VGG13卷积神经网络在刀具磨损监测中的应用

刀具磨损对工件加工精度和表面质量有很大影响,为保证零件加工质量,需对刀具磨损状况进行监测。在实际加工生产中采集工件铣削时的振动信号和力信号,利用短时傅里叶变换,将一维信号转化为二维谱图,建立刀具磨损阶段与频谱图的对应关系,利用Pytorch搭建VGG13卷积神经网络,将频谱图作为卷积神经网络模型输入进行训练,得到刀具磨损监测模型。通过实验对方案可行性及模型准确度进行测试,实验结果表明,利用卷积神经网络进行刀具磨损状态监测的准确度能够达到98%以上,可为实际生产中的刀具磨损状态监测提供参考。     

基于小波包和BP神经网络的刀具磨损状态识别

刀具磨损状态影响金属切削过程,因此监测刀具磨损状态对提高产品质量有着重要的意义。设计刀具磨损状态监测系统,利用传感器采集刀具振动信号,通过小波包对振动信号进行数据分析,并把不同频段的能量值作为刀具磨损状态的特征值,建立BP神经网络,从而在刀具磨损状态和振动信号特征向量之间建立映射关系,完成刀具磨损状态的监测。利用C++Builder和Matlab软件混合编程实现了系统的功能。试验表明,系统运行良好,能够对刀具磨损状态进行正确识别。     

基于B样条模糊神经网络的刀具磨损监测

刀具状态监测是实现自动化加工和无人化加工的关键技术。本文使用切削力和声发射传感器监测金属切削过程,提出了基于B样条模糊神经网络作为刀具磨损量监测模型。该模型能够准确描述刀具磨损和信号特征之间的非线性关系,和常用的BP前馈神经网络相比,具有收敛速度快和局部学习能力等优点。试验结果表明:采用B样条模糊神经网络对提高刀具磨损在线监测的准确度和可靠度非常有效。     

改进的BP神经网络在刀具磨损状态监测中的应用

刀具磨损状态监测的研究中,采用传统BP算法的神经网络识别切削过程中的刀具磨损量,具有局限性。文中提出了一种改进的BP神经网络结构,选取了新的BP算法,并对网络结构参数进行优化调整。对振动信号和AE信号分析后提取出刀具磨损特征量输入改进的BP神经网络,经过训练后用于识别刀具磨损状态。通过比较,改进的BP神经网络的收敛速度明显提高,且减小了识别误差。实验证实了其可行性和有效性。     

采用改进CNN-BiLSTM模型的刀具磨损状态监测

自动化切削加工过程中,准确可靠地监测刀具磨损状态是保证加工质量和加工效率的关键。针对刀具磨损状态相关特征提取繁琐、准确率低及传统的深度学习网络不能全面提取数据隐含信息等问题,提出了一种以卷积神经网络（CNN）和双向长短时记忆（BiLSTM）网络集成模型为基础并通过在卷积神经网络中添加批量标准化层和采用两个双向长短时记忆网络层的改进模型,该模型通过自动提取小波阈值降噪等预处理和降采样后的切削力、振动和声音信号的空间和时序特征来实现刀具磨损状态监测。将改进模型与CNN-BiLSTM模型及传统的深度学习模型进行对比,发现改进模型在精度和稳定性方面有较大提升。所提方法为准确监测自动化加工过程中刀具磨损状态、提高生产效率和加工质量提供了技术支持。     

基于人工蜂群-BP神经网络的刀具磨损监测

为了提高刀具磨损状态监测准确度,提出基于人工蜂群-BP神经网络算法的刀具磨损状态监测方法。使用力传感器和振动传感器设计了磨损状态监测平台;使用匹配追踪算法对信号进行了去噪;提取了信号时域、频域、时频域的特征参数,使用核主成分分析法对特征参数进行了降维,确定了反应刀具磨损状态的15个特征参数;提出了人工蜂群-BP神经网络算法的刀具磨损状态识别方法,使用人工蜂群算法优化BP神经网络算法参数;经实验验证,传统BP神经网络识别准确率为78.75%,优化BP神经网络算法识别准确率为100%。     

基于动态树理论的刀具磨损监测技术

提出了基于动态树理论的刀具磨损监测方法,通过相关系数法提取传感器信号与刀具磨损最相关的几组特征,并采用具有局部记忆的B样条模糊神经网络建立刀具磨损量与声发射信号、切削力信号和振动信号特征之间的非线性映射关系,构造了任意加工条件下的刀具磨损监测系统,刀具磨损的识别结果由集成神经网络输出。试验结果表明,基于此方法构建的刀具磨损监测系统具有精度高、可靠度强、增殖性好和在线识别速度快等优点,值得工业推广。     

