刀具磨损状态的多步向前智能预测

TG71%TH117.1; 刀具状态的准确监测对于提高切削加工质量和加工效率至关重要.在当前广泛用于刀具磨损状态监测的间接法中,多以单步或短期预测为主,没有实现多步预测,且累积误差较大.高斯过程是间接法中应用较多的一种机器学习方法,然而传统的高斯过程回归由于模型结构和算法的限制,对刀具磨损预测的精度不高.针对上述不足,提出了改进的自回归递归高斯过程模型对刀具磨损进行多步预测.为了减小预测累积误差,在模型训练中应用了改进的模型更新方式、组合核函数,对样本设置了遗忘因子,在预测中加入了偏差校正方法.研究了各个改进因素对模型的影响并综合所有有利因素,实现了较准确的刀具磨损状态多步预测,在3个测试集上...

Full description

Saved in:
Bibliographic Details
Published in计算机集成制造系统 Vol. 30; no. 9; pp. 3038 - 3049
Main Authors 朱锟鹏, 黄称意, 李俊
Format Journal Article
LanguageChinese
Published 中国科学院合肥物质科学研究院智能机械研究所先进制造技术研究中心,江苏 常州 213164 30.09.2024
武汉科技大学机械自动化学院,湖北 武汉 430081%中国科学院合肥物质科学研究院智能机械研究所先进制造技术研究中心,江苏 常州 213164
Subjects
递归
Gaussian process
多步预测
multi-step prediction
刀具状态监测
tool condition monitoring
高斯过程
recurrent
Online AccessGet full text
ISSN1006-5911
DOI10.13196/j.cims.2023.0575

