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％.     

基于深度学习的高速铣削刀具磨损状态预测方法

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%。     

基于压缩感知和加噪堆栈稀疏自编码器的铣刀磨损程度识别方法研究

数控机床在加工过程中,刀具磨损会对被加工零件的表面质量、尺寸精度产生巨大影响,而传统依靠切削力系数来分析刀具磨损的方法,需要在工作台上安装额外测力装置,这将干扰机床正常加工,限制被加工零件尺寸,引起加工质量降低等问题,限制了其在实际工业环境中的应用。针对上述问题,提出利用主轴电流结合深度学习网络识别铣刀磨损状态的监测方法。首先,理论论证利用主轴电流代替切削力识别刀具磨损的可行性;然后,利用压缩感知对电流信号的频域数据进行数据压缩,其中为提高网络的鲁棒性,对观测信号添加高斯白噪音;最后,将压缩后的数据输入堆栈稀疏自编码网络,利用有监督学习与无监督学习相结合的方法,提取刀具磨损所引起的特征信息,用于表征刀具磨损程度。试验结果表明,该方法可以有效对铣刀磨损程度进行识别。     

基于堆叠降噪自编码的刀具磨损状态识别

提出了一种基于堆叠降噪自编码（SDAE）的刀具磨损状态识别方法。构建了SDAE神经网络来学习声发射（AE）信号的特征,并对自编码网络进行有监督的微调,从而对刀具磨损状态进行精确识别。实验结果表明,SDAE方法能够自适应地学习,得到有效的特征表达,且刀具磨损状态识别结果精确度高,该方法能够有效地进行刀具磨损状态识别。     

基于深度学习理论的发动机气门机构故障识别

为了正确诊断和识别发动机气门机构故障,提出一种基于经验模态分解和堆栈式稀疏自编码器深度学习模型的发动机气门机构故障识别算法。以发动机缸盖振动信号为信号源,对振动信号做经验模态分解,提取各个本征模态分量的时域和频域特征构成故障特征向量集,作为故障识别的样本变量。通过稀疏自编码非监督学习网络对输入向量进行特征学习,并将单层网络堆栈成深度网络,最后采用少量有标签数据对整个深度学习模型进行微调训练,建立气门机构故障识别模型。试验结果表明,EMD-SSAE混合深度学习模型能够有效的识别气门机构的故障状态,并且比EMD-SVM和EMD-BPNN模型获得更高的识别准确率。     

基于深度学习的岸桥机构减速箱振动故障识别

针对岸桥机构减速箱振动信号局部扰动特征学习问题的复杂性,提出一种新型故障诊断模型.首先利用整体经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)变换对振动信号进行瞬态时频分析,获取典型参数的边际谱等特征,形成深度学习的特征向量.在此基础上,提出一种基于深度收缩自编码网络-模糊支持向量机的起重机械故障状态识别模型,并与深度稀疏自编码网络-模糊支持向量机模型等其它模型进行比较.实验结果显示,针对起重机械故障状态识别问题,所建立的新深度学习模型有很好的识别能力,识别准确率可达95.6％.     

非负自编码网络基于部分特征表示的变工况滚动轴承状态识别

为获取数据基于部分特征表示及提升稀疏性,在深度网络中嵌入非负约束,并提出基于非负约束自编码深度网络的滚动轴承状态识别方法。堆栈多个自编码器以及分类层,构建状态特征自学习与状态识别一体化模型。以轴承振动信号时频幅值谱作为网络输入,采用嵌入非负约束限制的无监督逐层预训练和有监督微调算法实现模型优化。深度网络逐层自编码提取数据内在特征,非负约束和加噪编码提升了深度网络的基于部分特征表示能力,并降低了工况变化、噪声干扰等因素影响。将所提方法分别应用于两类滚动轴承的振动数据分析,对时变工况下4种不同状态轴承以及恒定工况下8种不同状态轴承的平均识别准确率分别为97.99%和97.32%,其中保持器不同磨损程度轴承平均识别准确率为95.64%,同时所提方法在不同加噪情况下表现出良好抗噪能力。     

采用深度学习的铣刀磨损状态预测模型

为提高刀具磨损监测的预测精度与泛化性能，研究了基于深度学习的铣刀磨损状态预测，提出了基于堆叠稀疏自动编码网络与卷积神经网络的两种预测模型。堆叠稀疏自动编码网络对特征向量进行降维并将其纳入分类器来实现预测，可避免特征选择对先验知识的依赖；卷积神经网络将铣削振动数据转化为小波尺度图并输入模型完成分类，精简了传统建模流程。最后将提出的两种模型与传统神经网络模型进行比较，验证了所提模型的效率与精度。     

