發(fā)布時間：2022-02-21 09:00

　　當前新一代信息技術與傳統(tǒng)制造產業(yè)逐步融合,形成以信息物理系統(tǒng)為基礎的全新制造模式。在未來智能制造環(huán)境下,工廠內各類傳感器采集的數(shù)據(jù)將以源源不斷數(shù)據(jù)流形式傳入云端,并借由服務器分析提取出設備的隱含狀態(tài)信息,從而對生產系統(tǒng)進行優(yōu)化與控制。不同于傳統(tǒng)淺層機器學習方法,深度學習模型在數(shù)據(jù)量處理規(guī)模、非線性能力、收斂性等方面優(yōu)勢明顯。本文針對銑削加工過程中刀具磨損問題,應用深度學習方法建立刀具磨損狀態(tài)識別及磨損量預測模型,主要研究工作如下:（1）對比了四種常見監(jiān)測信號的優(yōu)劣勢及適用范圍,選取振動信號為監(jiān)測信號。采用小波降噪方法進行信號預處理,從時域、頻域、時頻域三方面開展特征提取工作。對比了四種小波尺度圖,發(fā)現(xiàn)復Morlet小波尺度圖效果最佳。（2）建立了兩種基于深度學習的刀具磨損狀態(tài)識別模型。模型一為卷積神經網絡與遷移學習模型,通過對比在大小不同數(shù)據(jù)集上的建模效果,證明了遷移學習在小樣本集上的優(yōu)越性;模型二為堆疊稀疏自動編碼網絡模型,通過對篩選特征向量集進行降維處理并納入到Softmax層進行分類。最后對比了兩種傳統(tǒng)神經網絡模型,證明了深度學習模型的高效與精度。（3）建立了基于深度學習的刀具磨... 

【文章來源】：華中科技大學湖北省211工程院校985工程院校教育部直屬院校

【文章頁數(shù)】：84 頁

【學位級別】：碩士

【部分圖文】：

銑刀磨損均值圖像

圖 3-2 X 方向頻域圖 圖 3-3 小波降噪后 X 方向頻域圖由于銑刀在銑削加工過程中作往復性地切入切出運動，由此振動信號應當呈現(xiàn)周期性的振動特性，故而信號主要集中在低頻部分。結合圖 3-2 可知，銑削振動的頻率成分主要集中在：1 ~ 5000Hz 以及 7000 ~ 12000Hz 中，該段內包含倍頻分量，即振動信號的有效成分；而 15000Hz 以上的高頻成分可被視為干擾噪聲。其他方向的振動信號也可得到相同的結論。依據(jù)以上分析，對振動信號進行小波降噪處理時僅需保留低于 12000Hz 的有效信號即可，由于試驗中傳感器的采樣頻率為 50kHz，按照小波多分辨率分析理論，進行 1層小波分解信號低頻分辨率為 1 ~ 12500Hz，滿足保留 12000Hz 的條件，故小波降噪時進行一層小波包分解即可。本文采用 1 層 db4 小波基函數(shù)對銑削振動信號進行分解，選用軟閾值法進行降噪處理，降噪后結果見圖 3-3。將小波降噪前后的頻域圖進行對比后發(fā)現(xiàn)，銑削振動信號中大于 15000Hz 的噪聲被很好地濾除，驗證了小波降噪方法的有效性。圖 3-3 中由于第 300 次走刀時刀具已

圖 3-2 X 方向頻域圖 圖 3-3 小波降噪后 X 方向頻域圖由于銑刀在銑削加工過程中作往復性地切入切出運動，由此振動信號應當呈現(xiàn)周期性的振動特性，故而信號主要集中在低頻部分。結合圖 3-2 可知，銑削振動的頻率成分主要集中在：1 ~ 5000Hz 以及 7000 ~ 12000Hz 中，該段內包含倍頻分量，即振動信號的有效成分；而 15000Hz 以上的高頻成分可被視為干擾噪聲。其他方向的振動信號也可得到相同的結論。依據(jù)以上分析，對振動信號進行小波降噪處理時僅需保留低于 12000Hz 的有效信號即可，由于試驗中傳感器的采樣頻率為 50kHz，按照小波多分辨率分析理論，進行 1層小波分解信號低頻分辨率為 1 ~ 12500Hz，滿足保留 12000Hz 的條件，故小波降噪時進行一層小波包分解即可。本文采用 1 層 db4 小波基函數(shù)對銑削振動信號進行分解，選用軟閾值法進行降噪處理，降噪后結果見圖 3-3。將小波降噪前后的頻域圖進行對比后發(fā)現(xiàn)，銑削振動信號中大于 15000Hz 的噪聲被很好地濾除，驗證了小波降噪方法的有效性。圖 3-3 中由于第 300 次走刀時刀具已

