數(shù)控系統(tǒng)在智能制造裝備系統(tǒng)中占據(jù)極其重要的地位,且向無人化、集成化和自動化的方向不斷發(fā)展,其加工效率、加工成本和加工質量與刀具的健康狀態(tài)息息相關,因此研究刀具健康監(jiān)測技術顯得尤為重要。隨著自動化技術、傳感技術和信息化等技術的飛速發(fā)展,刀具健康監(jiān)測系統(tǒng)可以輕而易舉地獲取海量數(shù)據(jù),獲取的磨損狀態(tài)信號呈現(xiàn)工業(yè)大數(shù)據(jù)多源異構的特性。傳統(tǒng)的處理刀具健康監(jiān)測的方法多通過信號特征提取、特征選擇后進行模式識別達到刀具狀態(tài)識別的目的,這種方式不僅依賴于大量的專家知識和極強的信號分析理論且耗時耗力,很容易受到人為主觀因素影響,因此本文提出用深度學習算法處理刀具數(shù)據(jù),從而充分利用刀具健康監(jiān)測系統(tǒng)的多傳感器信息,實現(xiàn)刀具多源異構大數(shù)據(jù)的融合。首先,本文設計了銑刀切削實驗,并在分析刀具不同監(jiān)測信號特點的基礎上選取了聲音信號、振動信號和紅外熱圖像相結合的多源異構信號作為監(jiān)測信號,然后采集了刀具從開始切削到磨損報廢整個過程的大量監(jiān)測數(shù)據(jù),并對刀具后刀面磨損量進行了測量,劃分了磨損階段,為后文信號分析處理提供基礎。其次,本文研究了刀具多源異構大數(shù)據(jù)的融合處理過程,對于采集的結構化振動和聲音信號通過深度置信網(wǎng)絡（Dee... 

【文章來源】：哈爾濱工業(yè)大學黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：70 頁

【學位級別】：碩士

【部分圖文】：

刀具磨損形式

哈爾濱工業(yè)大學工程碩士學位論文響因子大小不同。刀具破損多定義為銑削過程中刀不具備加工能力而失效。綜上所述，不同的加工條件量銑刀磨損的好壞程度。磨損過程及磨鈍標準損是一個隨切削加工時間逐步增加的復雜過程，查損程度多根據(jù)以往經驗結合實際的加工參數(shù)情況靈活損狀態(tài)劃分標準。常見的劃分標準是按照下圖 2-2 所個狀態(tài)，即初期磨損，中期磨損和劇烈磨損狀態(tài)。

工作臺工件聲音傳感器加速度傳感器加速度傳感器NI PXI4472采集卡刀具磨損量測量紅外熱圖像監(jiān)測信號紅外攝像儀機床主軸銑刀圖 2-3 銑刀多源異構信號采集實驗方案據(jù)采集系統(tǒng)構成利用的數(shù)控銑削設備是美國 HAAS 公司的四軸立式4 所示，該加工中心的三軸加工行程為： / 406mm Z / 508mm，主軸轉速 0 8100r / min 無級

【參考文獻】：
期刊論文
[1]基于多傳感器融合的機床監(jiān)測系統(tǒng)研制及數(shù)據(jù)處理[J]. 甘梓舜,王鵬宇,趙文祥,焦黎,史雪春,王西彬.  新技術新工藝. 2018(07)
[2]基于大數(shù)據(jù)的深度學習技術在人臉識別中的應用[J]. 金詩譜,康彥,張書茂.  重慶科技學院學報(自然科學版). 2018(02)
[3]深度置信網(wǎng)絡模型及應用研究綜述[J]. 劉方園,王水花,張煜東.  計算機工程與應用. 2018(01)
[4]基于卷積神經網(wǎng)絡的異步電機故障診斷[J]. 王麗華,謝陽陽,周子賢,張永宏,趙曉平.  振動.測試與診斷. 2017(06)
[5]大數(shù)據(jù)下機械智能故障診斷的機遇與挑戰(zhàn)[J]. 雷亞國,賈峰,孔德同,林京,邢賽博.  機械工程學報. 2018(05)
[6]基于深度學習的高速銑削刀具磨損狀態(tài)預測方法[J]. 林楊,高思煜,劉同舜,朱錕鵬.  機械與電子. 2017(07)
[7]深度學習在故障診斷中的研究綜述[J]. 劉林凡.  新型工業(yè)化. 2017(04)
[8]大數(shù)據(jù)與深度學習綜述[J]. 馬世龍,烏尼日其其格,李小平.  智能系統(tǒng)學報. 2016(06)
[9]基于深度學習的刀具磨損監(jiān)測方法[J]. 張存吉,姚錫凡,張劍銘,劉二輝.  計算機集成制造系統(tǒng). 2017(10)
[10]工業(yè)大數(shù)據(jù)在智能制造中的應用價值[J]. 謝嘉劼.  數(shù)字通信世界. 2016(09)

碩士論文
[1]制造物聯(lián)理念下基于深度學習的刀具磨損預測和狀態(tài)識別[D]. 陶韜.華南理工大學 2018
[2]基于Hadoop2.0云平臺的風力發(fā)電機組故障診斷技術研究[D]. 李明軒.沈陽工業(yè)大學 2017
[3]基于卷積神經網(wǎng)絡的軸承故障診斷算法研究[D]. 張偉.哈爾濱工業(yè)大學 2017
[4]基于深度學習的刀具磨損狀態(tài)監(jiān)測技術的研究[D]. 林楊.中國科學技術大學 2017
[5]基于深度置信網(wǎng)絡的數(shù)據(jù)驅動故障診斷方法研究[D]. 葛強強.哈爾濱工業(yè)大學 2016
[6]刀具磨損監(jiān)測和剩余壽命預測方法[D]. 王曉強.華中科技大學 2016
[7]基于DS證據(jù)理論的決策融合算法研究[D]. 陳杰.哈爾濱工程大學 2016
[8]數(shù)控機床刀具狀態(tài)監(jiān)測與診斷系統(tǒng)的研究[D]. 劉宇.南京理工大學 2016
[9]云平臺下基于深度學習的高速列車走行部故障診斷技術研究[D]. 謝吉朋.西南交通大學 2015
[10]基于深度信念網(wǎng)絡的變速器故障分類識別研究[D]. 單外平.華南理工大學 2015



本文編號：3359383