基于深度SSDAE网络的刀具磨损状态识别

针对刀具磨损状态识别过程中采集数据量大、干扰信号复杂且需人为选择特征参数的问题,为提高刀具磨损状态识别模型的鲁棒性与泛化性,提出了一种数据驱动下深度堆叠稀疏降噪自编码（stacking sparse denoising auto-encoder,简称SSDAE）网络的刀具磨损状态识别方法,实现隐藏在数据中深层次的数据特征自动挖掘。首先,将原始振动信号分解为一系列固有模态分量（intrinsic mode function,简称IMF）,并采用皮尔逊相关系数法选取了最优固有模态来组合一个新的信号;其次,采用SSDAE网络自适应提取特征后对刀具磨损阶段进行了状态识别,识别精度达到98%;最后,对网络模型进行实验验证,并与最常用的刀具磨损状态识别方法进行了对比。实验结果表明,所提出的方法能够很好地处理非平稳振动信号,对不同刀具磨损阶段状态的识别效果良好,并具有较好的泛化性能和可靠性。     

基于堆叠稀疏去噪自动编码网络与多隐层反向传播神经网络的铣刀磨损预测模型

刀具磨损状态是机械加工过程中需考虑的重要因素之一.针对铣刀磨损的在线预测问题,建立了一种基于深度学习的铣刀磨损预测模型.首先,将采集到的铣刀切削时的振动信号进行小波去噪后,利用快速傅里叶变换和小波包分解等技术提取时域、频域及时频域上的特征参数,并根据相关性分析从中筛选出合格的特征参数合并为特征向量,以此作为堆叠稀疏去噪自动编码网络(SSDAE)的含噪样本.其次,利用特征后处理的方式对已经筛选出的特征参数进行单调不递减及平滑处理,并将其作为SSDAE的无噪样本来训练该网络.然后,将经过SSDAE降维后的特征向量作为多隐层反向传播神经网络(BPNN)的输入,以这些特征对应的实际铣刀的磨损量作为标签对该网络进行拟合训练.最后,对训练好的模型进行实验验证,通过测试数据集和人为加入噪声的测试数据集的对比,结果显示所提模型不仅具有较高的预测精度,还具有较高的鲁棒性.     

基于SOM和HMM结合的刀具磨损状态监测研究

针对端面铣刀磨损状态的识别问题,提出了基于自组织特征映射神经网络和隐马尔可夫模型结合的方法。该方法对铣削力信号进行预处理和相关特征提取,用自组织特征映射对信号特征矢量进行量化编码,所得码本作为隐马尔可夫模型的输入向量,分别训练三个不同磨损阶段的隐马尔可夫模型来对未知的刀具磨损状态进行监测与识别。实验结果表明,该方法能够对刀具磨损状态进行准确的识别,对自动化生产具有现实意义。     

稀疏自编码深度神经网络及其在滚动轴承故障诊断中的应用

针对目前滚动轴承故障诊断主要采用监督式学习提取故障特征的现状,提出了一种基于稀疏自编码的深度神经网络,实现非监督学习自动提取滚动轴承振动信号的内在特征用于滚动轴承故障诊断。首先,将轴承故障振动信号的频谱训练稀疏自编码获得参数;然后用稀疏自编码获得的参数和轴承振动信号频谱的频谱训练深度神经网络,并结合反向传播算法对深度神经网络进行整体微调提高分类准确度;最后用训练好的深度神经网络来识别滚动轴承故障。对正常轴承、外圈点蚀故障、内圈点蚀故障和滚动体裂纹故障振动信号的分析结果表明:相比反向传播神经网络,提出的深度神经网络更能准确的识别滚动轴承故障类型。     

基于一维卷积长短时记忆网络的多信号融合刀具磨损评估

为实现刀具磨损状态的有效在线监测,提出一种基于一维卷积长短时记忆网络的多信号融合刀具磨损评估模型.该模型综合使用加工过程中主轴和工作台的振动和声发射信号,以实现信号间的优势互补,弥补单一信号的不足;基于一维卷积的特征学习能力和长短时记忆网络的时序特征分析能力,充分挖掘信号中包含的刀具磨损状态信息;最后通过全连接层和softmax分类器对刀具磨损状态进行评估.试验结果表明,该模型在各单一工况下对刀具磨损状态的识别准确率均可达93.8％以上,整体工况下识别准确率达95.3％,具有很好的稳定性和多工况通用性.     

