基于多源数据融合的铣刀磨损状态监测

针对铣刀磨损状态实时监测问题,提出融合三向多源监测信号构建基于卷积神经网络的铣刀磨损状态监测模型.首先,将三个方向振动监测信号转换成幅值谱作为网络模型的输入;其次,构建了单源数据卷积神经网络磨损监测模型;最后,采用决策层数据融合方法得到基于多源振动信号融合的铣刀磨损状态监测模型.实例验证表明:该方法用于刀具磨损状态识别...     

基于切削力和神经网络的铣削刀具状态监测研究

基于切削力分量测量信号,提出了用于端面铣削的刀具状态监测(TCM)的3层BPNN网络系统,用于估计铣削过程中的刀具磨损(Vb)和表面粗糙度(Ra).利用切削力数据构建了6×10×2结构的神径网络的训练样本,并对其性能进行了评价.建立了刀具磨损和表面粗糙度与有关的切削参数关系.试验结果表明模型输出与直接测量的刀具磨损和表面粗糙度的值非常接近,证明了该方法是可行的.     

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3-KMBS的刀具磨损检测方法研究

刀具在高速铣削过程中,很难检测到刀具磨损状态,而刀具磨损严重时将影响加工精度与产品质量。针对刀具磨损在线检测问题,文章提出了一种基于3-KMBS的刀具磨损检测方法。首先,采集高速刀具铣削时在不同轴向的振动和声发射信号,并进行数据预处理;其次,采用改进的3-K-Means聚类算法聚类出刀具的三种磨损状态区间,并提出多选择多隐层神经网络结构对其进行特征学习,再使用Softmax进行分类;最后,采用随机梯度下降对整个深层网络进行参数微调,建立刀具磨损检测模型。实验结果表明,所提出的方法在刀具磨损检测上准确率高达95%。     

基于时间卷积长短时记忆网络的多域特征融合刀具磨损预测

准确预测刀具磨损是一个具有挑战性的问题。如何结合各种信号的优势，融合传感器信号特征来提高预测精度，是一个关键问题。为解决上述问题，提出基于时间卷积长短时记忆网络(TCN-LSTM)的多域特征融合刀具磨损预测方法。收集来自不同传感器的信号，在时域、频域上对不同传感器信号分别进行特征提取，时频域上利用变分模态分解算法将原始信号分解并计算每个分量的能量来构成多域特征向量。使用皮尔逊相关系数法对多域特征进行优化，经优化后构成的多域特征矩阵作为模型的输入，通过TCN-LSTM模型有效地学习了所获得的多域特征矩阵与实时刀具磨损之间的复杂关系。最后，在干式铣削条件下进行3组刀具磨损实验对所提出的方法进行了验证。实验结果表明：所提出的方法比对比模型的预测准确率更高，泛化能力更好。     

基于CEEMDAN和改进轻量化时空网络的刀具状态监测

针对刀具退化特征提取困难和传统时空网络模型参数多等问题,提出了基于自适应噪声完备经验模态分解(CEEMDAN)和改进轻量化时空网络(BiLSTM-SN-ECA)的刀具磨损监测模型。首先,将刀具振动信号经CEEMADAN分解得到若干模态分量,将模态分量与振动信号结合,构造特征矩阵;其次,利用ECA改进ShuffleNetv2基本单元,并优化ShuffleNetv2整体结构,构造BiLSTM-SN-ECA网络模型;最后,将特征矩阵输入模型进行特征学习与磨损预测。所提方法预测值的平均绝对误差和均方根误差分别为1.246μm和2.065μm,结果表明该方法在减少传统时空网络模型参数量与训练时间的同时,提高了预测准确度。     