Cover

Abstract TG71%TH117.1; 刀具状态的准确监测对于提高切削加工质量和加工效率至关重要.在当前广泛用于刀具磨损状态监测的间接法中,多以单步或短期预测为主,没有实现多步预测,且累积误差较大.高斯过程是间接法中应用较多的一种机器学习方法,然而传统的高斯过程回归由于模型结构和算法的限制,对刀具磨损预测的精度不高.针对上述不足,提出了改进的自回归递归高斯过程模型对刀具磨损进行多步预测.为了减小预测累积误差,在模型训练中应用了改进的模型更新方式、组合核函数,对样本设置了遗忘因子,在预测中加入了偏差校正方法.研究了各个改进因素对模型的影响并综合所有有利因素,实现了较准确的刀具磨损状态多步预测,在3个测试集上预测误差分别降低了 85.68％,20.67％和 63.32％.
AbstractList TG71%TH117.1; 刀具状态的准确监测对于提高切削加工质量和加工效率至关重要.在当前广泛用于刀具磨损状态监测的间接法中,多以单步或短期预测为主,没有实现多步预测,且累积误差较大.高斯过程是间接法中应用较多的一种机器学习方法,然而传统的高斯过程回归由于模型结构和算法的限制,对刀具磨损预测的精度不高.针对上述不足,提出了改进的自回归递归高斯过程模型对刀具磨损进行多步预测.为了减小预测累积误差,在模型训练中应用了改进的模型更新方式、组合核函数,对样本设置了遗忘因子,在预测中加入了偏差校正方法.研究了各个改进因素对模型的影响并综合所有有利因素,实现了较准确的刀具磨损状态多步预测,在3个测试集上预测误差分别降低了 85.68％,20.67％和 63.32％.
Abstract_FL Accurate monitoring of tool condition is crucial for improving machining quality and efficiency.In the cur-rent widely used indirect methods for tool wear monitoring,the single-step or short-term predictions are predomi-nant,without achieving multi-step prediction and suffering from significant cumulative errors.Gaussian process is a machine learning method commonly applied in indirect methods.However,traditional Gaussian process regression has limited accuracy in tool wear prediction due to model structure and algorithm constraints.To address these shortcomings,an improved autoregressive recursive Gaussian process model was proposed for multi-step prediction of tool wear.To reduce cumulative prediction errors,the improved model updating methods and the composite ker-nel functions were applied to set forgetting factor for samples during model training.Additionally,a bias correction method was incorporated in the prediction process.The effects of each improvement factor on the model were stud-ied,and the accurate multi-step prediction of tool wear state was achieved by combining all favorable factors.The prediction errors reduced by 85.68％,20.67％and 63.32％on three test sets respectively.
Author 黄称意
李俊
朱锟鹏
AuthorAffiliation 中国科学院合肥物质科学研究院智能机械研究所先进制造技术研究中心,江苏 常州 213164;武汉科技大学机械自动化学院,湖北 武汉 430081%中国科学院合肥物质科学研究院智能机械研究所先进制造技术研究中心,江苏 常州 213164
AuthorAffiliation_xml – name: 中国科学院合肥物质科学研究院智能机械研究所先进制造技术研究中心,江苏 常州 213164;武汉科技大学机械自动化学院,湖北 武汉 430081%中国科学院合肥物质科学研究院智能机械研究所先进制造技术研究中心,江苏 常州 213164
Author_FL LI Jun
HUANG Chengyi
ZHU Kunpeng
Author_FL_xml – sequence: 1
  fullname: ZHU Kunpeng
– sequence: 2
  fullname: HUANG Chengyi
– sequence: 3
  fullname: LI Jun
Author_xml – sequence: 1
  fullname: 朱锟鹏
– sequence: 2
  fullname: 黄称意
– sequence: 3
  fullname: 李俊
BookMark eNotj8tKAzEYRrOoYK19AF9ByPj_ySSZLKV4g4IbXZfMTEYadApGUbqqWEErBV3ajeAF3LhUQfBxZkbfwgFdfZzNOXwLpJEPckvIEkKAHLVccUHSP_ABA8YDEEo0SBMBJBUacZ60ve_HNQrJlRBNQovLUXHxUT2-lNP7avJejs6q2bh4mpWvz8XNbXE1Le8-v8-_fh7G5dv1IpnLzL637f9tkd31tZ3OJu1ub2x1VrvUI4iQWmZSZSKQSloe8SyKYs1ijI1GLlMAmyiDOmFMCQCutRUQmtQoxRgImWW8RZb_vCcmz0y-13OD48O8Lvacdy4ZDk-P6n8haICQ_wKXX1Z3
ClassificationCodes TG71%TH117.1
ContentType Journal Article
Copyright Copyright © Wanfang Data Co. Ltd. All Rights Reserved.
Copyright_xml – notice: Copyright © Wanfang Data Co. Ltd. All Rights Reserved.
DBID 2B.
4A8
92I
93N
PSX
TCJ
DOI 10.13196/j.cims.2023.0575
DatabaseName Wanfang Data Journals - Hong Kong
WANFANG Data Centre
Wanfang Data Journals
万方数据期刊 - 香港版
China Online Journals (COJ)
China Online Journals (COJ)
DatabaseTitleList
DeliveryMethod fulltext_linktorsrc
DocumentTitle_FL Multi-step forward intelligent prediction of tool wear condition
EndPage 3049
ExternalDocumentID jsjjczzxt202409004
GroupedDBID 2B.
4A8
92I
93N
ALMA_UNASSIGNED_HOLDINGS
CDYEO
PSX
TCJ
ID FETCH-LOGICAL-s1054-e2ad7a80676e383f88b92b1ba9136d00ec7a19c227500399e504ada7722056ff3
ISSN 1006-5911
