本文關(guān)鍵詞：基于深度學(xué)習(xí)的刀具磨損狀態(tài)監(jiān)測(cè)技術(shù)的研究　出處：《中國(guó)科學(xué)技術(shù)大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 高速銑削 刀具磨損 深度學(xué)習(xí) 狀態(tài)監(jiān)測(cè) 稀疏自編碼 BP神經(jīng)網(wǎng)絡(luò)

【摘要】：隨著機(jī)械加工過程向自動(dòng)化、智能化的不斷發(fā)展,機(jī)械故障智能化監(jiān)測(cè)技術(shù)的研究就至關(guān)重要。刀具是機(jī)械加工中最重要的加工要素之一,刀具磨損不但直接影響了工件的尺寸精度和表面質(zhì)量,也會(huì)間接影響加工效率和生產(chǎn)成本等。如何通過更加有效的方法去監(jiān)測(cè)刀具磨損已成為大批學(xué)者的研究重點(diǎn),所以關(guān)于刀具磨損狀態(tài)監(jiān)測(cè)技術(shù)的研究具有巨大的潛力和應(yīng)用價(jià)值。本文以高速銑削過程中刀具的磨損狀態(tài)為研究對(duì)象,利用刀具在不同磨損狀態(tài)下的銑削力信號(hào)對(duì)不同監(jiān)測(cè)技術(shù)進(jìn)行研究。具體研究?jī)?nèi)容主要有:(1)建立了高速銑削刀具磨損狀態(tài)監(jiān)測(cè)的試驗(yàn)系統(tǒng),通過試驗(yàn)的壓力傳感器采集了大量的力信號(hào)數(shù)據(jù);(2)通過對(duì)銑削力信號(hào)在時(shí)域、頻域以及時(shí)頻域上進(jìn)行特征提取和特征選擇,選擇13個(gè)典型特征作為后續(xù)神經(jīng)網(wǎng)絡(luò)的輸入向量;(3)建立了基于BP神經(jīng)網(wǎng)絡(luò)的刀具磨損狀態(tài)監(jiān)測(cè)模型;(4)把深度學(xué)習(xí)理論引入到刀具磨損監(jiān)測(cè)領(lǐng)域,提出了一種基于深度學(xué)習(xí)的高速銑削刀具磨損狀態(tài)監(jiān)測(cè)方法。本文的主要貢獻(xiàn)點(diǎn)就是提出了應(yīng)用深度學(xué)習(xí)方法來(lái)實(shí)現(xiàn)刀具磨損的智能監(jiān)測(cè)。通過小波包變換提取銑削力信號(hào)在不同頻段上的能量分布作為初始特征向量,采用無(wú)監(jiān)督學(xué)習(xí)對(duì)稀疏自編碼網(wǎng)絡(luò)進(jìn)行特征學(xué)習(xí),并將單層網(wǎng)絡(luò)堆棧構(gòu)成深度神經(jīng)網(wǎng)絡(luò),最后利用有監(jiān)督學(xué)習(xí)對(duì)整個(gè)深度網(wǎng)絡(luò)進(jìn)行微調(diào)訓(xùn)練,建立銑削刀具磨損的智能監(jiān)測(cè)模型。實(shí)驗(yàn)結(jié)果表明,與傳統(tǒng)的淺層模型進(jìn)行對(duì)比分析,本文提出的基于深度學(xué)習(xí)理論刀具磨損監(jiān)測(cè)新方法可以自適應(yīng)提取刀具的磨損信息,并具有更高的監(jiān)測(cè)準(zhǔn)確度。
[Abstract]:With the machining process automation, continuous development of intelligent monitoring technology, it is crucial to study the mechanical fault. The tool is one of the most important factors in the machining process, tool wear not only directly affects the dimensional accuracy and surface quality of the workpiece, but also will directly affect the processing efficiency and production cost. How to monitor the tool wear has become a research focus of many scholars through more effective methods, so the research on cutting tool wear condition monitoring has great potential and application value. Based on the high speed milling tool wear state in the process as the research object, the milling force signal using the tool in different wear conditions were studied on different monitoring technology specific contents are: (1) established a test system of state monitoring of tool wear in high speed milling, the pressure sensor test For a large amount of data acquisition signal; (2) based on the milling force signal in the time domain, frequency domain and time-frequency domain on feature extraction and feature selection, choose 13 typical features as input vector of subsequent neural network; (3) a loss condition monitoring model of grinding cutter based on BP neural network; (4) the deep learning theory into the field of tool wear monitoring, based on deep learning condition monitoring method of tool wear in high speed milling. The main contribution of this paper is to put forward the application of deep learning method to realize the intelligent tool wear monitoring. The extraction of milling force signal in different frequency band energy distribution as the initial feature vector by wavelet packet transform, using unsupervised learning of sparse features from the encoding network, and the single-layer network stack constitutes depth of neural network, finally using supervised learning on the whole Fine tune the depth of network training, the establishment of intelligent monitoring model of tool wear in milling. The experimental results show that compared with the traditional model of shallow and deep learning theory based on adaptive information extraction can be a new method for tool wear monitoring of tool wear monitoring is put forward in this paper, and has higher accuracy.

