生產(chǎn)過程的自動化和智能化已成為制造業(yè)的發(fā)展趨勢,數(shù)控銑床憑借其高自動化、高穩(wěn)定性、高精度和柔性化等優(yōu)點(diǎn),已成為自動化生產(chǎn)中的重要部件。刀具作為數(shù)控銑床實(shí)施銑削操作的最終端部件,是銑削加工成功的關(guān)鍵因素之一,也是最易損傷和浪費(fèi)最嚴(yán)重的部件,對其進(jìn)行及時有效的狀態(tài)識別與監(jiān)測尤為重要。然而,銑削刀具狀態(tài)監(jiān)測（Tool condition monitoring,TCM）呈現(xiàn)的樣本量有限、信噪比低、時變性強(qiáng)等特征,使得傳統(tǒng)狀態(tài)監(jiān)測方法大打折扣。因此,如何提高刀具狀態(tài)的識別精度及其剩余有效壽命的預(yù)測精度,及時有效地監(jiān)測刀具運(yùn)行狀態(tài),已成為銑削加工智能化發(fā)展亟待解決的問題,也是當(dāng)前智能加工技術(shù)的主要方向之一。本研究以立銑刀為研究對象,圍繞銑削過程刀具狀態(tài)監(jiān)測與剩余有效壽命預(yù)測問題,結(jié)合機(jī)器學(xué)習(xí)、智能計(jì)算和隨機(jī)過程理論,對監(jiān)測模型、特征選擇方法、剩余有效壽命預(yù)測等方面進(jìn)行了深入研究,旨在為銑削過程的刀具狀態(tài)監(jiān)測提供更有效的方法。為提高銑削過程TCM的準(zhǔn)確性,結(jié)合核極限學(xué)習(xí)機(jī)學(xué)習(xí)速度快和層次角度核函數(shù)能夠模擬大型神經(jīng)網(wǎng)絡(luò)計(jì)算向量相似度的優(yōu)點(diǎn),提出了一種兩層角度核極限學(xué)習(xí)機(jī)算法。該算法克服了核極限學(xué)習(xí)機(jī)在... 

【文章來源】：浙江工業(yè)大學(xué)浙江省

【文章頁數(shù)】：161 頁

【學(xué)位級別】：博士

【部分圖文】：

銑削過程刀具狀態(tài)監(jiān)測流程圖

浙江工業(yè)大學(xué)博士學(xué)位論文10控制圖等，限于篇幅不再一一介紹。圖1-2TCM監(jiān)測模型各類AI方法占比圖Figure1-2.ProportionofvariousAImethodsinmillingTCMmonitoringmodel（1）ANN：ANN由所謂的突觸連接的神經(jīng)元（最小單元）分層連接組成。典型的ANN有一個輸入層、一個或多個隱藏層、一個輸出層，每一層都包含若干神經(jīng)元，相鄰層之間的神經(jīng)元互聯(lián)�；ヂ�(lián)的兩個神經(jīng)元的連接強(qiáng)度稱為權(quán)重，不同的連接對應(yīng)的權(quán)重不同，并藉由訓(xùn)練樣本通過最小化輸出誤差來調(diào)整權(quán)重大校ANN可以很好地逼近連續(xù)的非線性函數(shù)，具有很強(qiáng)的容錯性、適應(yīng)性和噪聲抑制能力，很適合于銑削過程刀具狀態(tài)監(jiān)測[104]（銑削過程中不同傳感信號與刀具磨損之間的依賴關(guān)系過于復(fù)雜，難以用數(shù)學(xué)形式表示）。很多研究將ANN運(yùn)用于銑削過程TCM研究中[5][23][45][76][105][106][107]，輸入層的元素包括特征提取與選擇階段確定的特征參數(shù)以及切削參數(shù)（主軸轉(zhuǎn)速、切削深度、進(jìn)給速率等），輸出層為刀具磨損狀態(tài)或刀具磨損絕對值，取得了不錯的效果。特別是近年來，隨著深度學(xué)習(xí)技術(shù)的飛速發(fā)展以及在圖像處理等領(lǐng)域的廣泛應(yīng)用，深度神經(jīng)網(wǎng)絡(luò)亦在銑削過程TCM中得到大量的嘗試，如卷積神經(jīng)網(wǎng)絡(luò)[108][109][110][111][112][113]、循環(huán)神經(jīng)網(wǎng)絡(luò)[114][115]等。以卷積神經(jīng)網(wǎng)絡(luò)（Convolutionalneuralnetworks，CNN）為例，典型的CNN模型結(jié)構(gòu)為：輸入層—卷積層—池化層—全連接層—輸出層，其中卷積層利用若干卷積核對輸入層的數(shù)據(jù)進(jìn)行特征提取，并通過激勵函數(shù)來協(xié)助表達(dá)復(fù)雜特征；池化層由預(yù)設(shè)定的池化函數(shù)對提取的特征進(jìn)行選擇和信息過濾，全連接層等價于傳統(tǒng)前饋神經(jīng)網(wǎng)絡(luò)中的隱含層，只向其它全連接層傳遞信號。這些研究大大豐富了銑削過程TCM技術(shù)的深入。然而，基于ANN方法的監(jiān)測模型?

