摘要：为提高机床刀具磨损故障诊断精度,借助三轴加速度传感器采集机床刀具磨损振动数据,并以此为基础,提出一种基于长短时记忆网络与多尺度卷积神经网络集成的机床刀具故障诊断算法,挖掘机床刀具在不同故障模式下的空时域多尺度特征,实现机床刀具磨损状态的精准识别。同时,为满足实际产线对故障诊断的高实时性要求,设计一种适用于机床刀具故障诊断的云边端协同架构,通过底层产线、边缘节点与工业云平台的高效协同,实现机床刀具故障的及时预警。研究结果表明,所提云边端协同的机床刀具故障智能诊断系统可实现机床刀具磨损状态的精准识别,同时可缩短故障诊断任务的完成时间。

摘要：目前,生产加工流程正向着智能化迈进,设备的故障诊断及预测性维护在保障企业生产效率,降低生产成本方面起着至关重要的作用。刀具作为数控机床的切削工具,其实时健康状态直接影响着机床的加工效率和产品质量。对刀具磨损状态的精准监测有助于避免因刀具失效导致的产品质量问题。基于此背景,研究一种基于深度学习的刀具故障诊断方法,将高效通道注意力应用到多尺度卷积神经网络中,提出基于多尺度-高效通道注意力网络的刀具故障诊断方法,利用通道特征学习将机床主轴不同方向的振动信号进行自适应的特征融合,从而提升刀具磨损状态诊断精度。此外,设计刀具磨损试验平台,用于采集符合实际生产的数据,在实际生产场景中验证所提算法的性能。试验结果表明,所提出方法较多尺度网络的刀具故障诊断准确率提高4.47%。