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.     

基于结构自适应径向基神经网络的油样光谱数据建模

基于光谱分析数据的机械磨损状态预测有利于发现机械系统的早期磨损故障。由于神经网络对于非线性模型的辨识和非平稳信号的预测，与传统预测模型相比具有明显的优势，将神经网络预测方法运用于光谱分析，提出了基于神经网络预测的光谱分析监测技术。在预测模型中采用了在函数逼近、分类能力和学习速度均优于BP网络的径向基函数（RBF）神经网络模型，针对RBF网络的结构对于信号预测或模型辨识的精度具有影响很大的问题，提出了结构自适应RBF网络预测模型。利用遗传算法，对神经网络输入节点数、径向基函数分布系数及网络训练误差进行了优化，得到了最优的RBF网络预测模型。最后，对某航空发动机实际的光谱分析数据进行了预测和分析，并与ARMA模型进行了比较，结果充分表明了文中方法的有效性和优越性。     

基于深度学习的刀具磨损监测研究现状

基于传统机器学习的刀具磨损监测模型监测精度低且计算复杂度高,难以满足智能制造的发展需求。而基于深度学习的刀具磨损监测模型数据处理和特征提取能力较强,可明显提高监测精度,使加工过程更智能化,因此广泛应用于刀具磨损监测。根据采用的模型,将基于深度学习的刀具磨损监测分为基于卷积神经网络的刀具磨损监测、基于稀疏自编码网络的刀具磨损监测、基于深度置信网络的刀具磨损监测、基于长短时记忆网络的刀具磨损监测和基于混合模型的刀具磨损监测,介绍了各种深度学习模型的基础理论及基本结构,总结了国内外基于深度学习模型的刀具磨损监测方法,分析了存在的问题,并指出了未来的发展方向。     

结合域对抗自适应的刀具磨损预测方法

数控加工中存在刀具几何误差及安装误差、刀具及工件材料性能的随机波动等因素,导致刀具之间的磨损过程与监测信号上存在较大差异的问题,使得刀具磨损值难以精确预测。为此,本文提出了一种结合域对抗自适应的多尺度分布式卷积长短时记忆网络模型（Multiscale time-distributed convolutional long short-term memory,MTDCLSTM）。将加工过程中采集到的多传感器信号作为模型输入,通过域分类器与预测器之间的对抗学习,提取出可有效表征刀具磨损且与域无关的多尺度时空特征,经预测器的非线性映射,实现对刀具磨损值的精确预测。实验结果表明,结合域对抗自适应的MTDCLSTM模型预测性能明显优于分布式卷积神经网络、长短时记忆网络、卷积神经网络与支持向量机模型。与基于迁移成分分析的支持向量回归模型相比,本文模型的均方根误差与平均绝对误差分别降低了59.8%和62.5%,决定系数提高了66.1%,可有效缩小刀具个体之间的差异,提高磨损值预测精度。     

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%。     

采用改进CNN-BiLSTM模型的刀具磨损状态监测

自动化切削加工过程中,准确可靠地监测刀具磨损状态是保证加工质量和加工效率的关键。针对刀具磨损状态相关特征提取繁琐、准确率低及传统的深度学习网络不能全面提取数据隐含信息等问题,提出了一种以卷积神经网络（CNN）和双向长短时记忆（BiLSTM）网络集成模型为基础并通过在卷积神经网络中添加批量标准化层和采用两个双向长短时记忆网络层的改进模型,该模型通过自动提取小波阈值降噪等预处理和降采样后的切削力、振动和声音信号的空间和时序特征来实现刀具磨损状态监测。将改进模型与CNN-BiLSTM模型及传统的深度学习模型进行对比,发现改进模型在精度和稳定性方面有较大提升。所提方法为准确监测自动化加工过程中刀具磨损状态、提高生产效率和加工质量提供了技术支持。     

