表面微小割れは、航空機エンジンのタービンブレードなど高性能部品のCNCミリング加工における一般的かつ重大な加工欠陥であり、応力集中点として作用し、部品の疲労寿命を著しく短縮し、エンジンの構造安全性を脅かします。しかし、既存の非破壊検査技術は、複雑な曲面部品の微細欠陥を迅速かつオンラインで定量的にインサイチュ検出するために工作機械に統合する際、課題に直面しています。これに対処するため、本論文はトライボ電気ナノジェネレーター（TENG）に基づく新規のインサイチュ検出パラダイムを提案し、加工されたブレード表面の微小割れの幾何学的パラメータの高精度定量的逆変換を実現することを目指しました。割れ幅と深さがパルスの振幅および幅に与える影響機構を体系的実験研究により解明しました。さらに、時系列および周波数領域の特徴を統合した多次元信号特徴を構築し、幅と深さの結合効果を分離しました。自動認識を達成するために、CNN-BiLSTMに基づくハイブリッド深層学習モデルを構築し、元信号中の時空間特徴と割れ幾何パラメータ間の内在的相関を自律的に掘り起こし、幅と深さを同期的に正確に予測します。実験結果は、モデルの微小割れ幅と深さの予測平均絶対誤差がそれぞれ0.0091 mmおよび0.0047 mmと非常に低く、決定係数（R²）が0.989を超えることを示しています。さらに、本手法のピッチングや線状割れ、ネットワーク割れなどの欠陥識別への応用可能性も確認されました。本研究はTENGがインテリジェント製造における品質オンライン監視において巨大な潜在力を持つことを示すとともに、次世代知能統合検出システムの開発に向けた堅牢な技術的指針を提供します。
Tangら（Wed,）が本課題について研究しました。