| Description: |
The subject of this research is deep learning methods for tool failure detection and wear estimation, with the objective being the development of models that enhance the interpretability and accuracy of monitoring. The work employed methods of machine learning, digital signal processing, and mathematical statistics. Existing monitoring methods were investigated, their limitations identified, and requirements for the models formulated. An interpretable failure detection model was developed, utilizing a modified thresholding approach for wavelet coefficients within the M-band wavelet packet transform framework to differentiate between failure types. For the task of wear estimation, a hybrid architecture was proposed, combining the M-band wavelet packet transform with a CNN-LSTM network. Experimental validation of the developed models effectiveness, conducted using data obtained under near-industrial conditions, confirmed their high accuracy and viability for implementation in predictive maintenance systems. This implementation aims to minimize downtime, optimize tool life, and prevent accidents in mechanical engineering production.
Предметом исследования являются методы глубокого обучения для обнаружения отказов и оценки износа режущего инструмента, а целью – разработка моделей, повышающих интерпретируемость и точность мониторинга. В работе применялись методы машинного обучения, цифровой обработки сигналов и математической статистики. Были исследованы существующие методы мониторинга, выявлены их ограничения и сформированы требования к моделям. Разработана интерпретируемая модель обнаружения отказов, использующая модифицированный подход к пороговой обработке вейвлет-коэффициентов в рамках M-полосного вейвлет-пакетного преобразования для дифференциации типов отказов. Для задачи оценки износа предложена гибридная архитектура, объединяющая M-полосное вейвлет-пакетное преобразование с CNN-LSTM сетью. Экспериментальная проверка эффективности разработанных моделей на данных, полученных в условиях, приближенных к промышленным, подтвердила их высокую точность и возможность внедрения в системы предиктивного обслуживания для минимизации простоев, оптимизации ресурса инструмента и предотвращения аварийных ситуаций в машиностроительных производствах. |