深度学习与多信号融合在铣刀磨损状态识别中的研究

为精确地识别刀具磨损状态,提出了一种深度学习与多信号融合相结合的识别方法.以自编码网络为基础,构建了堆叠稀疏自编码网络.采集铣刀不同磨损状态下的力信号、振动信号及声发射信号,并对上述信号进行小波包分解以便获取能够表征铣刀磨损的时频域特征.利用无监督学习和有监督学习对堆叠稀疏自编码网络进行训练,建立了深度学习的铣刀磨损状态识别模型.研究结果表明,多信号融合的深度学习模型对铣刀磨损状态识别准确率达到94.44％.     

深度学习与多信号融合在铣刀磨损状态识别中的研究

为精确地识别刀具磨损状态,提出了一种深度学习与多信号融合相结合的识别方法.以自编码网络为基础,构建了堆叠稀疏自编码网络.采集铣刀不同磨损状态下的力信号、振动信号及声发射信号,并对上述信号进行小波包分解以便获取能够表征铣刀磨损的时频域特征.利用无监督学习和有监督学习对堆叠稀疏自编码网络进行训练,建立了深度学习的铣刀磨损状态识别模型.研究结果表明,多信号融合的深度学习模型对铣刀磨损状态识别准确率达到94.44％.     

刀具磨损状态在线监测技术

通过对切削加工过程中声发射（ＡＥ）信号频域特改正的研究,指出了ＡＥ信号中与刀具磨损状态有关的成分在频域内的分布规律,在此基础上分析了ＡＥ信号的均方根值ＡＥＲＭＳ和振铃计数与刀具后面磨损量ＶＢ之间的对应关系,建立了一种基于ＡＥ信号能量的双阈值判断监测方法。试验表明该方法能很好地解决持定切削条件下刀具磨损的在线监测问题。     

多传感器信息融合的加工过程状态监测研究

加工过程状态监测是实现加工状态智能监控的前提和基础。多传感器信息融合是集成多个传感器系统,采集表征加工状态的传感器信号,通过融合分析以预测或识别或诊断不同加工状态,提升被加工工件的表面质量、加工精度和加工效率。综合分析了多传感器信息融合的状态监测的原理及流程、应用多传感器信息融合的关键技术,综述了国内外研究学者应用多传感器信息融合对加工过程刀具状态(刀具磨损)、零件状态(表面粗糙度)、机床运行状态(故障状态)等目标状态进行监测的研究成果。最后归纳总结了目前多传感器信息融合应用在加工过程状态监测存在的问题,为加工过程数字化、网络化、智能化的研究工作提供坚实基础。     

刀具磨损状态综合识别系统

介绍一种以PC机为后台,以双单片机为前台的刀具磨损状态识别系统。并阐述了系统设计中的关键技术与硬软件工作原理。     

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。     

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。     

基于小波变换的刀具磨损状态检测

分析切削加工过程中刀具磨损的规律以及在不同的刀具磨损阶段切削力信号的奇异性指数 (即Lipschitz指数 )的变化规律。根据这一变化规律 ,提出自动化生产过程中刀具磨损状态的在线检测的方法。     

异型螺杆铣削过程刀具磨损状态检测研究

针对异型螺杆铣削加工，采用振动信号特征值作为检测刀具磨损的参量。利用小波分析构建滤波器组，对振动信号进行多尺度分解和多分辨率逼近，提取出刀具磨损特征信号。特征信号处理结果反映了刀具磨损变化规律，振动幅值大小反映了刀具磨损状况，从而实现了刀具磨损状态在线实时检测。     

变转速工况下基于多传感器信号深度特征 融合的电机故障诊断研究

本文提出一种利用多传感器信号深度特征融合的方法实现电机变转速工况下的故障诊断。首先从多传感器节点同步采集电机的多通道振动、声音和漏磁信号。对漏磁信号进行处理获取电机转子的累积转角曲线,随后利用累积转角曲线对振动和声音信号进行阶比分析处理。最后利用双层双向长短期记忆网络从经过预处理的多传感器信号中提取和融合特征以诊断电机故障。实验结果表明,通过提取和融合8通道的电机振动和声音信号,本文提出的方法能够有效识别电机的高阻接触、偏心、霍尔断线、相间短路、轴承等10类运行状态,分类准确率达到99.86%。该方法有望部署在物联网边缘计算节点中,实现电机的远程在线状态监测和故障诊断。     

