基于深度学习的刀具磨损状态监测技术研究
发布时间：2021-02-06 22:01
刀具是机械生产中最重要的加工要素之一,其磨损不仅影响工件的尺寸精度和表面质量,而且会导致机床的振动冲击进而对机床的精度造成影响,同时也会间接影响加工效率和生产成本。因此,刀具磨损状态的监测变得越来越重要,目前已成为国内外学者研究的热点问题之一。本文针对铣削刀具的磨损问题进行研究,通过视觉传感器获取刀具加工之后的工件表面纹理,根据刀具磨损图像的特点,利用卷积神经网络直接从图像中提取样本的特征信息,得出刀具的磨损等级。通过实验结果证明,采用卷积神经网络能有效减少人工设计特征的工作量,具有较高的识别率。论文的主要研究内容如下:首先,从理论角度分析了刀具的磨损机理,并使用白钢立铣刀加工硬铝合金进行实验。实验结果表明:随着刀具磨损的加剧,工件表面纹理呈现出越来越恶化的现象。基于此,提出了基于工件纹理的图像处理方法。其次,针对传统模式识别方法的缺点,提出了改进的卷积神经网络算法。根据刀具磨损的特点,对卷积神经网络中的参数以及训练算法进行优化,并与其它算法进行对比,验证了算法的优越性。再次,针对现有刀具磨损监测仪器体积大、成本高及不能实现在机监测等问题,根据图像采集方式及算法的特点,设计了基于FPG...
【文章来源】：天津工业大学天津市
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
图２－３扩散磨损示意图??
组成纹理的基本元素被称为纹理基元或纹元，即纹理基元在图像中是反复出??现的，根据其在图像中的排列规则，纹理可分为规则纹理与不规则纹理两类。不??规则纹理是指纹理基元较随机地排列在图像中，如图２－７?（ｂ）所示；规则纹理是??指纹理基元较规则的排列在图像中，如图２－７?（ａ）所示。从图中可以看出，纹理??图像为一种局部不规则但整体上表现较为规则的图像。??＿■??（ａ）不规则纹理?（ｂ）规则纹理??图２－７纹理图像??随着刀具的磨损程度的加剧，所加工的工件表面的纹理也发生了相应变化。??为了获取工件表面的纹理图像，进行了图像采集实验。实验中相机采用维视图像??的黑白工业相机，型号为ＭＶ－ＥＭ１２０Ｍ，分辨率为１２８０ｘ９６０，选用放大倍率为??２Ｘ显微镜头，型号为ＨＸ２Ｘ－Ｔ１１０，选用ＬＥＤ环形光源，型号为ＨＤＲ－９０－４５，??带有千兆网口的笔记本和加工之后带有标记的阶梯型铝工件，图像采集平台如图??２－８所示。??１４??
??图２－８图像采集装置??通过搭建的图像采集平台进行拍摄照片，获取实验样本并对样本进标签设置，??以便进行后续数据处理。??通过切削实验以及图像采集实验，采集的刀具不同磨损状态下的工件表面纹??理的样本如图２－９、图２－１０和图２－１１所示，图像的分辨率均为４００ｘ４００，实际大??小为?〇．７５ｍｍｘ〇．７５ｍｍ。??ｗｍｍｍ??■＿＿■??■！！■■??图２－９刀具初期磨损时工件表面的纹理??１５??
【参考文献】：
期刊论文
[1]机床工具行业2017年进出口情况与2018年展望[J]. 郑国伟. 制造技术与机床. 2018(04)
[2]基于深度学习的图像局部模糊识别[J]. 杨滨,张涛,陈先意. 应用科学学报. 2018(02)
[3]基于改进SPSO-BP神经网络的温度传感器湿度补偿[J]. 行鸿彦,郭敏,张兰,张一波. 传感技术学报. 2018(03)
[4]基于深度学习的图像描述研究[J]. 杨楠,南琳,张丁一,库涛. 红外与激光工程. 2018(02)
[5]深度学习应用于网络空间安全的现状、趋势与展望[J]. 张玉清,董颖,柳彩云,雷柯楠,孙鸿宇. 计算机研究与发展. 2018(06)
[6]自然语言处理中的深度学习:方法及应用[J]. 林奕欧,雷航,李晓瑜,吴佳. 电子科技大学学报. 2017(06)
[7]基于信息融合的刀具磨损状态智能识别[J]. 徐彦伟,陈立海,袁子皓,颉潭成. 振动与冲击. 2017(21)
[8]基于卷积神经网络的目标识别及姿态检测[J]. 黄心汉,苏豪,彭刚,熊超. 华中科技大学学报(自然科学版). 2017(10)
[9]基于深度学习的高速铣削刀具磨损状态预测方法[J]. 林杨,高思煜,刘同舜,朱锟鹏. 机械与电子. 2017(07)
[10]基于区域生长法的数控刀具磨损状态检测方法[J]. 李姗姗,刘丽冰,李莉,杨泽青,彭凯,李宪凯. 制造技术与机床. 2017(02)
硕士论文
[1]基于刀具磨损状态检测的铣削加工参数优化技术研究[D]. 刘毫.哈尔滨工业大学 2016
[2]钻孔动力头钻削刀具磨损监测方法研究[D]. 罗维朗.浙江大学 2016
[3]刀具磨损状态识别及预测研究[D]. 刘然.西南交通大学 2014
[4]深度学习在图像识别中的研究及应用[D]. 李卫.武汉理工大学 2014
[5]基于深度学习的语音识别研究[D]. 梁静.北京邮电大学 2014
本文编号：3021161
【文章来源】：天津工业大学天津市
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
图２－３扩散磨损示意图??