一种1D-CNN与多传感器信息融合的液压系统故障诊断方法

针对液压信号复杂且难以诊断的难点，提出一种多尺度一维卷积神经网络与多传感器信息融合的深度神经网络模型（MS1D-CNN-MSIF）对液压泵与蓄能器进行故障诊断。在提出方法中，采用不同大小的卷积核对故障信号进行多尺度特征提取；然后使用多传感器信息融合策略将多个传感器的特征信号进行融合，最后使用Softmax进行分类识别。诊断蓄能器压力状态与液压泵泄漏状态的实验结果表明，与支持向量机、堆栈自编码、深度置信网络比较，提出模型具有更好的故障诊断性能，蓄能器识别精度可达99.50%，液压泵识别精度可达99.73%。     

残差卷积自编码网络无监督迁移轴承故障诊断

深度学习类轴承故障智能诊断研究中,一般会假设训练数据与测试数据同分布且典型故障样本充足,而实际工况复杂多变,难以获得大量标签数据。将残差学习引入卷积自编码,并结合迁移学习,提出了基于残差卷积自编码无监督域自适应迁移的故障诊断方法。堆叠一维卷积自编码进行特征提取,通过残差学习避免过拟合,提高学习效率;融合多层多核概率分布适配来约束网络学习域不变特征;实现了基于无监督域自适应迁移学习的故障诊断,并获得了较高准确率的识别结果。采用凯斯西储大学轴承数据集进行验证,结果证明了所提出方法的有效性,此外还对主要参数及其影响进行了探讨并给出了对比结果。     

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.     

基于BiLSTM的铣刀磨损状态监测模型

机械加工中刀具磨损退化直接影响工件质量和生产效率,在线监测刀具状态对于提高生产可靠性和降低刀具成本具有重要意义。为实现铣刀磨损状态在线监测,通过采集的主轴振动和主轴电机驱动电流作为监测信号;使用小波阈值降噪消除信号中的环境噪声干扰成分,并通过冗余提升小波变换保留信号的精确频率局部化信息,以提取更为丰富的频率特征;引入BiLSTM双向长短周期记忆网络对特征信号的时间信息进行编码,通过全连接层预测刀具磨损状态。通过铣刀的全寿命实验验证本文设计的铣刀磨损状态监测模型,结果表明,BiLSTM双向长短周期记忆网络可以有效评估铣刀磨损状态。     

基于深度神经网络的液压泵泄漏状态识别

针对液压信号的高度复杂性以及难以识别的特点,构建了一种基于堆栈稀疏自编码器和Softmax的深度神经网络来对液压泵泄漏状态进行识别。利用小波变换和希尔伯特-黄变换提取液压信号的低维特征,并输入深度神经网络。通过堆栈稀疏自编码器的逐层学习对特征进行优化并提取出高维特征,然后使用Softmax进行识别。实验结果表明,堆栈稀疏自编码器能够有效地提取液压泵泄漏状态的高维特征,构建的深度神经网络可有效地识别液压泵泄漏状态,识别精度达到了97.6%。此外与支持向量机、极限学习机、卷积神经网络以及长短期记忆网络相比,深度神经网络具有更好的识别效果。     

基于卷积神经网络的铣刀磨损状态识别技术研究

刀具磨损状态监测对于保证设备运行安全及提高生产效率具有重要意义.建立了基于一维卷积神经网络和极限学习机(1DCNN-ELM)混合模型,实现了对刀具磨损状态进行自动特征提取并快速识别.首先,通过采集原始高频振动信号,并对其进行批量标准化和切片处理;其次,利用一维卷积神经网络(1DCNN)进行自适应特征提取;最后,将极限学习机(ELM)用于铣刀磨损状态识别.引入了Dropout和批规范化(Batch Normalization,BN)加快网络训练及缓解过拟合.实验结果表明,1DCNN-ELM混合模型识别精度高、运算速度快,且具有较好的泛化性能,研究结果为数控加工过程中铣刀磨损状态识别提供理论依据.     

刀具磨损监测及破损模式的识别

对于金属切削过程中的刀具磨损,提出了基于隐马尔可夫模型的模式识别理论来识别刀具的不同磨损状态,从而预报刀具破损.该方法对切削过程中切削力信号的动态分量和刀柄振动信号进行快速傅里叶变换特征提取,然后利用自组织特征映射对提取的特征矢量进行预分类编码,把矢量编码作为观测序列引入到隐马尔可夫模型中进行机器学习,建立了3个不同磨损状态的隐马尔可夫模型,并利用最大概率进行模式识别.试验表明,该方法对车刀磨损过程进行识别和预报是有效的.