarini, jumladan, mashinali o‘rganish va neyron tarmoqlarni o‘z ichiga oladi. Sirtning morfologik tahliliga asoslangan bo‘lib, ishlov berilgan yuzaning xarakterli parametrlari orqali asboblarning yemirilishini miqdoriy aniqlashda tezkor yarim onlayn asboblarning yemirilishini nazorat qilish usuli joriy etildi. Ommaviy ishlab chiqarish muhitida asboblarning yemirilishini baholash uchun tasvirni olish va qayta ishlash usullari qo‘llaniladi.
Tayanch iboralar: asbobning yemirilishini nazorat qilish, ishlov berish jarayonlari, sun’iy intellekt usullari, sirt morfologik tahlili, to‘lqinli muddatli xotira, ko‘p qatlamli perseptron, uzluksiz to‘lqinli transformatsiya, jarayonni bashorat, ishlab chiqarish samaradorligi.
Износ инструмента является критическим фактором, влияющим на процессы обработки, влияющим на качество деталей, время простоя оборудования и производственные затраты. В этой статье предлагается модель, которая сочетает в себе вейвлет-долговременную память (WLSTM), глубокий многослойный персептрон (DMLP) и непрерывное вейвлет-преобразование для предварительной обработки данных и прогнозирования износа инструмента. Исследование сосредоточено на поздней стадии износа с использованием операции многоосного шлифования для имитации условий искусственного износа инструмента. Проверка осуществляется посредством микроскопического анализа, измерений технологических сил и анализа методом конечных элементов. В исследовании используются методы искусственного интеллекта (ИИ), в том числе машинное обучение и нейронные сети, для мониторинга износа инструмента и оптимизации процесса износа. Представлен метод быстрого полуонлайн-мониторинга износа инструмента, основанный на морфологическом анализе поверхности, позволяющий количественно оценить износ инструмента по характерным параметрам обработанной поверхности. Методы захвата и обработки изображений используются для оценки износа инструмента в универсальной производственной среде.
Ключевые слова: мониторинг износа инструмента, процессы обработки, методы искусственного интеллекта, морфологический анализ поверхности, вейвлет-долговременная память, глубокий многослойный перцептрон, непрерывное вейвлет-преобразование, прогнозное обслуживание, эффективность производства.