基于迁移学习的异工况下机床热误差建模方法

机床热误差预测模型在不同工况下难以保持高预测精度是导致热误差实际补偿效果差的重要原因,对此本文提出一种基于迁移学习的异工况下机床热误差建模方法。首先利用核均值匹配算法获取不同工况下机床温度数据间的迁移权重,从而提出基于迁移学习的热误差建模方法;对不同工况下热误差数据进行差异显著性检验,并利用本文所提方法建立热误差预测模型,分析建模效果;然后比对分析本文所提建模方法与常用建模方法的实际预测效果,最后进行补偿验证实验以证明本文所提方法的有效性。结果表明,本文所提基于迁移学习的建模方法能够有效提升建模效果,其中迁移学习结合LASSO算法针对不同工况下热误差数据的预测精度和稳健性分别达到3.73和1.14μm,补偿后机床X/Y/Z 3个方向热误差分别保持在-2.3～3.1μm、-3.4～3.9μm和-3.3～4.6μm范围内。     

陶瓷刀具车削TC4钛合金磨损特性的研究

为研究陶瓷刀具切削钛合金的磨损机理,采用CC6060陶瓷刀片对TC4钛合金进行了干式车削试验。结果表明:陶瓷刀具干式切削TC4钛合金时,磨损形貌以前刀面月牙洼磨损、后刀面沟槽磨损和刀尖破损为主,磨损机理主要是粘结磨损和氧化磨损。随着切削速度的增加,刀具磨损加剧,刀具寿命降低。CC6060陶瓷刀片干式切削钛合金时的使用寿命很低,不适于干式切削钛合金。     

基于主轴电流信号多特征融合的刀具磨损状态监测

为实现在正常生产条件下进行刀具磨损的长期在线监测,提出了基于主轴电流信号和粒子群优化支持向量机模型(PSO-SVM)的刀具磨损状态间接监测方法。首先对数控机床主轴电机电流信号进行分析,将与刀具磨损相关的主轴电流信号多个特征参数和EMD能量熵进行特征融合作为输入特征向量;其次,通过粒子群寻优算法(PSO)对支持向量机模型(SVM)参数进行优化,建立基于主轴电流信号融合特征和PSO-SVM理论的刀具磨损状态识别模型;最后,通过实验采集某立式加工中心主轴在刀具不同磨损状态下电流信号进行验证,并与传统SVM模型、BP神经网络模型进行了对比分析。结果表明,所提出的方法具有较高的准确率和较好的泛化能力。能够实现正常生产条件下对刀具磨损的长期在线监测。     

基于光栅投影技术的刀具磨损三维特征提取方法

提出了利用激光光栅投影技术对硬合金刀具磨损图像进行检测的方法。利用采集待测物体栅线图样中未变形区域包含的相位信息,使用最小二乘迭代法将数据拟合,得到了理想参考面相位分布参数。由于不需另外采集实物参考面变形光栅图像,不仅减少了实物参考面的采集步骤,而且不需要对实物参考面相位进行求解。实验表明:该方法利用数控机床换刀间隙进行检测,实现了在线测量。同时,该方法测量磨损区域的最大宽度、最大面积、磨损区域的周长、z方向最大深度参数的标准差和相对精度都小于0.01,具有较好的三维形貌轮廓检测精度。     

IPSW方法及其在变工况滚动轴承退化状态跟踪中的应用

感知获取的一维快变信号不仅受工况变化的影响,且无法避免地受到噪声干扰,此时传统的相空间曲变(PSW)方法提取的健康指数(HI)将无法胜任变工况下的滚动轴承退化趋势跟踪.针对这一问题,提出了改进的相空间曲变法(IPSW).从确保PSW分量的独立性及其信息最大化的角度出发,通过高维重构分量间的综合平均互信息局部极小化和互信...     

