| 基于长短期记忆神经网络的刀具磨损状态监测 |
| |
| 引用本文： | 朱翔,谢峰,李楠.基于长短期记忆神经网络的刀具磨损状态监测[J].制造技术与机床,2019(10):112-117. |
| |
| 作者姓名： | 朱翔 谢峰 李楠 |
| |
| 作者单位： | 安徽大学电气工程与自动化学院 |
| |
| 基金项目： | 安徽省重点研究与开发项目(1804a09020003) |
| |
| 摘 要： | 刀具磨损状况的实时检测是目前机床加工状态监测的难点,而对刀具的振动信号分析的常用方法是利用神经网络模型来判断刀具磨损状态。为解决循环神经网络(RNN)模型训练过程中梯度容易消亡的现象,提出基于长短期记忆神经网络的刀具磨损状态在线监测。刀具在进行切削加工时,首先通过加速度传感器采集刀具振动信号,然后对振动信号小波包变换进行分解是让信号通过不同的滤波器进行有条件的选择,由此形成不同的能量值,用作为长短期记忆神经网络的特征输入,从而诊断出刀具磨损状态的3种状态故障;最后利用长短期记忆神经网络模型对处理时间序列的数据有比较好的效果,它可以捕捉长期的依赖关系和非线性动态变化。此外,通过与多层(BP)神经网络和(BP)神经网络故障诊断方法进行比较,结果表明,LSTM网络对刀具磨损状态在线监测更加有效。
|
| 关 键 词： | 刀具磨损 加速度 小波包变换 在线监测 长短期记忆神经网络 |
Tool wear state monitoring based on long-term and short-term memory neural network |
| |
| ZHU Xiang,XIE Feng,LI Nan.Tool wear state monitoring based on long-term and short-term memory neural network[J].Manufacturing Technology & Machine Tool,2019(10):112-117. |
| |
| Authors: | ZHU Xiang XIE Feng LI Nan |
| |
| Affiliation: | (School of Electrical Engineering & Automation,Anhui University,Hefei 230601,CHN) |
| |
| Abstract: | ZHU Xiang;XIE Feng;LI Nan(School of Electrical Engineering & Automation,Anhui University,Hefei 230601,CHN) |
| |
| Keywords: | tool wear acceleration wavelet packet transform online monitoring long-term and short-term memory neural networks |
| 本文献已被 CNKI 维普 等数据库收录！ |
|