无先验知识下基于CHMM的刀具磨损监测技术

切削刀具的状态直接影响工件加工质量、生产率和产品成本,因此在切削加工过程中监测刀具的状态显得尤为重要。针对实际监测系统通常无法获取刀具各磨损退化状态先验知识的情况,以切削力与切削振动为监测信号,提出无先验知识下基于小波包分析与连续隐马尔可夫模型的刀具磨损监测技术。应用小波包分析技术提取信号特征信息,采用S函数实现特征值归一化处理。利用监测过程中的刀具正常状态下归一化特征信息建立基于连续隐马尔可夫模型的监测模型;根据刀具未知状态特性向量与监测模型间的对数似然度获取刀具性能指标PV,实现刀具磨损状态评价。采用铣刀磨损全寿命数据来验证该方法的有效性,实验结果表明:该方法能在无先验知识的情况下对刀具的健康状态进行较为准确的评估,且所需样本数较少,训练速度快。该技术对实现无先验知识下的刀具智能化在线状态监测具有重要意义。     

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。     

基于三维测量和混合建模的刀具三维磨损形态研究

刀具磨损部位的三维形态是研究刀具几何参数合理性、分析刀具磨损原因的重要依据。采用三维光学扫描测量技术获取磨损刀具的三维点云数据,利用实体模型与点模型混合处理技术获得刀具磨损区域的三维形态,基于3D模型和点云数据的对比获得磨损前后刀具变化色谱分析图以及偏差分析报告。给出车削硬质合金刀片的三维磨损形态分析步骤,验证方法的可行性和有效性。     

基于迁移学习与残差网络的刀具磨损状态监测

针对现有基于深度学习的刀具磨损状态监测方法训练样本少、识别精度低的问题，建立基于迁移学习（TL）与深度残差网络(ResNet)的铣刀磨损状态监测模型。将刀具加工过程中的振动监测信号通过连续小波变换转换成能量时频图，作为网络模型的输入；将在ImageNet数据集上训练的ResNet50模型作为预训练模型，通过迁移学习的方法，应用到刀具磨损状态监测领域当中。实例验证表明:TL-ResNet模型的平均识别准确率达到98.52%，实现了刀具不同磨损状态下的智能识别，有效提高了刀具磨损状态监测的准确性和稳定性。     

基于切削力的小波神经网络刀具磨损状态监测

为了有效地进行刀具状态监测,采用小波神经网络对刀具进行故障诊断.通过小波变换提取刀具磨损切削力信号的特征,利用小波包分解技术对信号进行分析,得到有效的特征量作为BP神经网络的输入样本,并对网络进行学习训练,完成对刀具磨损状态的有效识别.仿真结果表明该方法是有效的.     

基于粗糙集和BP神经网络的刀具状态监测

在刀具磨损状态监测中,能够提取到的反映不同刀具磨损状态的特征量较大,基于神经网络的状态识别无法去掉冗余特征,会存在训练时间长和准确率降低等问题。针对这些问题,提出基于粗糙集-BP神经网络的刀具磨损状态监测方法,利用粗糙集对特征进行属性约简,去掉冗余信息,从而优化特征,并且减少神经网络的输入端数据,可以缩短神经网络的训练时间和提高识别的准确率。通过对实测刀具数据进行分析,证明了该方法的有效性。     

基于公共通信网络的刀具磨损监控系统研究

采用声发射和功率测定的多状态测量法,采集多种刀具状态信息,利用目前的公共移动通信网络(GPRS/GSM),对刀具在线监控远程数据进行传输,建立了刀具磨损监控系统的总体方案,并对系统的软硬件进行设计,开发了刀具磨损监控系统。     

基于EMD和ADS的刀具磨损在线监控系统开发

为实现刀具磨损状态准确快速的识别,开发了一套基于自动化设备规范(ADS)通信技术和经验模态分解(EMD)的刀具状态在线监控系统。运用EMD将振动信号分解成多个固有模态函数分量(IMF),综合使用相关系数法以及能量值法筛选了前6阶IMF分量的均方根值作为监测特征,然后将监测特征作为支持向量机的输入,建立监测特征与刀具磨损状态的关系模型。加工中的一定长度的振动数据经ADS技术传输到建立好的支持向量机(SVM)模型中,完成刀具状态的识别。使用TwinCAT和Matlab实现了整套系统的功能。经试验验证,刀具监控系统运行稳定,能对刀具状态进行准确快速的判断。     