IngestDate Thu May 29 04:00:06 EDT 2025
IsPeerReviewed true
IsScholarly true
Issue 9
Keywords 递归
Gaussian process
多步预测
multi-step prediction
刀具状态监测
tool condition monitoring
高斯过程
recurrent
Language Chinese
LinkModel OpenURL
MergedId FETCHMERGED-LOGICAL-s1054-e2ad7a80676e383f88b92b1ba9136d00ec7a19c227500399e504ada7722056ff3
PageCount 12
ParticipantIDs wanfang_journals_jsjjczzxt202409004
PublicationCentury 2000
PublicationDate 2024-09-30
PublicationDateYYYYMMDD 2024-09-30
PublicationDate_xml – month: 09
  year: 2024
  text: 2024-09-30
  day: 30
PublicationDecade 2020
PublicationTitle 计算机集成制造系统
PublicationTitle_FL Computer Integrated Manufacturing Systems
PublicationYear 2024
Publisher 中国科学院合肥物质科学研究院智能机械研究所先进制造技术研究中心,江苏 常州 213164
武汉科技大学机械自动化学院,湖北 武汉 430081%中国科学院合肥物质科学研究院智能机械研究所先进制造技术研究中心,江苏 常州 213164
Publisher_xml – name: 中国科学院合肥物质科学研究院智能机械研究所先进制造技术研究中心,江苏 常州 213164
– name: 武汉科技大学机械自动化学院,湖北 武汉 430081%中国科学院合肥物质科学研究院智能机械研究所先进制造技术研究中心,江苏 常州 213164
SSID ssib006563755
ssib023646381
ssib001102950
ssib051375755
ssib023167363
ssib036438063
ssib000459500
ssib002258428
Score 2.442405
Snippet TG71%TH117.1;...
SourceID wanfang
SourceType Aggregation Database
StartPage 3038
Title 刀具磨损状态的多步向前智能预测
URI https://d.wanfangdata.com.cn/periodical/jsjjczzxt202409004
Volume 30
hasFullText 1
inHoldings 1
isFullTextHit
isPrint
link http://utb.summon.serialssolutions.com/2.0.0/link/0/eLvHCXMwnV3NaxQxFB9Ke_EiFhW_KWhOZWsm85V3TLqzFLFebKG3MjM7qxZcwW5B9lSxgh8U9Ggvgh_gxaMKgn_ObvW_8L032d3R7qEKy5JN8l5efi-TvDebvHjeNZXldF4ybKD1naGDkpcNXVJ47awtIW9nYZtf6K_eilfWwxsb0cbM7Hxt19JOL18q-lPPlfyPVjEP9UqnZP9Bs2OmmIFp1C9-o4bx-1g6FmkktKbNCpSIhE1EmggTCKNFGgvdFNCiHG2EjTlHouVIOWCEDonKhJTGItMUJqIckAJ8ZgjEAYsAhMU62FAgLOaAMIrJY2Gxmq0buFTNpMJwK5iAhDksMwcQYIWuJNHUUCU_yQYkm5FEZbEVywmL8o9GxIiNz2xC7hnKhXS1KkA0JBm2jfSSWwr_qIJcmkKnIg2FbSEy9dceKhzt0XADlWtpwoaAsdx7Zl0hRJix7MCQVOBhhwgqxXAmhKIByrEhq-UoeUL9hkpocGA4hkexH2MZUwUrp5HHrLrRoKjkwb6i_FPwjml0aOk4m9Y0hjUQCLMAn0tWvs9aQNkQ9NYiF2v6pDwUIV1UfuBX4ePdwkdvliJwC59bGR3e1QwAtWUO7R5dM5nor9qpyzHN77weF_fuU2x8FSyRfzCxPcY7Qre2t7aKfv9Rj3QtgUP8zil0_eSsN2eaqzdv150QiGpBJdGAVRDVT3OjUV1zqtFjCZLJ6WtFsR9qQefoBgVchMarHP4MtJyURz5SJ3x98hgktz2Cunf9787x6b9uJ-veqRmqa6e8k87DXDDVdDHvzfTvnvYag2e7g6ffDt9_Gu6_PXzxdbj7-PBgb_DhYPj54-DV68Hz_eGb7z-f_Pj1bm_45eUZb72Vri2vNNxNKY1t9I_CRqmydpKh1ElcBjroaJ2Dyv08Az-I21KWRZL5UCi6zEGiS1JGEifjDOFV6AB1OsFZb7b7oFue8xYChcySTgfKIg7LzM-LOEqUpijsfjsqkvPeVde9TTcTbm8eVd6FY9W66J2YPNqXvNnew53yMtr4vfyKU_pv3CqtKg
linkProvider EBSCOhost
openUrl ctx_ver=Z39.88-2004&ctx_enc=info%3Aofi%2Fenc%3AUTF-8&rfr_id=info%3Asid%2Fsummon.serialssolutions.com&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=%E5%88%80%E5%85%B7%E7%A3%A8%E6%8D%9F%E7%8A%B6%E6%80%81%E7%9A%84%E5%A4%9A%E6%AD%A5%E5%90%91%E5%89%8D%E6%99%BA%E8%83%BD%E9%A2%84%E6%B5%8B&rft.jtitle=%E8%AE%A1%E7%AE%97%E6%9C%BA%E9%9B%86%E6%88%90%E5%88%B6%E9%80%A0%E7%B3%BB%E7%BB%9F&rft.au=%E6%9C%B1%E9%94%9F%E9%B9%8F&rft.au=%E9%BB%84%E7%A7%B0%E6%84%8F&rft.au=%E6%9D%8E%E4%BF%8A&rft.date=2024-09-30&rft.pub=%E4%B8%AD%E5%9B%BD%E7%A7%91%E5%AD%A6%E9%99%A2%E5%90%88%E8%82%A5%E7%89%A9%E8%B4%A8%E7%A7%91%E5%AD%A6%E7%A0%94%E7%A9%B6%E9%99%A2%E6%99%BA%E8%83%BD%E6%9C%BA%E6%A2%B0%E7%A0%94%E7%A9%B6%E6%89%80%E5%85%88%E8%BF%9B%E5%88%B6%E9%80%A0%E6%8A%80%E6%9C%AF%E7%A0%94%E7%A9%B6%E4%B8%AD%E5%BF%83%2C%E6%B1%9F%E8%8B%8F+%E5%B8%B8%E5%B7%9E+213164&rft.issn=1006-5911&rft.volume=30&rft.issue=9&rft.spage=3038&rft.epage=3049&rft_id=info:doi/10.13196%2Fj.cims.2023.0575&rft.externalDocID=jsjjczzxt202409004
thumbnail_s http://utb.summon.serialssolutions.com/2.0.0/image/custom?url=http%3A%2F%2Fwww.wanfangdata.com.cn%2Fimages%2FPeriodicalImages%2Fjsjjczzxt%2Fjsjjczzxt.jpg