组成纹理的基本元素被称为纹理基元或纹元，即纹理基元在图像中是反复出??现的，根据其在图像中的排列规则，纹理可分为规则纹理与不规则纹理两类。不??规则纹理是指纹理基元较随机地排列在图像中，如图２－７?（ｂ）所示；规则纹理是??指纹理基元较规则的排列在图像中，如图２－７?（ａ）所示。从图中可以看出，纹理??图像为一种局部不规则但整体上表现较为规则的图像。??＿■??（ａ）不规则纹理?（ｂ）规则纹理??图２－７纹理图像??随着刀具的磨损程度的加剧，所加工的工件表面的纹理也发生了相应变化。??为了获取工件表面的纹理图像，进行了图像采集实验。实验中相机采用维视图像??的黑白工业相机，型号为ＭＶ－ＥＭ１２０Ｍ，分辨率为１２８０ｘ９６０，选用放大倍率为??２Ｘ显微镜头，型号为ＨＸ２Ｘ－Ｔ１１０，选用ＬＥＤ环形光源，型号为ＨＤＲ－９０－４５，??带有千兆网口的笔记本和加工之后带有标记的阶梯型铝工件，图像采集平台如图??２－８所示。??１４??
??图２－８图像采集装置??通过搭建的图像采集平台进行拍摄照片，获取实验样本并对样本进标签设置，??以便进行后续数据处理。??通过切削实验以及图像采集实验，采集的刀具不同磨损状态下的工件表面纹??理的样本如图２－９、图２－１０和图２－１１所示，图像的分辨率均为４００ｘ４００，实际大??小为?〇．７５ｍｍｘ〇．７５ｍｍ。??ｗｍｍｍ??■＿＿■??■！！■■??图２－９刀具初期磨损时工件表面的纹理??１５??
【参考文献】：
期刊论文
[1]机床工具行业2017年进出口情况与2018年展望[J]. 郑国伟. 制造技术与机床. 2018(04)
[2]基于深度学习的图像局部模糊识别[J]. 杨滨,张涛,陈先意. 应用科学学报. 2018(02)
[3]基于改进SPSO-BP神经网络的温度传感器湿度补偿[J]. 行鸿彦,郭敏,张兰,张一波. 传感技术学报. 2018(03)
[4]基于深度学习的图像描述研究[J]. 杨楠,南琳,张丁一,库涛. 红外与激光工程. 2018(02)
[5]深度学习应用于网络空间安全的现状、趋势与展望[J]. 张玉清,董颖,柳彩云,雷柯楠,孙鸿宇. 计算机研究与发展. 2018(06)
[6]自然语言处理中的深度学习:方法及应用[J]. 林奕欧,雷航,李晓瑜,吴佳. 电子科技大学学报. 2017(06)
[7]基于信息融合的刀具磨损状态智能识别[J]. 徐彦伟,陈立海,袁子皓,颉潭成. 振动与冲击. 2017(21)
[8]基于卷积神经网络的目标识别及姿态检测[J]. 黄心汉,苏豪,彭刚,熊超. 华中科技大学学报(自然科学版). 2017(10)
[9]基于深度学习的高速铣削刀具磨损状态预测方法[J]. 林杨,高思煜,刘同舜,朱锟鹏. 机械与电子. 2017(07)
[10]基于区域生长法的数控刀具磨损状态检测方法[J]. 李姗姗,刘丽冰,李莉,杨泽青,彭凯,李宪凯. 制造技术与机床. 2017(02)
硕士论文
[1]基于刀具磨损状态检测的铣削加工参数优化技术研究[D]. 刘毫.哈尔滨工业大学 2016
[2]钻孔动力头钻削刀具磨损监测方法研究[D]. 罗维朗.浙江大学 2016
[3]刀具磨损状态识别及预测研究[D]. 刘然.西南交通大学 2014
[4]深度学习在图像识别中的研究及应用[D]. 李卫.武汉理工大学 2014
[5]基于深度学习的语音识别研究[D]. 梁静.北京邮电大学 2014
本文编号：3021161
本文链接：https://www.wllwen.com/kejilunwen/jiagonggongyi/3021161.html
