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.     

基于多源同步信号与深度学习的刀具磨损在线识别方法

为提高刀具状态监测系统的实用性、避免实际加工过程中工序变换产生的信号干扰,提出一种基于多源同步信号与深度学习的刀具磨损在线识别方法。该方法利用自动触发的方式实现了机床运行在特定工序时的刀具振动、主轴功率、数控系统参数等多源信号的同步在线采集,保证信号同步性的同时有效避免了因工序变换而产生的信号波动干扰;进一步利用高频振动特征实现了 “切削过程”与“切削间隙”采集样本的准确划分,并基于皮尔逊积矩相关系数筛选出强关联特征,保证了多源监测信号融合样本的可用性;最后基于一维卷积神经网络建立了刀具磨损在线识别模型。实验结果表明,该方法无论从识别精度还是诊断效率,均能实现实际加工过程中刀具磨损状态的在线识别。     

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。     

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％.     

云边端协同的机床刀具故障智能诊断系统研究

为提高机床刀具磨损故障诊断精度,借助三轴加速度传感器采集机床刀具磨损振动数据,并以此为基础,提出一种基于长短时记忆网络与多尺度卷积神经网络集成的机床刀具故障诊断算法,挖掘机床刀具在不同故障模式下的空时域多尺度特征,实现机床刀具磨损状态的精准识别。同时,为满足实际产线对故障诊断的高实时性要求,设计一种适用于机床刀具故障诊断的云边端协同架构,通过底层产线、边缘节点与工业云平台的高效协同,实现机床刀具故障的及时预警。研究结果表明,所提云边端协同的机床刀具故障智能诊断系统可实现机床刀具磨损状态的精准识别,同时可缩短故障诊断任务的完成时间。     

基于长短记忆网络的刀具磨损监测方法研究

刀具磨损监测是推动数控机床稳定运行的有效手段。为实现刀具健康实时监测,设计一种基于长短记忆网络的刀具磨损监测方法。将实时采集的切削力信号进行去噪、降维等预处理;用堆叠自编码器进行特征提取,获得影响刀具磨损的本质特征;用长短记忆网络构建刀具磨损监测模型,实现加工过程中刀具磨损监测。利用铣削实验数据进行实例验证,获得磨损量平均绝对误差为0.060 80的铣刀磨损量监测模型,验证了该方法的有效性。     

基于卷积神经网络的铣刀后刀面磨损状态预测方法研究

为了监测高温合金材料加工时的铣刀后刀面磨损状态,提出了基于卷积神经网络的刀具磨损状态预测方法,建立了基于机床主轴电流与功率信号实时监测的刀具磨损状态预测系统。通过建立与机床数控系统的通信,采集加工过程中的电流和功率信号,采用主成分分析法(PAC)对采集的参数进行特征提取,选择对刀具磨损值影响较大的主成分作为卷积神经网络的输入,实现对刀具磨损状态的准确预测。铣削实验结果表明,该方法具有较高的预测准确率。     

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。