共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
3.
4.
5.
在刀具磨损过程中,通常采集的正常磨损阶段的样本数据比初始磨损阶段和急剧磨损阶段的样本数据量多,这导致刀具磨损状态数据集不平衡,从而使深度学习网络模型对刀具磨损状态预测准确性降低。针对问题,文章提出一种基于cGAN的刀具磨损状态监测数据集增强方法。在cGAN中添加了类别条件信息,有利于生成器更好的捕捉刀具磨损样本的数据分布特点,从而生成和真实刀具磨损样本分布相似的样本。采集铣削加工过程中的振动信号,将振动信号转换成频谱数据输入到c GAN中,cGAN通过生成器和鉴别器之间的对抗训练,学习数据分布特点,生成刀具磨损状态样本数据。将增强的数据集输入到深度学习网络模型中进行分类,测试生成数据的可用性。实验结果显示,由增强的刀具磨损状态数据集训练深度学习网络模型,可以有效提高模型对刀具磨损状态监测的准确性,其预测精度达到98.1%。 相似文献
6.
7.
<正> 1、刀具磨损的种类及其检测的需要程度刀具磨损的种类很多,如图1所示,大致分为塑性变形、磨耗磨损及脆性破损。此外,钻头、丝锥、端铣刀等刀具加工时,还有因切削刃刀瘤严重和切屑堵塞而出现的刀具折断等。 相似文献
8.
基于深度学习的高速铣削刀具磨损状态预测方法 总被引:2,自引:0,他引:2
《机械与电子》2017,(7)
由于铣刀在高转速下进行不连续切削,刀具磨损迅速且难于监测,并且刀具磨损严重影响加工精度与产品质量。针对高速铣削刀具磨损难以在线预测问题,提出了一种基于深度学习的高速铣削刀具磨损预测的新方法。通过小波包变换提取铣削力信号在不同频段上的能量分布作为初始特征向量;采用无监督学习对稀疏自编码网络进行特征学习,并将单层网络堆栈构成深度神经网络;最后利用有监督学习对整个深度网络进行微调训练,建立铣削刀具磨损预测模型。实验结果表明,所提出的方法对刀具磨损状态预测准确率达到93.038%。 相似文献
9.
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。 相似文献
10.
自动化生产系统的工作可靠性与加工质量在很大程度上取决于刀具工作状态,因此刀具磨损与破损在线监测成为机械过程自动化重大技术关键.根据某种最优准则,选择一组既与主导变量有密切关系又容易检测的二次变量,通过构造某种数学关系以实现对主导变量即刀具磨损量的监测是文章的宗旨.通过软件平台建立了切削过程数据采集系统,现场监测参数为机床主轴电机电流,软件平台是LabVIEW.实验证明:该系统实现了机床主轴电机电流信号的采集、存储、分析,能在线监控电流的变化情况,反映出刀具的磨损状况.具有准确性,有效性和实用性. 相似文献
11.
12.
随着工业4.0的到来,对制造业智能化的要求越来越高,刀具作为机械加工中的重要组成部分,其智能化监测也变得愈加重要。本文从监测信号、信号处理和分类模型三个方面阐述了刀具磨损状态监测技术的最新研究进展。比较了不同监测信号的优点与不足,深入分析了信号处理及分类模型的原理。对刀具磨损状态监测的未来发展进行了展望,提出了引入深度学习方法,期望能够提高智能化监测的准确性和鲁棒性。 相似文献
13.
14.
15.
16.
17.
18.
19.
20.
基于切削声音的刀具磨损状态识别研究 总被引:1,自引:0,他引:1
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。 相似文献