基于GMM的纳米制造刀具磨损状态在线识别

TG71; 为满足纳米制造刀具磨损状态在线诊断对时间和精度的要求,采用跨物理-数据融合建模方案,建立具有物理一致性的高斯混合模型(GMM),以动态识别原子力显微镜(AFM)尖端状态.随机抽取历史加工数据,提取特征参数并进行训练,获得3维GMM模型并预存;以加窗分帧的形式,截取连续过程中短时段纳米加工力时变信号,构成瞬时稳态数据空间;以尖端旋转周期为时间单位,计算横向加工力的特征参数:极大值、峰-峰值和方差;采用马氏距离检测并去除异常值.使用预存的GMM模型,对每帧特征参数聚类,识别尖端磨损状态;根据连续分析帧的尖端失效点数据变化曲线,探测跟踪尖端状态.实验证明该算法平均识别精度为0.8917,...

Full description

Saved in:
Bibliographic Details
Published in计算机集成制造系统 Vol. 30; no. 11; pp. 4075 - 4086
Main Authors 程菲, 江子湛
Format Journal Article
LanguageChinese
Published 安徽信息工程学院大数据与人工智能学院,安徽 芜湖 241000%安徽信息工程学院大数据与人工智能学院,安徽 芜湖 241000 30.11.2024
杭州电子科技大学管理学院,浙江 杭州 310018
Subjects
纳米加工
高斯混合模型
机器学习
刀具磨损在线诊断
Nano-machining
数据融合集成制造
machine learning
data fusion integrated manufacturing
online diagnosis of tip wear
Gaussian mixture model
Online AccessGet full text
ISSN1006-5911
DOI10.13196/j.cims.2022.0350

Cover

More Information
Summary:TG71; 为满足纳米制造刀具磨损状态在线诊断对时间和精度的要求,采用跨物理-数据融合建模方案,建立具有物理一致性的高斯混合模型(GMM),以动态识别原子力显微镜(AFM)尖端状态.随机抽取历史加工数据,提取特征参数并进行训练,获得3维GMM模型并预存;以加窗分帧的形式,截取连续过程中短时段纳米加工力时变信号,构成瞬时稳态数据空间;以尖端旋转周期为时间单位,计算横向加工力的特征参数:极大值、峰-峰值和方差;采用马氏距离检测并去除异常值.使用预存的GMM模型,对每帧特征参数聚类,识别尖端磨损状态;根据连续分析帧的尖端失效点数据变化曲线,探测跟踪尖端状态.实验证明该算法平均识别精度为0.8917,平均召回率为0.963;每2000个点的最长识别时间为31ms,平均识别时间为23.97ms,适用于大规模纳米制造的刀具磨损在线自动诊断.
ISSN:1006-5911
DOI:10.13196/j.cims.2022.0350