基于深度学习和多传感器的数控机床铣刀磨损状态信号监测方法研究

由于单一传感器存在获取信息量有限、抗干扰能力较弱等问题及传统网络模型诊断时间长、诊断率低等现象,采用振动、噪声等多个传感器监测铣刀的磨损状态。提出将深度学习和多传感器相结合的铣刀磨损状态信号监测方法;将经核主元筛选和未筛选的数据分别输入到BP神经网络、RBF神经网络和深度卷积神经网络中进行模式识别,并对识别结果进行对比和分析。结果表明:深度学习和多传感器相结合的铣刀磨损状态监测方法在特征量比较大、数据量比较多的情况下诊断速度、准确率均比较高,在铣刀磨损状态监测中具有明显的优势。     

基于时间卷积网络的刀具磨损在线监测

在刀具磨损监测领域中,传统卷积神经网络难以选择合适的卷积核大小,循环神经网络容易发生梯度消失和梯度爆炸,为克服以上缺点,引入时间卷积网络构建在线监测模型对刀具磨损量进行监测。考虑到原始数据量过大且每次走刀过程所采集数据量不同,对数据进行降采样处理,获得了大小为(7,5000)的网络输入数据。通过一维卷积神经网络和时间卷积块的依次叠加,对数据进行特征提取,使用全连接网络将特征映射到刀具磨损值。最后,使用PHM大赛中铣刀磨损的数据验证了模型的效果。实验结果证明,基于时间卷积网络的刀具磨损在线监测模型具有较强的泛化能力,在验证集上均方误差和平均绝对误差分别仅为65.16与6.21,相较于隐马尔科夫、梯度提升树等模型具有较大的提升。     

基于HPSO优化BP神经网络的刀具磨损状态识别

针对BP神经网络容易陷入局部极值导致识别精度低的问题,文章提出了一种基于混合粒子群算法(HPSO)的BP神经网络优化算法。在刀具磨损监测实验过程中,采集刀具切削的声发射(AE)信号,利用小波包分解算法对AE信号进行滤波,并进行特征提取。将频带能量特征和切削参数分别作为主特征和辅助特征,并对其对归一化处理。采用混合粒子群优化算法(HPSO)对BP神经网络预测模型进行优化,利用优化后的模型对测试样本进行模式识别,结果表明,优化后的HPSO-BP模型能够有效地降低神经网络陷入局部极值的情况,提高刀具磨损识别精度。     

基于LSTM和声发射的金刚石砂轮磨损状态识别

针对超精密磨床磨削加工中对砂轮磨损状态监测和识别的需求,基于长短时记忆网络(LSTM)建立砂轮磨损状态识别模型,通过小波包分析提取砂轮磨损敏感频段的特征,继而使用降维后的敏感频段频域特征为输入来训练模型以识别砂轮的磨损状态,并对比了不同超参数下的LSTM网络以及传统前馈神经网络的识别效果以获取最佳模型。完整寿命周期的金刚石砂轮磨削熔石英玻璃实验结果表明基于LSTM的网络模型可以准确识别砂轮的磨损状态,且误差比传统BP神经网络模型降低了61.3%,证明了模型的有效性,并为进一步使用数据驱动模型研究砂轮剩余寿命预测提供了理论基础。     

基于优选特征的刀具磨损监测方法

文章以端面铣刀为研究对象,采用相关系数方法和模糊聚类方法对铣削力信号特征进行研究和分析,提出了一种可应用于在线诊断端面铣刀磨损量的特征优选方法。首先从特征的相关性出发,利用相关系数法对铣削力信号特征进行初选,去除冗余特征;其次从特征的模糊性出发,利用模糊聚类寻求最优特征子集;最后将选取的特征作为BP神经网络的输入,输出铣刀磨损量。实验结果表明,利用该方法能够选择优化特征子集,提高诊断精度和诊断效率。     

基于BP神经网络的微孔钻削实时监测

为防止微孔钻削过程中钻头折断,研制微孔钻削在线监测系统。该系统以主轴电机三相电流对应的电压信号为监测对象,应用神经网络建立钻头磨损状态与信号特征的关系模型,以此获取隐含微细钻头磨损状态的信息值。实验结果表明,应用此系统进行微孔钻削在线监测,可以有效避免微钻头的折断,提高钻头的利用率。     

