面向预制构件模具的剩余寿命智能预测与多模态故障识别模型OA
随着模具制造业的快速发展,模具使用中的缺陷识别与寿命预测问题日益凸显。当前预制构件模具寿命管理主要依赖人工经验,存在故障识别滞后、维护成本高等问题。本文设计了一种基于深度学习(DL)的寿命智能预测与多模态故障识别模型。针对模具表面缺陷,本文采用一种多模态融合YOLO(MMF-YOLO)检测算法,以边缘信息聚焦模块(EIFM)替换C3k2,强化关键边缘特征选择;采用上下文融合扩散金字塔网络(CFD-PN)优化颈部,抑制特征混淆;引入ADown(adaptive downsampling module)模块降低下采样计算冗余;结合特征尺度缩放检测头(FSDH)与共享卷积,显著减少参数量与存储开销。同时,模型将长短期记忆网络(LSTM)应用于模具结构振动疲劳寿命预测,利用LSTM提取随机振动与动力响应之间的关系,实现结构动力响应的快速计算。仿真实验显示,本文模型能够准确识别多模态故障,并精准预测模具寿命。
袁博
西安铁路职业技术学院,陕西西安710026
矿业与冶金
预制构件模具剩余寿命智能预测多模态故障识别深度学习(DL)
《模具技术》 2026 (3)
P.120-126,7
评论