銑削刀具狀態(tài)監(jiān)測與剩余有效壽命預(yù)測方法研究13研究路線框架圖如圖1-3所示。圖1-3論文研究路線框架圖Figure1-3.Researchframeworkdiagramofthisdissertation本論文的章節(jié)安排如下：（1）第一章，緒論。闡述了銑削過程刀具狀態(tài)監(jiān)測與剩余有效壽命預(yù)測的意義；綜述了銑削過程刀具狀態(tài)監(jiān)測技術(shù)的發(fā)展現(xiàn)狀，分析其存在的問題，討論了銑削過程刀具狀態(tài)監(jiān)測需要解決的問題。（2）第二章，本文研究的基礎(chǔ)理論。闡述了立銑刀磨損的基本原理，介紹了本文需要用到的時域、頻域和小波時頻分析信號處理技術(shù)、核極限學(xué)習(xí)機(jī)理論、穩(wěn)態(tài)子空間分析、差分進(jìn)化算法等方法和技術(shù)的基本概念和原理。（3）第三章，兩層角度核極限學(xué)習(xí)機(jī)及其在TCM中的應(yīng)用。為克服KELM在復(fù)雜非線性高維數(shù)據(jù)特征學(xué)習(xí)上的不足和核函數(shù)及其核參數(shù)設(shè)定人為主觀性較強(qiáng)等問題，提出了兩層角度核極限學(xué)習(xí)機(jī)。通過對若干分類和回歸基準(zhǔn)數(shù)據(jù)集的分析和比較，驗(yàn)證兩層角度核極限學(xué)習(xí)機(jī)算法在有限樣本情形下的有效性。提出了基于兩層角度核極限學(xué)習(xí)機(jī)的銑削TCM模型，通過在TCM基準(zhǔn)數(shù)據(jù)集和單傳感TCM實(shí)驗(yàn)的應(yīng)用研究，檢驗(yàn)了該模型的學(xué)習(xí)性能。為進(jìn)一步提升TCM識別精度，提出了基于盲源分離技術(shù)和兩層角度核極限學(xué)習(xí)機(jī)的刀具狀態(tài)監(jiān)測方法，實(shí)驗(yàn)分析驗(yàn)證了該方法可以顯著提升TCM的識別精度。（4）第四章，基于全局診斷誤差與改進(jìn)差分進(jìn)化的TCM特征選擇方法。為克服TCM研究中特征選擇方法側(cè)重局部依賴性的不足，提出了基于全局診斷誤差的TCM特征選擇方法，構(gòu)建了多域特征參數(shù)候選集的兩目標(biāo)優(yōu)化模型，通過懲罰函數(shù)法將其轉(zhuǎn)化為無約束優(yōu)化問題，利用改進(jìn)的差分進(jìn)化算法進(jìn)行優(yōu)化。實(shí)驗(yàn)分析驗(yàn)證了所提方法的有效性。最后，對改進(jìn)的差分進(jìn)化算法的性能進(jìn)行了

【參考文獻(xiàn)】：
期刊論文
[1]基于電流信號的刀具磨損狀態(tài)監(jiān)測方法研究[J]. 孫巍偉,黃民,李康.  河南理工大學(xué)學(xué)報(自然科學(xué)版). 2019(06)
[2]基于工件紋理和卷積神經(jīng)網(wǎng)絡(luò)的刀具磨損檢測[J]. 桑宏強(qiáng),張新建,劉麗冰,金國光,陳麗莎.  組合機(jī)床與自動化加工技術(shù). 2019(07)
[3]基于深度神經(jīng)網(wǎng)絡(luò)的切削刀具剩余壽命預(yù)測[J]. 劉勝輝,張人敬,張淑麗,馬超,張宏國.  哈爾濱理工大學(xué)學(xué)報. 2019(03)
[4]基于機(jī)床信息的加工過程刀具磨損狀態(tài)在線監(jiān)測[J]. 盧志遠(yuǎn),馬鵬飛,肖江林,王美清,唐曉青.  中國機(jī)械工程. 2019(02)
[5]GRNN與粒子濾波集成的刀具磨損監(jiān)測[J]. 熊昕,王時龍,易力力,郭一君.  機(jī)械設(shè)計(jì)與制造. 2019(01)
[6]基于支持向量機(jī)與粒子濾波的刀具磨損狀態(tài)識別[J]. 程燦,李建勇,徐文勝,聶蒙.  振動與沖擊. 2018(17)
[7]基于堆疊降噪自編碼的刀具磨損狀態(tài)識別[J]. 王麗華,楊家巍,張永宏,趙曉平,謝陽陽.  中國機(jī)械工程. 2018(17)
[8]基于銑削力仿真樣本和降維分類算法的刀具狀態(tài)監(jiān)測方法[J]. 徐濤,李亮,郭月龍,郝碧君,何寧.  工具技術(shù). 2018(08)
[9]復(fù)雜曲面加工過程中銑刀在線監(jiān)測方法[J]. 李宏坤,闞洪龍,魏兆成,趙明,代月幫.  振動.測試與診斷. 2018(04)
[10]基于MF-DFA特征和LS-SVM算法的刀具磨損狀態(tài)識別[J]. 關(guān)山,龐弘陽,宋偉杰,康振興.  農(nóng)業(yè)工程學(xué)報. 2018(14)

碩士論文
[1]尺度分形分解理論及其在機(jī)床刀具健康監(jiān)測中的應(yīng)用[D]. 曹新城.廈門大學(xué) 2018



本文編號：3231359