二进制PSO算法在刀具磨损状态识别中的应用

特征选择是刀具磨损状态识别的重要问题之一。文章以端面铣刀为研究对象,提出了一种基于二进制粒子群算法的铣削力信号特征优选方法。该算法采用相关准则给定适应度函数,以此计算粒子适应值。通过二进制编码方式,寻找全局最优解作为最优特征构成特征子集。最后将优选的铣削力信号特征子集输入到三层BP神经网络进行模式识别。实验结果表明,二进制粒子群算法优选的铣削力信号特征子集可以提高刀具磨损状态识别精度和缩短识别时间。     

WOA-SVM算法在钛合金端铣刀具磨损预测的研究

针对钛合金加工中刀具磨损状态的准确识别问题,建立了基于支持向量机(SVM)和鲸鱼优化算法(WOA)的钛合金刀具磨损预测模型。将SVM和WOA相结合,提出了一种新的WOA-SVM模型,用于钛合金立铣刀刀具磨损的精确估计。通过提取切削力的信号特征作为监测特征,利用邻域保持嵌入(NPE)对监测特征实现降维,提高了WOA-SVM模型的建模效率。实验结果表明：在保证预测精度的前提下,NPE的使用使WOA-SVM的建模时间减少了90%以上;与PSO-SVM和GSA-SVM等常用方法相比,WOA-SVM具有较高的预测精度,建模时间减少了30%以上;所建模型能有效预测钛合金加工刀具的磨损状态。     

基于AR模型的铣刀磨损诊断

传统的铣刀磨损故障诊断大多采用小波分析结合神经网络的方法,该方法的缺点是算法复杂,计算量大,很难实现铣刀磨损的在线识别并对其进行反馈控制。本文引入自回归（AR）模型来表征刀具切削过程的正常工作状态,用Levinson-Durbin递归算法求解Yule—Waker方程获得AR模型的系数。将建立的AR模型作为线性滤波器处理其它各种状态铣刀振动信号,获得预测误差信号,之后对预测误差信号进行各种统计特征分析。试验结果表明,预测误差信号的方差是有效的与刀具磨损相关的指标,可以用来在线识别加工过程铣刀磨损状态。     

结合时空特征的多传感器刀具磨损监测

针对传统深度学习方法监测刀具磨损状况时,相关特征提取繁琐,数据隐含信息提取不全面导致识别精度较低等问题,提出了结合时空特征的多传感器刀具磨损监测模型。首先,将不同传感器采集的波形信号经简单预处理后作为输入,再使用多通道1D卷积神经网络(MC-1DCNN)提取输入数据的空间特征;然后,利用双向长短时记忆网络(BiLSTM)提取时序特征;最终,由全连接层和Softmax层对特征进行分类。仿真结果表明,监测模型流程简单、识别准确率高,具备较强的可适用性。     

基于改进LSTM-AdaBoost的铣刀磨损量预测

针对铣刀磨损量预测时精度低的问题,提出一种基于黑寡妇算法（BWO）优化的长短期记忆神经网络（LSTM）与AdaBoost集成学习算法相结合的铣刀磨损量预测方法。在铣刀磨损振动信号中提取时域、频域以及时频域多域特征。通过BWO算法优化LSTM的核心参数,并将优化后的LSTM网络与AdaBoost算法进行结合,构建铣刀磨损量预测模型。最后用PHM Society 2010铣刀全寿命周期的振动数据进行实验。研究结果表明：所提方法能够有效地预测出铣刀磨损量变化值,优化后模型的平均绝对误差百分比为3.436%、均方根误差为6.471、决定系数 R2 为0.935。该方法能够获得准确率更高的铣刀磨损量预测值,预测效率更高。     

On-line tool wear estimation in CNC turning operations using fuzzy neural network model

In recent past, several neural network models which employ cutting forces and AErms or their derivatives for estimation as well as classification of flank wear have been developed. However, a significant variation in mean cutting forces and AErms at the start of cutting operation for similar new tools can result in estimation and classification error. In order to deal with this problem, a new on-line fuzzy neural network (FNN) model is presented in this paper. This model has four parts. The first part of the model is developed to classify tool wear by using fuzzy logic. The second part of this model is designed for normalizing the inputs for the next part. The third part consisting of modified least-square backpropagation neural network is built to estimate flank and crater wear. The development of forth part was done in order to adjust the results of the third part. Several basic and derived parameters including forces, AErms, skew and kurtosis of force bands, as well as the total energy of forces were employed as inputs in order to enhance the accuracy of tool wear prediction. The experimental results indicate that the proposed on-line FNN model has a high accuracy for estimating progressive flank and crater wear with small computational time.     

