基于GADF与卷积神经网络的滚动轴承故障诊断研究

为充分发挥深度学习识别二维图像在滚动轴承故障检测方面的优势,提出了一种格拉姆角差场(GADF)结合改进卷积神经网络(CNN)的智能故障诊断模型.首先,将一维时序振动信号通过格拉姆角差场转化为二维图像,提取了图像特征,并输入了改进后的CNN模型;其次,改进的CNN模型采用全局池化层替代了传统的全连接层,有效地解决了传统C...     

基于卷积神经网络的刀具磨损评估方法

采用可靠的刀具磨损评估方法对于提高加工质量和生产效益具有重要意义.提出一种基于卷积神经网络的刀具磨损评估方法,采用短时傅里叶变换对采集的主轴电机直流电流和交流电流进行处理,得到对应时频谱,将时频谱输入所设计的卷积神经网络模型,评估得到刀具磨损值.采用铣削数据集对卷积神经网络模型进行训练和验证,表明在主轴转速、切削深度、...     

基于切削声音的刀具磨损状态识别研究

人工神经网络可以实现多特征信息的融合,将基于BP神经网络,建立各频率段能量百分比与刀具磨损的映射关系,进行刀具磨损状态识别的研究。最后在Labview环境下调用Matlab神经网络程序,初步实现了刀具磨损的识别。     

基于深度学习的刀具磨损监测研究现状

基于传统机器学习的刀具磨损监测模型监测精度低且计算复杂度高,难以满足智能制造的发展需求。而基于深度学习的刀具磨损监测模型数据处理和特征提取能力较强,可明显提高监测精度,使加工过程更智能化,因此广泛应用于刀具磨损监测。根据采用的模型,将基于深度学习的刀具磨损监测分为基于卷积神经网络的刀具磨损监测、基于稀疏自编码网络的刀具磨损监测、基于深度置信网络的刀具磨损监测、基于长短时记忆网络的刀具磨损监测和基于混合模型的刀具磨损监测,介绍了各种深度学习模型的基础理论及基本结构,总结了国内外基于深度学习模型的刀具磨损监测方法,分析了存在的问题,并指出了未来的发展方向。     

基于堆叠降噪自编码的刀具磨损状态识别

提出了一种基于堆叠降噪自编码（SDAE）的刀具磨损状态识别方法。构建了SDAE神经网络来学习声发射（AE）信号的特征,并对自编码网络进行有监督的微调,从而对刀具磨损状态进行精确识别。实验结果表明,SDAE方法能够自适应地学习,得到有效的特征表达,且刀具磨损状态识别结果精确度高,该方法能够有效地进行刀具磨损状态识别。     

基于深度卷积神经网络的刀具磨损量自动提取方法

刀具状态检测可以有效降低加工过程中刀具的不确定性,提高数控加工质量和效率,降低加工成本。在小批量制造模式下的复杂零件制造过程中,零件的几何形状和加工参数不断变化,刀具所受外力也在不断改变,进而导致刀具磨损速率持续变化。传统的固定切削时间更换刀具的方法只能采取更加保守的切削时间更换刀具,给加工过程增加了很多的不确定性,并造成严重的刀具浪费。本文针对以上问题提出了一种刀具磨损在线测量方法,通过电子显微镜在线拍摄刀具照片,经小波滤波降噪处理后的图片由卷积神经网络进行处理,并自动计算出刀具磨损量。该方法可以有效地提取出刀具磨损量,测量误差不超过0.02mm。     

基于LSTM的刀具磨损预测模型

对刀具每次走刀后的磨损量与走刀过程中的传感器信号进行研究,提出基于长短时记忆神经网络(LSTM)的刀具磨损预测模型。使用LSTM模型自主提取时间序列数据特征,将多个传感器信号作为模型输入自动化处理,避免了人工提取特征出现的信息丢失,充分把握了实验数据的长时依赖性和多维度、多长度特征。经实验对比分析表明：LSTM模型在刀具磨损预测结果上具有显著优势。     

基于格拉姆角场和多尺度CNN的轴承故障诊断

为解决噪声干扰导致轴承故障分类准确率降低的问题，提出了一种基于格拉姆角场(GAF)和多尺度卷积神经网络(MSCNN)的端到端故障诊断方法。通过对故障信号进行GAF图像变换保留时间序列的相关性与依赖性，并将图像输入MSCNN中进行分类，利用改进的激活函数克服传统CNN的梯度下降问题以获得更好的分类结果。试验结果表明，所提方法在轴承故障诊断中的分类准确率能够达到99.67%,而且具有较高的鲁棒性，适用于不同工况下轴承振动信号的故障诊断。     

刀具磨损识别的人工神经网络方法

人工神经网络在机械制造过程监控中有着广阔的应用前景。本文提出了一种基于多层前馈网络和误差反向传播（ＢＰ）算法的刀具磨损识别的新方法，并研究了网络结构和网络输入参数的选择，以建立较完善的神经网络模型。初步验证结果表明：基于多种传感器信息和工艺参数的人工神经网格模型对刀具状态具有很好的识别能力。     

基于改进一维卷积神经网络和通道注意机制的刀具磨损预测研究

对刀具磨损状态的准确预测有利于提高产品质量和降低生产成本,而现有预测模型多采用人工提取特征,存在费时费力等问题。提出一种结合通道注意机制的改进一维卷积神经网络的刀具磨损预测模型。该模型将卷积神经网络中的全连接层替换为卷积、池化层来增强模型的特征提取能力;最后一层采用1×1卷积和全局平均池化整合全局信息来提高预测精度;同时引入通道注意机制来增强重要特征通道的权重,进一步提高预测精度。实验结果表明,该预测模型的MAE为6.89μm,比预测模型MLP和SVR分别降低了15.54μm, 12.27μm,比CNN降低了8.78μm。     