基于BiLSTM的铣刀磨损状态监测模型

机械加工中刀具磨损退化直接影响工件质量和生产效率,在线监测刀具状态对于提高生产可靠性和降低刀具成本具有重要意义。为实现铣刀磨损状态在线监测,通过采集的主轴振动和主轴电机驱动电流作为监测信号;使用小波阈值降噪消除信号中的环境噪声干扰成分,并通过冗余提升小波变换保留信号的精确频率局部化信息,以提取更为丰富的频率特征;引入BiLSTM双向长短周期记忆网络对特征信号的时间信息进行编码,通过全连接层预测刀具磨损状态。通过铣刀的全寿命实验验证本文设计的铣刀磨损状态监测模型,结果表明,BiLSTM双向长短周期记忆网络可以有效评估铣刀磨损状态。     

一种在线监测铣刀磨损量的新方法

提出了一种在线监测铣刀磨损量的新方法,该方法利用B样条神经网络建立不同刀具磨损状态下加工参数与切削力之间的映射关系。通过比较实时采集的切削力与不同刀具磨损值对应的切削力大小,可确定刀具的磨损状态,并利用建立的简化模型计算刀具的精确磨损值。试验结果表明,该方法消除了加工参数变化对特征的影响,简化了特征选取的方法,能够适应外部加工环境的变化,完全满足刀具状态监测系统的实用化需求。     

基于长短时记忆卷积神经网络的刀具磨损在线监测模型

为了提高机械加工过程中刀具磨损在线监测的准确性，提出了一种基于长短时记忆卷积神经网络（LSTM-CNN）的刀具磨损在线监测模型。在该监测模型中，通过振动、力、声发射传感器对刀具切削过程中的振动、力和声发射信号进行采集，采集的数据其本质为时间序列数据。考虑采集数据的序列和多维度特性，采用LSTM-CNN网络对采集的数据进行序列和多维度特征提取，利用线性回归实现特征到刀具磨损值的映射。通过实验验证了该模型的有效性和可行性，模型的精度较其他几种方法有了较大的提高。     

精密数控机床铣刀故障监测方法的研究

刀具在加工过程中不可避免的存在着磨损和破损现象,刀具的消耗直接导致工件精度下降和生产成本增加。开展了一系列实验,深入研究刀具状态监测方法,构建了新型铣削过程刀具磨损监测试验系统。通过振动传感器和声发射传感器对铣削过程中不同磨损程度刀具的信号进行检测、采集、分析。选择对刀具磨损状态反映敏感的特征量。采用BP神经网络,建立刀具磨损特征向量与刀具磨损状态之间的非线性映射关系。     

基于铣削力与神经网络刀具磨损状态识别研究

以铣削难加工材料——高锰钢加工过程为研究对象。建立了以铣削力作为监测信号的铣刀磨损监测实验系统。应用小波包理论对铣削力信号进行分析和消噪处理。并提取了信号的能量特征作为神经网络的输入向量。基于神经网络极强的非线性映射能力及分类能力。选用小波包分析与BP网络结合的方式对刀具磨损状态进行识别。建立了模式识别BP网络结构,构造了网络训练样本及测试样本。对网络进行了训练、仿真及验证测试,结果表明该网络能够对刀具磨损状态进行准确的识别。对刀具的在线监测具有良好的现实意义。     

基于BP神经网络的截齿磨损程度在线监测

为实现截齿截割过程中磨损程度的实时精准在线监测,提出了一种基于BP神经网络的截齿磨损程度多特征信号融合的检测方法。通过提取截割过程中不同磨损程度截齿的三向振动信号、红外温度信号和电流信号,建立了不同磨损程度截齿的多特征信号样本数据库,采用多特征信号样本对BP神经网络进行学习和训练,建立截齿磨损程度的识别模型,实现截齿磨损程度在线监测与精确识别。实验结果表明:基于BP神经网络的截齿磨损程度监测系统,网络判别结果和测试样本的实际磨损程度类别相符,该BP神经网络系统能够对截齿磨损程度类型进行准确的监测和识别。     

基于振动测试的数控机床刀具磨损监测方法

为了通过特性分析直接判断数控机床刀具的工作状态,以实现柔性制造系统的研究,在刀具磨损的多种在线监测方法中采用振动测试的监测方法,对DL20MH数控车削中心的YG8硬质合金刀头进行在线监测,分别在不同的刀具磨损阶段实时监测其磨损信号,通过时域分析、频域分析和传递函数分析相结合的方法进行数据处理,并对照被加工工件的表面粗糙度和通过显微镜下观察刀刃的实时变化情况,对其进行分析处理,得出刀具的实时变化情况及被加工工件的粗糙度与理论数据基本吻合并呈现出一定的趋势,从实频域分析数据中也可以直观地判断刀具的磨损状态,测试结果与实际情况吻合,从而验证了振动测试是适合刀具磨损在线监测研究的.     