基于EEMD与CPSO-ELM的车削机床刀具磨损故障检测与识别

鉴于数控车床刀具在机械加工系统中占有重要的地位,故数控车床刀具磨损故障的在线检测与识别具有重要意义。以华中数控车床为研究对象,提出了以平均经验模态分解(EEMD)、混沌粒子群(CPSO)以及核极限学习机(ELM)等方法对车床刀具磨损故障进行诊断。介绍了EEMD、CPSO以及ELM的基本原理和过程;对采集得到的刀具磨损信号进行前期预处理,经EEMD分解后得到IMF分量,以峭度、峰值、均方根值作为一种选取标准,选择包含较多故障信息的几个IMF进行信号重组并计算;将计算结果组成特征向量输入CPSO-ELM、SVM以及BP神经网络等分类器进行故障识别和对比。实验结果表明:对比传统的BP神经网络和SVM分类器,CPSO-ELM分类器具有快速、精确、有效的识别特性,能够有效检测和识别刀具磨损故障。     

Drill wear monitoring using neural networks

The primary objective of this research is to monitor drill wear on-line. In this paper, drill wear monitoring is carried out by measuring the thrust force and torque signals. In order to identify the tool wear conditions based on the signal measured, a neural network, using a cumulative back-propagation algorithm, is adopted. This paper also describes the experimental procedure used and presents the results obtained for establishing the neural network. The inputs to the neural network are the mean values of thrust force and torque, spindle rotational speed, feedrate and drill diameter. The neural network is trained to estimate the average drill wear. It is confirmed experimentally that the tool wear can be accurately estimated by the trained neural network. The accuracy of tool wear estimation using the neural network is superior to that using other regression models.     

基于BP和RBF神经网络的表面质量预测研究

目的 研究RBF和BP神经网络在铣削加工中的作用,实现对铣削加工质量的预测,改善铣削性能。方法 对环形铣刀与常用的球形铣刀进行对比,然后基于MATLAB平台,建立以铣削速度、进给量和铣削深度为输入参数,表面粗糙度为输出参数的RBF神经网络模型。通过大量的试验数据对RBF神经网络模型进行训练,然后再用训练好的RBF神经网络模型预测表面粗糙度,将预测值与实测值进行比较,验证RBF神经网络的预测性能。将训练好的BP神经网络模型与RBF神经网络所建模型的预测结果进行比较。结果 发现用RBF方法预测的表面粗糙度相对误差的绝对值不超过6%,最大误差为0.056 098,平均误差为0.022 277,而BP方法的最大误差为0.074 947,平均误差为0.036 578。结论 环形铣刀加工质量更好。RBF神经网络的预测精度较高,具有比BP神经网络更优的预测能力,且拥有建模时间短、收敛速度高、训练过程稳定以及学习速度快等优点,能有效进行铣削质量预测。     

基于参数策略的改进粒子群优化PNN神经网络刀具磨损研究

刀具磨损直接影响工件加工质量和尺寸精度,正确掌握刀具磨损状态及时换刀,减少机床停机时间,将直接提高加工效率。为提高刀具磨损状态识别准确率,提出一种基于参数策略的改进粒子群优化PNN(IPSO-PNN)神经网络识别刀具的磨损状态。相较于BP神经网络收敛速度慢、易陷入局部最优的缺点,IPSO-PNN神经网络结构简单、训练简洁快速。与BP神经网络和标准PNN神经网络仿真结果对比,结果表明:IPSO-PNN神经网络识别准确率高,收敛速度快,仿真耗时短,能有效提高刀具磨损识别准确率。     

基于BP神经网络和D-S证据理论的刀具磨损监测方法

将BP神经网络和D-S证据理论相结合的方法运用于刀具磨损监测中,采用小波包分解法对刀具磨损过程中产生的声发射信号进行特征提取,构建特征向量,利用BP神经网络识别判断刀具磨损状态;通过BP神经网络的输出结果和训练误差计算D-S证据理论的基本概率赋值,并用D-S证据理论对BP神经网络的识别结果进行决策级融合。实验结果表明:该方法避免了神经网络识别时的误诊,提高了整个刀具磨损监测系统识别的准确性和可靠性。