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。     

数控机床刀具磨损的振动监测法

在分析小波理论及BP神经网络的基础上,进行了刀具磨损试验研究。在时频域对刀具磨损状态的特征信号进行提取和分析,获得了反映刀具磨损状态的特征信号。将此刀具磨损特征量作为BP神经网络的输入样本对网络进行学习训练,完成对刀具磨损状态的有效识别。实验结果表明该方法是有效的。     

结合域对抗自适应的刀具磨损预测方法

数控加工中存在刀具几何误差及安装误差、刀具及工件材料性能的随机波动等因素,导致刀具之间的磨损过程与监测信号上存在较大差异的问题,使得刀具磨损值难以精确预测。为此,本文提出了一种结合域对抗自适应的多尺度分布式卷积长短时记忆网络模型（Multiscale time-distributed convolutional long short-term memory,MTDCLSTM）。将加工过程中采集到的多传感器信号作为模型输入,通过域分类器与预测器之间的对抗学习,提取出可有效表征刀具磨损且与域无关的多尺度时空特征,经预测器的非线性映射,实现对刀具磨损值的精确预测。实验结果表明,结合域对抗自适应的MTDCLSTM模型预测性能明显优于分布式卷积神经网络、长短时记忆网络、卷积神经网络与支持向量机模型。与基于迁移成分分析的支持向量回归模型相比,本文模型的均方根误差与平均绝对误差分别降低了59.8%和62.5%,决定系数提高了66.1%,可有效缩小刀具个体之间的差异,提高磨损值预测精度。     

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。     

基于卷积神经网络的刀具磨损在线监测

为了提高刀具磨损在线监测的精度和泛化性能,提出一种基于卷积神经网络的刀具磨损量在线监测模型。利用时域传感器信号对刀具磨损量进行定量分析,避免数据预处理带来的信息丢失;采用深度网络自适应地提取特征,取代传统的人工特征提取过程,并通过加深网络进一步挖掘信号中隐藏的微小特征。实验结果表明,该模型对刀具后刀面磨损量监测效果较好,可以有效避免人为特征提取的局限,精度和泛化性都有一定程度的提高。与相关研究的对比也证实了其可行性和有效性。     

基于神经网络多传感器融合的刀具摩损定量监测的研究

研究了前馈神经网络（ＦＮＮ）的自构造型学习算法，提出了基于神经网络多传感器融合的一般结构及刀具磨损监测方法，讨论了多传感器的选择、多传感器信号的采集与预处理以及多传感器信号的特征选择与正规化处理，并就铣削过程的刀具磨损监测进行了实验研究，结果表明，所提出的方法可获得９３％的识别率。     

基于长短期记忆神经网络的刀具磨损状态监测

刀具磨损状况的实时检测是目前机床加工状态监测的难点,而对刀具的振动信号分析的常用方法是利用神经网络模型来判断刀具磨损状态。为解决循环神经网络(RNN)模型训练过程中梯度容易消亡的现象,提出基于长短期记忆神经网络的刀具磨损状态在线监测。刀具在进行切削加工时,首先通过加速度传感器采集刀具振动信号,然后对振动信号小波包变换进行分解是让信号通过不同的滤波器进行有条件的选择,由此形成不同的能量值,用作为长短期记忆神经网络的特征输入,从而诊断出刀具磨损状态的3种状态故障;最后利用长短期记忆神经网络模型对处理时间序列的数据有比较好的效果,它可以捕捉长期的依赖关系和非线性动态变化。此外,通过与多层(BP)神经网络和(BP)神经网络故障诊断方法进行比较,结果表明,LSTM网络对刀具磨损状态在线监测更加有效。     

基于深度门控循环单元神经网络的刀具磨损状态实时监测方法

为监测生产加工过程中的刀具磨损状态,提出一种基于深度门控循环单元神经网络的轻量化状态监测模型。首先,预处理阶段对加速度传感器采集的时序信号进行小波阈值去噪,并将每次刀具进给产生的冗长信号划分为多个训练样本,以滤除噪声、改善算法的鲁棒性;然后,利用卷积神经网络(CNN)从时序信号输入中自适应地提取特征,构建深度双向门控循环单元(BiGRU)神经网络学习特征向量间的时序信息,并将Attention机制的思想引入其中,自适应地感知对磨损状态分类结果有关联的网络权重,并对其进行合理分配,避免因人工提取特征带来的复杂性和局限性。实验结果表明,所提方法能够对传感器采集的原始数据实时准确地预测刀具磨损状态,在识别精度和泛化能力上均达到了较好的效果,为实际工业场景下的刀具磨损状态监测提供了新的思路。     

基于油液-振动多维特征与PSO-LSTM的齿轮箱磨损状态监测

针对单独从振动特征、油液特征对齿轮箱进行磨损状态监测存在特征维度单一、准确率低的问题，提出基于油液-振动多维特征与粒子群优化算法-长短时记忆神经网络(PSO-LSTM)的齿轮箱磨损状态监测算法。对铁谱图像进行预处理，提取磨粒浓度特征、磨粒个数特征，对振动信号进行小波阈值去噪，并提取时域特征，得到油液振动十四维特征作为LSTM模型的输入；采用粒子群优化算法对LSTM模型进行参数寻优。实验验证：使用油液振动十四维特征的PSO-LSTM模型的识别准确率要优于单独使用振动和油液特征的PSO-LSTM模型，PSO-LSTM模型对于油液振动十四维特征数据的识别准确率全面优于未经优化的LSTM模型。     