基于并行多通道卷积长短时记忆网络的轴承寿命预测方法

在预测轴承剩余使用寿命时，数据间的时序特性是一个可以利用的重要隐藏信息。为了更好地提取具有时序信息的特征用于预测，提出了一种基于并行多通道卷积长短时记忆网络（PMCCNN-LSTM）的剩余使用寿命预测模型。该模型主要由两部分组成：前端为并行多通道卷积网络（PMCCNN），提取信号特征，挖掘数据的时序特性，并采用逐层训练和微调的方式提升参数的收敛性；后端为长短时记忆（LSTM）网络，基于特征进行剩余使用寿命预测，并采用加权平均的方法对预测结果进行平滑处理。在一个轴承加速寿命实验的公开数据集上使用留一法验证了该模型的准确性，实验结果表明：所提模型的平均误差与最大误差分别比传统的卷积神经网络（CNN）低23.38%和15.84%，比传统的LSTM低24.14%和19.01%，比卷积长短时记忆网络（CNN-LSTM）低30.32%和23.09%。     

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％.     

基于稀疏注意力机制的齿轮早期磨损故障诊断研究

在齿轮故障诊断领域中，对齿轮早期磨损故障实现有效诊断具有重要意义。然而，早期磨损故障特征弱，诊断难度大。针对该问题，提出了一种基于稀疏注意力机制的齿轮早期磨损故障诊断模型，采用一种新的稀疏注意力机制结合卷积神经网络，改进传统分段序列注意力机制，实现了具体故障频率定位。应用齿轮箱故障模拟实验数据进行测试验证，相比其他诊断方法，所提方法能够在同等样本条件与计算代价下，实现更为准确全面的诊断，降低分析成本，获得敏感故障特征频率，为齿轮维护提供数据支撑。     

基于稀疏自动编码深度神经网络的感应电动机故障诊断

针对目前感应电动机故障诊断大多采用监督学习提取故障特征的现状,提出一种将去噪编码融入稀疏自动编码器的深度神经网络,实现非监督学习的特征提取并用于感应电动机的故障诊断。稀疏自动编码器通过自动学习复杂数据的内在特征来提取简明的数据特征表达。为提高特征表达的鲁棒性,在稀疏编码器的基础上融入去噪编码,提取更有效的特征表达用来训练神经网络分类器进而完成整个深度神经网络的构建,并结合反向传播算法对深度神经网络进行整体微调,提升故障分类的准确度。整个训练过程引入"dropout"训练技巧,减少因过拟合带来的预测误差。试验结果表明,相比传统反向传播(Back propagation,BP)神经网络,提出的深度神经网络能更有效地实现感应电动机故障诊断。     

Prediction of tool wear using regression and ANN models in end-milling operation

Tool wear prediction plays an important role in industry for higher productivity and product quality. Flank wear of cutting tools is often selected as the tool life criterion as it determines the diametric accuracy of machining, its stability and reliability. This paper focuses on two different models, namely, regression mathematical and artificial neural network (ANN) models for predicting tool wear. In the present work, flank wear is taken as the response (output) variable measured during milling, while cutting speed, feed and depth of cut are taken as input parameters. The Design of Experiments (DOE) technique is developed for three factors at five levels to conduct experiments. Experiments have been conducted for measuring tool wear based on the DOE technique in a universal milling machine on AISI 1020 steel using a carbide cutter. The experimental values are used in Six Sigma software for finding the coefficients to develop the regression model. The experimentally measured values are also used to train the feed forward back propagation artificial neural network (ANN) for prediction of tool wear. Predicted values of response by both models, i.e. regression and ANN are compared with the experimental values. The predictive neural network model was found to be capable of better predictions of tool flank wear within the trained range.     

LS-SVM回归算法在刀具磨损量预测中的应用

提出了基于最小二乘支持向量机回归算法的刀具磨损量预测方法。该方法首先利用经验模态分解算法对非线性、非平稳的声发射信号进行平稳化处理,得到了若干个固有模态函数;然后建立了每个固有模态函数的自回归模型,并提取模型系数构造特征向量;最后采用最小二乘支持向量机回归算法实现了刀具磨损量的预测。该方法与神经网络预测算法相比,具有更高的预测准确率,可有效预测当前切削状态下10s后的刀具磨损量。     

基于多源异构数据的数控铣削表面粗糙度预测方法

针对传统数控铣削表面粗糙度预测模型泛化性差、精度较低等问题,提出了一种基于多源异构数据的数控铣削表面粗糙度预测方法.获取变工艺条件下数控铣削的工艺参数、刀具直径及工件材料等静态数据和振动信号、力信号及功率信号等动态数据;采用粒子群优化算法(PSO)优化卷积神经网络(CNN)的网络结构参数得到PSO-CNN;运用PSO-...     