基于信息融合子域适应的不同工况下谐波减速器故障诊断方法

针对工业机器人谐波减速器不同工况数据分布差异大,部分工况数据标签缺失以及单一传感器获取信息不全面,导致 诊断准确率不高的问题,提出一种信息融合子域适应的不同工况下谐波减速器故障诊断方法。 该方法将源域和目标域一维振 动数据利用小波变换构建时频图;使用基于小波变换的图像融合方法整合多个传感器的时频信息并构建融合图像;提出多表示 特征提取结构的改进残差网络以充分挖掘融合样本多表示特征,同时,在无监督场景下将源域和目标域融合样本的多表示特征 进行子域适应处理,减小两域的各个子域间的分布差异,从而将知识从标签丰富的源域迁移到标签缺失的目标域,最终实现不 同工况下谐波减速器的故障诊断。 通过搭建工业机器人谐波减速器故障实验台并进行实测,所提方法在所有迁移任务中平均 准确率可达 98. 8% ,能够有效实现无监督场景中不同工况下谐波减速器的故障诊断。     

基于联邦多表示域适应的不同工况下滚动轴承故障诊断方法

针对不同工况下滚动轴承振动数据分布差异大、部分工况下的带标签数据难以获取、不同用户间数据不共享、单一用户 数据量少,导致建立诊断模型准确率不高的问题,提出一种联邦特征迁移学习框架以及基于联邦多表示域适应的不同工况下滚 动轴承故障诊断方法。 该方法对滚动轴承时域振动数据做小波变换得到时频谱图,将先验的有标签公共数据作为源域,多用户 无标签孤岛隐私数据作为目标域;引入多表示特征提取结构对原始残差网络进行改进,提取源域和目标域的多表示特征,分别 构建多用户本地模型;使用深度神经网络的模型压缩思想改进联邦迁移学习框架中的参数传递策略,增强联邦框架的安全性并 降低通信开销;在服务器端构建可用于不同工况下滚动轴承故障诊断的联邦全局模型。 经两种轴承数据集的实验验证,所提方 法无需多用户共享数据即可整合孤岛数据知识,建立有效的不同工况下滚动轴承故障诊断模型,平均故障诊断准确率可达 97. 6% ,相比单一用户建模提升至少 3. 2% 。     

A method for predicting hobbing tool wear based on CNC real-time monitoring data and deep learning

Intelligent monitoring and diagnosis of tool status are of great significance for improving the manufacturing efficiency and accuracy of the workpiece. It is difficult to quickly and accurately predict the wear state of worm gear hob under different working conditions. This paper proposes a novel approach to predict hob wear status based on CNC real-time monitoring data. Based on the open platform communication unified architecture (OPC UA) technology and orthogonal test, the machine data of motor power, current, etc. related to tool wear are collected online in the worm gear machining process. And then, an improved deep belief network (DBN) is used to generate a tool wear model by training data. A growing DBN with transfer learning is introduced to automatically decide its best model structure, which can accelerate its learning process, improve training efficiency and model performance. The experiment results show that the proposed method can effectively predict hob wear status under multi-cutting conditions. To show the advantages of the proposed approach, the performance of the DBN is compared with the traditional back propagation neural network (BP) method in terms of the mean-squared error (MSE). The compared results show that this tool wear prediction method has better prediction accuracy than the traditional BP method during worm gear hobbing.     

Heat treatment effects on tribological characteristics for AISI A8 tool steel and development of wear mechanism maps using K means clustering and neural networks

Viking steel classified under AISI A8 cold working tool steel is widely used for heavy duty blanking and forming operations. The excellent combination of wear resistance and toughness make this material superior when compared to other tool steels in such applications. This cold working tool steel is easy to machine and gives excellent mechanical properties upon proper heat treatment. The heat treatment carried out with air and oil as quenching media at various conditions of temperature and time are discussed. Optical microscopy and hardness tests are performed on the heat-treated specimens. The samples with best results from each group are selected for further analysis. The tribological properties of these specimens are analysed with the help of wear tests conducted on pin on disc tribometer under different load and velocity levels. The data obtained from these experiments are used to find out the coefficient of friction and wear rate. The experimental results are used to develop wear mechanism maps with the help of K means clustering analysis and probabilistic neural networks. A novel approach based on clustering analysis is proposed as the analysis of wear data and wear mechanism maps are developed using with neural networks for tool steel. The data analysis is correlated with the scanning electron microscopic observations and the results are discussed.