基于云模型和稀疏贝叶斯技术的刀具磨损状态识别技术研究

针对刀具磨损状态监测和磨损量预测研究中特征提取这一关键技术,提出采用声发射传感器和功率传感器采集机床刀具磨损相关的信号信息,采用两种信号采集的方法可以避免单一信号本身自有的缺陷。采用云模型算法能够科学地耦合两种信息,并提取信号中反映刀具磨损量的特征因素;使用稀疏贝叶斯方法建立模型进而预测刀具磨损量,实现了对刀具磨损的监控,提高了刀具磨损监控的效率和准确性。     

特征融合与GA-SVM在刀具状态监测中的应用研究

为保证监测的准确性,刀具监控系统往往采用多个传感器进行监测并采集数据,导致监测成本的增加。通过对一个传感器的信号数据建立多个信号处理模型,将多个模型的特征进行融合,深度挖掘信号中所蕴含有关刀具磨损的敏感特征,提高监测的准确性,降低成本;同时针对将融合所得特征输入支持向量机(SVM)进行刀具磨损状态的识别时,常需要反复调整惩罚参数c和核函数g的问题,采用遗传算法(GA)对惩罚参数c和核函数g进行优化,减少了SVM模型的搭建时间,提高了SVM的识别准确率。     

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J-EEMD的刀具磨损状态特征提取技术

在实际刀具状态监测的过程中,通过传感器所直接测得的数据都包含了大量的噪声信号,因此难以从中获取刀具磨损状态的变化规律,这样显然不利于进行模式识别。应用近似联合对角化下的集合经验模态分解(J-EEMD)对观测信号进行处理,基于信号本身特征,自适应地将切削加工中检测得到的振动和声发射信号分解为多个内蕴模式函数(IMF),然后根据各个IMF之间的能量比对变换,提取出了不同磨损状态下的刀具状态特征。实验证明:在该方法对测得数据进行处理的基础上,能够很好地识别出刀具磨损程度的不同状态。     

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%。     

基于粗糙集神经网络的刀具磨损监测的研究

针对多传感器刀具磨损监测系统输入维数较多、神经网络结构复杂、收敛速度慢等缺点,提出了粗糙集和遗传算法优化神经网络的模型.该模型首先利用粗糙集理论的属性约简对输入数据进行处理,从而达到减少神经网络输入维数、简化神经网络结构的目的.然后通过遗传算法优化神经网络的初始权值和阈值,以提高神经网络的收敛速度,避免神经网络陷入局部极值点.将该模型应用到刀具磨损监测,通过对声发射信号和电流信号进行处理,提取特征向量值,将特征值先通过自组织神经网络进行连续属性离散化,再通过粗糙集理论进行属性约简,最后通过遗传算法优化的BP神经网络进行识别,取得了很好的效果,证明了此模型的有效性和可行性.     

基于小波多分辨率分析和RBF神经网络的刀具磨损状态识别

刀具磨损监测对于提高加工过程的精度和自动化程度具有重要意义。本文提出一种基于RBF函数神经网络的刀具磨损状态监测模式。该系统利用声发射传感器对切削过程进行监测,采用多分辨率小波分解技术从声发射信号中提取反映刀具磨损的特征向量,并输入RBF神经网络,实现了刀具磨损的自动识别。     

自适应随机共振算法的立铣刀磨损信号检测

在对刀具磨损信号的检测过程中,强噪加工环境使得所需特征信号显得非常微弱,给提取微弱特征信号带来了难题,基于此问题提出了利用自适应随机共振算法对立铣刀在磨损过程中产生的磨损信号进行检测,用加速度传感器和力传感器采集振动信号和切削力信号,再将提取的信号进行时频域的特征值提取,以此来分别建立遗传算法和粒子群算法优化的自适应随机共振模型,最后将这两种模型都用在对立铣刀的磨损检测中。实验结果表明,遗传算法和粒子群算法均可检测出立铣刀转动频率和刀齿切入频率,以及这两种频率下所对应的立铣刀磨损信号,为日后立铣刀磨损状态在线监测系统的建立奠定了基础。     

特征工程和深度前馈网络结合的刀具磨损预测

针对传统刀具磨损预测中存在的自适应性不强和预测精确度低的问题,提出了特征工程和Dropout深度前馈网络相结合的刀具磨损预测方法。首先从刀具状态监测框架下的多传感器信号中提取全面的特征,与刀具的元信息进行信息融合,然后通过假设检验和Benjamini-Yakutieli过程选择与目标磨损相关性强的特征,最后构建Dropout深度前馈网络学习选择的特征与目标磨损之间的映射关系。实验结果表明,提出的这种预测方法的训练过程稳定性高,而且能更精确地预测刀具的磨损。     

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。     

基于人工神经网络的铣削磨损监测研究

利用铣削刀具磨损多参量信号进行预处理及特征量提取,采用特征融合方法建立信号级、模型级、特征级和融合级层次结构实验方案,通过样本训练模糊小波神经网络逼近系统,建立刀具补偿系统的最优控制策略,从而对被检测对象进行有效的识别与估计.由实验结果对比可见,人工神经网络模型的预测精度基本在范围之内.实验表明该模型适用于切削条件下的铣刀磨损监控,可以较准确地监控铣刀的剧烈磨损.