基于小波多分辨率分析和RBF神经网络的刀具磨损状态识别

刀具磨损监测对于提高加工过程的精度和自动化程度具有重要意义。本文提出一种基于RBF函数神经网络的刀具磨损状态监测模式。该系统利用声发射传感器对切削过程进行监测,采用多分辨率小波分解技术从声发射信号中提取反映刀具磨损的特征向量,并输入RBF神经网络,实现了刀具磨损的自动识别。     

数字孪生驱动的数控铣削刀具磨损在线监测方法

针对数控铣床不断老化导致刀具磨损预测模型误差较大,加工过程中动态数据难以在线采集等问题,提出一种数字孪生驱动的刀具磨损在线监测方法。采用神经网络对加工过程中的多源数据进行特征提取,建立考虑机床老化的刀具磨损时变偏差量化模型,并在此基础上提出数控铣削刀具磨损的在线预测方法;开发了面向刀具磨损的数控铣削数字孪生系统,在线感知加工过程中的动态数据并实时仿真刀具磨损过程;最后,将该方法应用于实际加工中并与其他的预测方法进行了对比,结果表明该方法有效降低了机床老化带来的误差,实现了刀具磨损的精确预测。     

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...     

模具钢铣削中刀具磨损的试验研究

以面铣刀刀片磨损为研究对象,结合类神经网络系统建构高速数控铣削加工的预测模型。以加工参数为模型输入条件,刀腹磨耗为输出条件。采用多因素试验方法,选择切削速度、进给速度、切削深度三个试验参数,利用直交表式的试验计划法设计试验点。依照试验点铣削工件后再测量刀具加工后的刀腹磨耗量,进而求得倒传递网络所需的36组训练范例与11组验证数据。刀腹磨耗预测模式是利用类神经网络中的倒传递网络原理,以田口法求得倒传递网络参数的最优值。试验结果显示,刀腹磨耗随着切削速度、进给速度、切削深度增加而上升。铣削模具钢后,刀具磨耗预测值的平均误差为4.72%,最大误差为11.43%,最小误差为0.31%。整体而言,类神经网络对于铣削加工可进行有效预测。     

CHMM for tool condition monitoring and remaining useful life prediction

To solve the problems of tool condition monitoring and prediction of remaining useful life, a method based on the Continuous Hidden Markov Model (CHMM) is presented. With milling as the research object, cutting force is taken as the monitoring signal, analyzed by wavelet packet theory to reduce noise and extract the energy feature of the signal as a basis for diagnosis. Then, CHMM is used to diagnose tool wear state. Finally, a Gaussian regression model is proposed to predict the milling tool’s remaining useful life after the test sample data are verified to be consistent with the Gaussian distribution based on a reliable identification of the milling tool wear state. The probability models of tool remaining useful life prediction could be established for tools with different initial states. For example, when an unknown state of milling force signal is delivered to the milling tool online diagnostic system, the state and the existing time of this state could be predicted by the established prediction model, and then, the average remaining useful life from the present state to the tool failure state could be obtained by analyzing the transfer time between each state in the CHMM. Compared to the traditional probabilistic model, which requires a large amount of test samples, the experimental cost is effectively reduced by applying the proposed method. The results from the experiment indicate that CHMM for tool condition monitoring has high sensitivity, requires less training samples and time, and produces results quickly. The method using the Gaussian process to accurately predict remaining life has ample potential for application to real situations.     

PCD刀具高速铣削GH4169合金的刀具磨损规律研究

为研究PCD刀具高速铣削GH4169合金时刀具的磨损规律,采用单因素试验法分别对不同铣削参数下后刀面磨损程度随切削路程的变化进行对比。结果显示主轴转速对高速铣削GH4169合金时刀具磨损的影响不大,采用顺铣、切削液冷却的方式,并适当降低每齿进给量有助于减小刀具磨损。使用BP神经网络对试验数据进行训练,建立了刀具磨损预测的模型,预测结果与实际结果误差在5%以内。