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。     

基于EEMDFK和注意力CNN网络的刀具磨损状态识别

针对加工数据采集存在数据量大且干扰信号复杂，导致刀具磨损状态识别方式复杂、识别精度低等问题，提出一种基于快速谱峭度图的集合经验模态分量选取(EEMDFK)与注意力机制的卷积神经网络(ACNN)相结合的识别方法。针对集合经验模态存在选取模态分量困难的情况，引用快速谱峭度图选择策略选取最优分量。通过集合经验模式分解从所采集的不同状况下的刀具振动信号分解出故障信号特征；通过快速谱峭度图选择策略选取内在模函数并进行HHT时频分析，生成时频图；将时频图输入所设计的识别模型进行学习，通过注意力机制提高特征提取效率，并使保存的模型在测试集中对不同刀具磨损状态进行了识别。实验结果表明，该方法对刀具不同状态下的识别率可达99.7%,实现了不同磨损状态下刀具的智能识别，并具有较好的泛化能力和鲁棒性。     

基于LabVIEW的刀具磨损监测分形识别平台

将分形应用在刀具状态监测中,随着刀具磨损量的增加,刀具与工件之间的磨损加剧,振动信号的波形变化越来越不规则,信号的分形维数逐渐增大.盒维数和信息维数变化较小,但变化趋势明显;关联维数的变化相对较大,新刀的关联维数最小,报废刀的关联维数明显增大.识别结果表明,刀具在整个磨损历程中振动信号分形维数的变化规律,其大小能较好地反映刀具不同磨损状态,运用振动信号的分形维数可以有效实现刀具磨损状态的监测.     

基于切削力信号时域频域特征融合的刀具磨损监测

从时域、频域提取了切削力信号特征参数随着刀具磨损量增加的变化规律,提取了切削力信号的峰值因子、Kurtosis系数和频段带能量作为刀具磨损量监测特征参数,并将各个特征量构成的特征矢量输入改进的多层反传神经网络进行融合,实现钻削过程刀具磨损量的智能识别。试验结果表明,该方法具有较高的识别精度和较强的抗干扰能力。     

基于样本聚类模糊神经网络的刀具磨损状态实时识别

利用一种根据K－means方法对样本聚类后建立的改进模型神经网络（MTFNN）模型,对刀具后刀面磨损量进行在线工况实时识别。仿真结果表明该工况辨识模型精度高,收敛速度快,实用性较强,适宜于复杂的,非线性加工系统建模。     

基于差分进化小波神经网络的刀具磨损状态识别

提出应用小波神经网络进行刀具磨损状态识别的方法,给出了具体的识别流程。构建了小波神经网络,并实现了差分进化对网络参数的优化。通过检测加工现场的切削力和切削声音信号,将其进行信号处理后作为小波神经网络的训练样本,将差分进化应用于小波神经网络结构和参数的优化中,最终实现刀具磨损状态的识别。仿真结果表明差分进化小波神经网络能够有效避免神经网络不收敛的缺点,提高学习速度,采用差分进化小波神经网络进行刀具磨损状态识别,具有较高的诊断精度和效率。     

利用单传感器数据基于GAF-CNN的结构损伤识别

为了减少损伤识别所需传感器数量,降低监测系统造价及海量数据的处理成本,提出了基于单传感器数据结合格拉姆角场（Gramian angular field, 简称GAF）和卷积神经网络（convolutional neural networks,简称CNN）的结构损伤识别方法。采用GAF理论将原始振动信号分别转换为格拉姆角和场（Gramian angular summation field,简称GASF）和格拉姆角差场（Gramian angular difference field,简称GADF）二维图像,以转换后的GASF和GADF两类图像数据集为输入,基于LeNet-5结构下的浅层卷积神经网络模型,训练最优二维CNN模型用于结构损伤识别。以国际桥梁维护和安全协会提出的结构健康监测基准模型结构及一榀钢框架结构为例,研究振动信号转化为二维图像算法、卷积神经网络模型参数、传感器布置位置及测量噪声对识别结果的影响。结果表明：所提算法仅需单个传感器数据即可实现损伤识别的目的,数值模拟及模型试验的损伤识别准确率均为100%,单条样本测试时间为8.5ms左右,满足结构健康监测在线损伤识别的需求,且受传感器布置位置和噪声程度影响较小;GADF图较GASF图收敛效率更高,震荡幅度更小,受局部最优值影响较小,在样本数量规模一致的状态下,更易训练生成最优二维CNN模型。     

基于PSO优化的小波神经网络在刀具磨损识别中的应用

刀具状态监控是保证自动化加工顺利进行的重要环节,本文针对切削加工中功率信号的获取,以及反映刀具状态的信号特征抽取的问题,设计了采集功率信号,利用小波包分解的方法抽取反映刀具磨损状态的特征值作为神经网络输入值,采用神经网络对特征值进行训练,然后借用粒子群算法(PSO)算法优化神经网络及其结构的方法,获得了结构简单、准确性高、实时性好的神经网络,仿真和试验表明该方法对特征信号反映灵敏,对切削参数的变化不敏感,能够准确反映刀具的磨损状态。