Online Chatter Detection for Milling Operations Using LSTM Neural Networks Assisted by Motor Current Signals of Ball Screw Drives
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract For certain combinations of cutter spinning speeds and cutting depths in milling operations, self-excited vibrations or chatter of the milling tool are generated. The chatter deteriorates the surface finish of the workpiece and reduces the useful working life of the tool. In the past, extensive work has been reported on chatter detections based on the tool deflection and sound generated during the milling process, which is costly due to the additional sensor and circuitry required. On the other hand, the manual intervention is necessary to interpret the result. In the present research, online chatter detection based on the current signal applied to the ball screw drive (of the CNC machine) has been proposed and evaluated. There is no additional sensor required. Dynamic equations of the process are improved to simulate vibration behaviors of the milling tool during chatter conditions. The sequence of applied control signals for a particular feed rate is decided based on known physical and control parameters of the ball screw drive. The sequence of the applied control signal to the ball screw drive for a particular feed rate can be easily calculated. Hence, costly experimental data are eliminated. Long short-term memory neural networks are trained to detect the chatter based on the simulated sequence of control currents. The trained networks are then used to detect chatter, which shows 98% of accuracy in experiments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle