由于單一傳感器存在獲取信息量有限、抗干擾能力較弱等問題及傳統(tǒng)網(wǎng)絡(luò)模型診斷時(shí)間長(zhǎng)、診斷率低等現(xiàn)象,采用振動(dòng)、噪聲等多個(gè)傳感器監(jiān)測(cè)銑刀的磨損狀態(tài)。提出將深度學(xué)習(xí)和多傳感器相結(jié)合的銑刀磨損狀態(tài)信號(hào)監(jiān)測(cè)方法;將經(jīng)核主元篩選和未篩選的數(shù)據(jù)分別輸入到BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)和深度卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行模式識(shí)別,并對(duì)識(shí)別結(jié)果進(jìn)行對(duì)比和分析。結(jié)果表明:深度學(xué)習(xí)和多傳感器相結(jié)合的銑刀磨損狀態(tài)監(jiān)測(cè)方法在特征量比較大、數(shù)據(jù)量比較多的情況下診斷速度、準(zhǔn)確率均比較高,在銑刀磨損狀態(tài)監(jiān)測(cè)中具有明顯的優(yōu)勢(shì)。 

【文章來源】：機(jī)床與液壓. 2020,48(09)北大核心

【文章頁數(shù)】：4 頁

【文章目錄】：
0 前言
1 深度卷積神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
2 BP神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
3 RBF神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
4 試驗(yàn)研究
    4.1 試驗(yàn)系統(tǒng)的建立
    4.2 網(wǎng)格模型設(shè)計(jì)及試驗(yàn)結(jié)果分析
        4.2.1 BPNN的網(wǎng)絡(luò)模型設(shè)計(jì)
        4.2.2 RBFNN的網(wǎng)絡(luò)模型設(shè)計(jì)
        4.2.3 CNN的網(wǎng)絡(luò)模型設(shè)計(jì)
    4.3 3種網(wǎng)絡(luò)模型的診斷測(cè)試結(jié)果對(duì)比分析
5 結(jié)語


【參考文獻(xiàn)】：
期刊論文
[1]車刀振動(dòng)信號(hào)研究及磨損工況的識(shí)別[J]. 呂苗榮,李梅.  機(jī)床與液壓. 2012(01)
[2]BP神經(jīng)網(wǎng)絡(luò)在齒輪箱故障診斷中的應(yīng)用[J]. 楊樹蓮.  機(jī)床與液壓. 2006(07)

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的變速器故障分類識(shí)別研究[D]. 曾雪瓊.華南理工大學(xué) 2016
[2]基于多傳感器信息融合的數(shù)控銑削刀具狀態(tài)監(jiān)測(cè)與診斷研究[D]. 徐衛(wèi)曉.青島理工大學(xué) 2014
[3]基于振動(dòng)噪聲信息融合的齒輪箱齒輪故障診斷研究[D]. 薛金亮.青島理工大學(xué) 2012



本文編號(hào)：3640491