【學(xué)位授予單位】：中國(guó)科學(xué)技術(shù)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TG714;TP18

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王曉強(qiáng);張?jiān)?周華民;付洋;;基于隱馬爾科夫模型的刀具磨損連續(xù)監(jiān)測(cè)[J];組合機(jī)床與自動(dòng)化加工技術(shù);2016年10期

2 郭亮;高宏力;張一文;黃海鳳;;基于深度學(xué)習(xí)理論的軸承狀態(tài)識(shí)別研究[J];振動(dòng)與沖擊;2016年12期

3 劉宇;汪惠芬;劉庭煜;;一種基于多特征和支持向量機(jī)的刀具磨損狀態(tài)識(shí)別技術(shù)[J];制造業(yè)自動(dòng)化;2016年05期

4 謝楠;馬飛;段明雷;李愛平;;基于主成分分析與C-支持向量機(jī)的刀具磨損狀態(tài)監(jiān)測(cè)[J];同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版);2016年03期

5 石鑫;朱永利;;深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)在電力變壓器故障診斷中的應(yīng)用[J];電力建設(shè);2015年12期

6 雷亞國(guó);賈峰;周昕;林京;;基于深度學(xué)習(xí)理論的機(jī)械裝備大數(shù)據(jù)健康監(jiān)測(cè)方法[J];機(jī)械工程學(xué)報(bào);2015年21期

7 周佳軍;姚錫凡;;先進(jìn)制造技術(shù)與新工業(yè)革命[J];計(jì)算機(jī)集成制造系統(tǒng);2015年08期

8 譚娟;王勝春;;基于深度學(xué)習(xí)的交通擁堵預(yù)測(cè)模型研究[J];計(jì)算機(jī)應(yīng)用研究;2015年10期

9 王勇;趙儉輝;章登義;葉威;;基于稀疏自編碼深度神經(jīng)網(wǎng)絡(luò)的林火圖像分類[J];計(jì)算機(jī)工程與應(yīng)用;2014年24期

10 張鍇鋒;袁惠群;聶鵬;;基于廣義分形維數(shù)的刀具磨損狀態(tài)監(jiān)測(cè)[J];振動(dòng)與沖擊;2014年01期

相關(guān)碩士學(xué)位論文 前5條

1 趙正輝;基于隱馬爾科夫模型的信號(hào)分類[D];重慶大學(xué);2011年

2 丁玉發(fā);面向大批量生產(chǎn)的刀具磨損在線識(shí)別技術(shù)研究[D];華中科技大學(xué);2011年

3 諶鑫;基于人工神經(jīng)網(wǎng)絡(luò)對(duì)刀具磨損狀態(tài)監(jiān)測(cè)技術(shù)研究[D];沈陽(yáng)航空航天大學(xué);2011年

4 朱曉嶺;多傳感器信息融合技術(shù)在銑削過程監(jiān)測(cè)中的應(yīng)用研究[D];南昌航空大學(xué);2010年

5 莊子杰;基于聲發(fā)射和振動(dòng)法的刀具磨損狀態(tài)檢測(cè)研究[D];上海交通大學(xué);2009年

，

本文編號(hào)：1387939