This research proposes a method for machining quality monitoring (MQM) in laser-assisted micro-milling (LAMM) of glass. In tool-based mechanical processing including LAMM, the machining quality is generally affected by machining parameters and tool condition; therefore, previous studies have intensively focused on finding optimal machining parameters and monitoring tool condition to secure machining quality. However, prior work has not considered the degradation of machining quality over time. Furthermore, previous studies have manually designed features from sensory signals; these approaches are difficult to be applied without prior domain knowledge in LAMM of glass. In LAMM, MQM is more important than it is in metal cutting because glass materials are likely to have cracks from the mechanical contact between the workpiece and the tool. In this research, we employ a novel image-based deep transfer learning method for MQM in LAMM of glass. Our approach is based on a pre-trained model trained on a large-scale image dataset; this model is equipped to extract meaningful features from the images. To visually reflect the machining quality, we propose a multi-layer recurrence plot (MRP) that enables the cutting force signals to be transformed into two-dimensional images. From the experimental validation in this research, the proposed MQM method is found to have the best classification accuracy of machining quality, as compared to other existing methods. The proposed method is expected to predict the machining quality of the micro-milling of glass in advance with improved accuracy before the machining quality is degraded.

这项研究提出了一种用于玻璃的激光辅助微铣削（LAMM）中的加工质量监控（MQM）的方法。在包括LAMM在内的基于刀具的机械加工中，加工质量通常受加工参数和刀具条件的影响；因此，以前的研究集中在寻找最佳加工参数和监视刀具状态以确保加工质量上。但是，先前的工作没有考虑到随着时间的推移加工质量的下降。此外，以前的研究已经根据感觉信号手动设计了特征。如果没有玻璃LAMM领域的先验知识，这些方法将难以应用。在LAMM中，MQM比在金属切削中更为重要，因为玻璃材料很可能会因工件与工具之间的机械接触而产生裂纹。在这项研究中，我们为玻璃LAMM中的MQM采用了一种新颖的基于图像的深度转移学习方法。我们的方法基于在大型图像数据集上训练的预训练模型；该模型可以从图像中提取有意义的特征。为了直观地反映加工质量，我们提出了一个多层递归图（MRP），该图可将切削力信号转换为二维图像。通过这项研究中的实验验证，与其他现有方法相比，发现所提出的MQM方法具有最佳的加工质量分类精度。所提出的方法有望在降低加工质量之前，以提高的精度预先预测玻璃的微加工的加工质量。我们为玻璃LAMM中的MQM采用了一种基于图像的新型深度转移学习方法。我们的方法基于在大型图像数据集上训练的预训练模型；该模型可以从图像中提取有意义的特征。为了直观地反映加工质量，我们提出了一个多层递归图（MRP），该图可将切削力信号转换为二维图像。通过这项研究中的实验验证，与其他现有方法相比，发现所提出的MQM方法具有最佳的加工质量分类精度。所提出的方法有望在降低加工质量之前，以提高的精度预先预测玻璃的微加工的加工质量。我们为玻璃LAMM中的MQM采用了一种基于图像的新型深度转移学习方法。我们的方法基于在大型图像数据集上训练的预训练模型；该模型可以从图像中提取有意义的特征。为了直观地反映加工质量，我们提出了一个多层递归图（MRP），该图可将切削力信号转换为二维图像。通过这项研究中的实验验证，与其他现有方法相比，发现所提出的MQM方法具有最佳的加工质量分类精度。所提出的方法有望在降低加工质量之前，以提高的精度预先预测玻璃的微加工的加工质量。我们的方法基于在大型图像数据集上训练的预训练模型；该模型可以从图像中提取有意义的特征。为了直观地反映加工质量，我们提出了一个多层递归图（MRP），该图可将切削力信号转换为二维图像。通过这项研究中的实验验证，与其他现有方法相比，发现所提出的MQM方法具有最佳的加工质量分类精度。所提出的方法有望在降低加工质量之前，以提高的精度预先预测玻璃的微加工的加工质量。我们的方法基于在大型图像数据集上训练的预训练模型；该模型可以从图像中提取有意义的特征。为了直观地反映加工质量，我们提出了一个多层递归图（MRP），该图可将切削力信号转换为二维图像。通过这项研究中的实验验证，与其他现有方法相比，发现所提出的MQM方法具有最佳的加工质量分类精度。所提出的方法有望在降低加工质量之前，以提高的精度预先预测玻璃的微加工的加工质量。我们提出了一个多层递归图（MRP），它使切削力信号能够转换成二维图像。通过这项研究中的实验验证，与其他现有方法相比，发现所提出的MQM方法具有最佳的加工质量分类精度。所提出的方法有望在降低加工质量之前，以提高的精度预先预测玻璃的微加工的加工质量。我们提出了一个多层递归图（MRP），该图可使切削力信号转换为二维图像。通过这项研究中的实验验证，与其他现有方法相比，发现所提出的MQM方法具有最佳的加工质量分类精度。所提出的方法有望在降低加工质量之前，以提高的精度预先预测玻璃的微加工的加工质量。