為了提高機(jī)械加工過程中刀具磨損在線監(jiān)測的準(zhǔn)確性,提出了一種基于長短時記憶卷積神經(jīng)網(wǎng)絡(luò)（LSTM-CNN）的刀具磨損在線監(jiān)測模型。在該監(jiān)測模型中,通過振動、力、聲發(fā)射傳感器對刀具切削過程中的振動、力和聲發(fā)射信號進(jìn)行采集,采集的數(shù)據(jù)其本質(zhì)為時間序列數(shù)據(jù)�？紤]采集數(shù)據(jù)的序列和多維度特性,采用LSTM-CNN網(wǎng)絡(luò)對采集的數(shù)據(jù)進(jìn)行序列和多維度特征提取,利用線性回歸實(shí)現(xiàn)特征到刀具磨損值的映射。通過實(shí)驗(yàn)驗(yàn)證了該模型的有效性和可行性,模型的精度較其他幾種方法有了較大的提高。 

【文章來源】：中國機(jī)械工程. 2020,31(16)北大核心EICSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

基于LSTM-CNN的刀具磨損在線監(jiān)測框架

LSTM-CNN結(jié)構(gòu)如圖2所示。傳感器采集的原始時間序列數(shù)據(jù)Xk作為LSTM-CNN網(wǎng)絡(luò)的數(shù)據(jù)輸入,輸入的數(shù)據(jù)經(jīng)過標(biāo)準(zhǔn)化后作為LSTM神經(jīng)網(wǎng)絡(luò)的輸入,利用LSTM神經(jīng)網(wǎng)絡(luò)對標(biāo)準(zhǔn)化后的序列數(shù)據(jù)建模并提取序列特征,并將在LSTM神經(jīng)網(wǎng)絡(luò)中最后時刻的輸出作為CNN的輸入,通過3層卷積層和1層池化層提取多維度特征。最后輸出的特征同時包含了原始時間序列數(shù)據(jù)的多維度特征和序列特征,通過回歸層實(shí)現(xiàn)特征到刀具磨損值的映射。

將LSTM神經(jīng)網(wǎng)絡(luò)在終點(diǎn)時刻的輸出hT作為CNN的輸入,CNN的輸入依次通過卷積1、最大池化、卷積2、卷積3進(jìn)行多維度特征提取,卷積過程如圖3和下式所示:A i,j =f( ∑ m=0 3 ∑ n=0 3 w m,n h Τi+m,j+n +b) (3)

【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的刀具磨損在線監(jiān)測[J]. 曹大理,孫惠斌,張紀(jì)鐸,莫蓉.  計算機(jī)集成制造系統(tǒng). 2020(01)



本文編號：3574149