【參考文獻】：
期刊論文
[1]大數(shù)據(jù)驅動的智能制造[J]. 張潔,汪俊亮,呂佑龍,鮑勁松.  中國機械工程. 2019(02)
[2]工業(yè)智能網——工業(yè)互聯(lián)網的深化與升級[J]. 張平,劉會永,李文璟,周凡欽.  通信學報. 2018(12)
[3]基于卷積神經網絡的刀具磨損在線監(jiān)測[J]. 曹大理,孫惠斌,張紀鐸,莫蓉.  計算機集成制造系統(tǒng). 2020(01)
[4]中國制造業(yè)產業(yè)結構高級度的時空格局與影響因素[J]. 李建新,楊永春,蔣小榮,梁曼,郭泉恩.  地理研究. 2018(08)
[5]基于不確定性云推理的刀具磨損量預測方法[J]. 郝偉,蔣琪,張宇.  機床與液壓. 2018(10)
[6]基于自適應動態(tài)無偏最小二乘支持向量機的刀具磨損預測建模[J]. 肖鵬飛,張超勇,羅敏,林文文.  中國機械工程. 2018(07)
[7]基于切削功率的數(shù)控車削批量加工刀具磨損在線監(jiān)測[J]. 李聰波,萬騰,陳行政,雷焱緋.  計算機集成制造系統(tǒng). 2018(08)
[8]基于PSO優(yōu)化LS-SVM的刀具磨損狀態(tài)識別[J]. 劉成穎,吳昊,王立平,張智.  清華大學學報(自然科學版). 2017(09)
[9]基于深度自編碼網絡模型的風電機組齒輪箱故障檢測[J]. 劉輝海,趙星宇,趙洪山,宋鵬,鄧春.  電工技術學報. 2017(17)
[10]基于諧波小波包和BSA優(yōu)化LS-SVM的銑刀磨損狀態(tài)識別研究[J]. 董彩云,張超勇,孟磊磊,肖鵬飛,羅敏,林文文.  中國機械工程. 2017(17)

博士論文
[1]智慧制造環(huán)境下感知數(shù)據(jù)驅動的加工作業(yè)主動調度方法研究[D]. 張存吉.華南理工大學 2016
[2]車銑刀具磨損狀態(tài)監(jiān)測及預測關鍵技術研究[D]. 李威霖.西南交通大學 2013
[3]基于聲發(fā)射信號多特征分析與融合的刀具磨損分類與預測技術[D]. 關山.吉林大學 2011
[4]基于HMM的多特征融合鉆頭磨損監(jiān)測技術的研究[D]. 鄭建明.西安理工大學 2004

碩士論文
[1]基于分形理論的刀具磨損狀態(tài)識別與磨損量預測方法研究[D]. 龐弘陽.東北電力大學 2018
[2]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
[3]基于多傳感器融合技術的刀具磨損監(jiān)測系統(tǒng)的研究[D]. 郭勇.沈陽航空航天大學 2014
[4]基于HHT的刀具磨損狀態(tài)監(jiān)測技術研究[D]. 董慧.沈陽航空航天大學 2013
[5]基于條件隨機場的銑削刀具磨損狀態(tài)監(jiān)測技術研究[D]. 馮曉亮.天津大學 2012
[6]基于聲發(fā)射法的銑刀磨損狀態(tài)識別研究[D]. 湯為.上海交通大學 2009
[7]基于聲發(fā)射和振動法的刀具磨損狀態(tài)檢測研究[D]. 莊子杰.上海交通大學 2009



本文編號：3636931