基于切削声和切削力参数融合的刀具磨损状态监测

针对单一传感器监测刀具磨损状态存在的不足,提出了将声传感方式和力传感方式综合利用,以人工神经网络作为多传感器信息融合的方法.在立式数控加工中心上铣削加工45<'#>钢调质试件,利用驻极体传声器和Kistler测力仪检测与刀具磨损相关的特征量,得出铣削声信号特征量LPCC的第6、7、8阶分量,X、Y向切削力以及绕z轴的力矩与刀具磨损密切相关.以这6个特征量作为神经网络的输入信号,利用有动量的梯度下降的BP算法建立了刀具磨损状态监测的多参数融合模型.研究结果表明神经网络输出值与实际测量值基本相符合,切削声和切削力特征融合后提高了识别刀具磨损程度的准确性和稳定性.     

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SSA-VMD和BiLSTM的刀具磨损状态识别北大核心

针对变分模态分解(VMD)参数选取和刀具磨损特征提取困难等问题,提出了基于松鼠觅食算法(SSA)、VMD和双向长短期记忆网络(BiLSTM)的刀具磨损状态识别模型。首先,以包络熵为适应度函数,使用SSA优化VMD的参数,利用优化后的VMD分解刀具振动信号得到4组模态分量,并进行信号重构;其次,构建BiLSTM网络模型,并把信号模态分量、原始信号和重构信号一起构成特征矩阵输入模型当中,利用BiLSTM提取信号特征;最后,通过全连接层和Softmax层对刀具磨损状态进行识别。实验结果表明,SSA能够找到VMD最优参数组合,降低信号噪声,提出的SSA-VMD-BiLSTM模型在准确率和适应性方面优于传统的LSTM模型。     

深度卷积神经网络在多工况下刀具磨损状态监测中的应用

为了解决复杂多工况下刀具磨损状态的监测问题,提出一种基于深度学习的刀具磨损状态监测方法,并构建敏感特征值提取函数.基于刀具磨损数据集,建立多种工况下刀具磨损状态的监测模型,进行多工况下刀具磨损状态监测研究.研究结果表明:当敏感值界限设置为0.3时,从声发射、振动和电流信号的特征值中可以提取出56个敏感特征值;以均方根误...     

基于不确定性云推理的刀具磨损量预测方法

针对刀具磨损存在随机性和模糊性的特点,提出基于不确定性云推理的刀具磨损量预测模型。首先利用逆向云算法计算刀具磨损声发射信号的3个云特征参数,期望、熵和超熵;其次,通过条件云发生器挖掘不同磨损阶段磨损趋势与不同磨损阶段云特征参数之间的关系,并构建基于云条件发生器的云预测规则;最后,在此基础上建立了多条件单规则云发生器的磨损量预测方法。研究结果显示:云推理刀具磨损量预测模型符合刀具磨损规律;对非确定模型进行预测,云推理比模糊推理更符合实际情况。此外,该方法能反映磨损的实时情况,具有较强的实用性。     

基于EMD-HMM的机床刀具磨损故障诊断

针对机床刀具磨损故障诊断,提出基于经验模态分解（EMD）进行信号处理和基于隐马尔科夫模型（HMM）进行模式识别的刀具故障诊断方法。在信号处理阶段,对机加工过程中的振动信号进行经验模态分解,得到若干固有模态函数（IMF）,计算IMF的能量值并选用前几阶高能量的IMF作为识别参数。在模式识别阶段,先将训练样本使用HMM的基本方法进行模型训练获得HMMs,再使用测试样本进行模型准确性验证。完成验证的模型就可以表示该机床刀具磨损和机加工刀具信号的对应关系,可以应用到刀具磨损的监测识别中。