基于小波分析和神经网络的刀具磨损预测

提出一种基于多分辨率小波分析和BP神经网络的刀具磨损预测方法,采用多分辨率小波分析刀具不同磨损状态的切削力信号,提取其中增幅最大两个尺度上细节信号的能量和均方差作为BP神经网络的输入,通过自我识别法确定BP神经网络的最佳隐含层神经元数目,利用预先训练好的BP神经网络对刀具磨损状态进行预测。该方法能够建立刀具磨损状态与切削条件参数之间复杂的非线性函数关系,可实现一定切削条件下的刀具磨损状态预测。     

基于一维卷积长短时记忆网络的多信号融合刀具磨损评估

为实现刀具磨损状态的有效在线监测,提出一种基于一维卷积长短时记忆网络的多信号融合刀具磨损评估模型.该模型综合使用加工过程中主轴和工作台的振动和声发射信号,以实现信号间的优势互补,弥补单一信号的不足;基于一维卷积的特征学习能力和长短时记忆网络的时序特征分析能力,充分挖掘信号中包含的刀具磨损状态信息;最后通过全连接层和softmax分类器对刀具磨损状态进行评估.试验结果表明,该模型在各单一工况下对刀具磨损状态的识别准确率均可达93.8％以上,整体工况下识别准确率达95.3％,具有很好的稳定性和多工况通用性.     

基于长短时记忆网络的深孔镗削刀具状态监测

镗削加工是机械加工领域中非常重要的一种加工手段,被广泛应用于大型零件的深孔加工过程中。但由于镗削加工的切削区域位于深孔内部,所以机床操作者难以对刀具状态做出准确的判别。针对这一问题,提出了基于深度长短时记忆(Long Short-Term Memory,LSTM)网络的镗削刀具状态监测方法。通过对镗削过程的振动和声音信号采集,利用振动和声音信号的频域数据训练深度长短时记忆网络,建立了振动和声音信号与镗削刀具状态的映射模型。在深孔镗床上进行了模型测试试验。试验表明:深度长短时记忆网络模型对刀具状态有着较好的预测准确度。     

铣刀磨损量监测和剩余寿命预测方法研究

研究在线诊断端面铣刀磨损量和预测铣刀剩余寿命的方法。首先通过实验采集Y向铣削力作为监测信号,分析铣削力与刀具磨损量VB和刀具磨损时间之间的关系。然后,通过铣削力信号分析提取出有效监测特征向量,此特征向量作为BP神经网络的输入,用于刀具磨损量的监测和剩余寿命的预计。最后,通过实验证明,该神经网络模型误差很小,利用该方法能够正确地进行在线监测和预测。     

不同信号融合的立铣刀刀具磨破损状态监测方法研究

首先对比研究了不同监测信号的特点,选择了振动信号、切削力信号、声发射信号作为研究信号,然后采用经典信号分析方法对三类监测信号进行分析并提取了相应的统计特征;接着对非平稳性较强的振动信号和声发射信号进行了非平稳特征分析;在此基础上,分别引入相对向量机算法与概率神经网络算法对刀具磨损状态进行识别,基于单一传感器信号的最佳特征向量进行特征层融合,建立了不同信号融合的刀具状态监测模型;最后通过对比不同信号融合方式下的刀具状态监测模型,得到最佳的振动信号与切削力信号融合的监测方式。     

基于切削功率的数控车削批量加工刀具磨损在线监测

为了实现数控车削批量加工刀具磨损状态的在线监测,在分析切削功率与刀具磨损量关系的基础上,考虑加工参数对切削功率的影响,基于正交实验设计与响应面法,建立了切削功率与刀具磨损量及加工参数之间的回归模型。提出一种实时更新切削功率阈值的刀具磨损状态在线监测方法。该方法首先对功率信号进行滤波处理,结合数控系统判断机床的运行状态,然后实时计算切削功率阈值并与实际加工过程切削功率进行比较来监测刀具的磨损状况。通过实验案例自动在线监测数控车削过程中刀具磨损的情况,验证了该方法的有效性。