基于深度学习的铣刀磨损状态监测方法研究
发布时间：2021-05-27 13:56
叶轮作为水电、核泵等众多大型设备的关键部件,其加工质量直接影响设备的运行状态和使用寿命,而加工过程中的铣刀磨损直接影响叶轮的加工精度,因此研究加工过程的铣刀磨损状态监测方法具有重大意义。本文提出利用主轴电机电流信号作为监测信号,通过深度学习的方法对铣刀磨损状态进行监测,针对时间序列信号自身特点,提出加入压缩感知技术和格兰姆变换对深度学习网络进行改进。论文主要研究内容如下:（1）充分分析国内外研究现状和现有监测方法的利弊,对刀具磨损机理进行分析,确定刀具磨损监测信号和监测方法,通过理论分析确定电流信号可以反映刀具磨损状态,通过搭建信号采集平台保证信号采集的可行性,设计三种不同性质的试验,分别采集了刀具不同磨损阶段状态数据、刀具全寿命数据和现场实验数据,形成了三个数据集,为后续研究打下基础。（2）利用压缩感知和堆栈稀疏自编码器对电流有效值信号中的铣刀磨损状态信息进行提取。首先,利用压缩感知对电流信号的频域数据进行压缩,其中为提高网络的鲁棒性,对观测信号添加高斯白噪音;然后,将压缩后的数据输入堆栈稀疏自编码网络,网络最后一层连接Softmax分类器,通过半监督学习对诊断模型进行训练,提取输入...
【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校
【文章页数】：87 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 课题研究背景与意义
1.2 国内外相关工作研究进展
1.2.1 监测信号采集方案发展概况
1.2.2 特征提取方法研究概况
1.2.3 现有监测方法的利弊分析
1.3 论文的研究内容及安排
2 基于主轴电流的铣刀磨损监测方案研究
2.1 刀具磨损机理研究
2.1.1 刀具磨损形式
2.1.2 刀具磨损过程和磨钝标准
2.2 电流信号分析和采集方案研究
2.2.1 电流信号与切削力的关系
2.2.2 电流信号采集平台搭建
2.2.3 传统特征提取方法
2.3 试验数据采集与分析
2.3.1 刀具不同磨损阶段数据采集与分析
2.3.2 刀具磨损全寿命数据采集与分析
2.3.3 现场试验数据采集与分析
2.4 本章小结
3 基于压缩感知和堆栈稀疏自编码器的铣刀磨损状态监测
3.1 数据预处理
3.1.1 压缩感知
3.1.2 加噪处理
3.2 稀疏自编码器
3.2.1 神经元模型
3.2.2 稀疏自编码器
3.2.3 反向传播算法
3.3 堆栈稀疏自编码器网络结构
3.3.1 堆栈稀疏自编码器
3.3.2 Softmax分类器
3.3.3 有监督微调
3.4 基于CS和 SSAE的刀具磨损程度识别
3.4.1 网络整体结构
3.4.2 试验数据验证分析
3.5 本章小结
4 基于格兰姆角场和卷积神经网络的铣刀磨损监测方法
4.1 GAF算法
4.1.1 格兰姆矩阵
4.1.2 格兰姆角场
4.2 基于GAF和 CNN的铣刀磨损状态识别
4.2.1 卷积网络结构
4.2.2 基于GAF和 CNN的网络模型
4.2.3 试验数据验证分析
4.3 基于GAF和 ResNet的铣刀磨损状态识别
4.3.1 残差学习模块
4.3.2 基于GAF和 ResNet的网络模型
4.3.3 试验数据验证分析
4.4 本章小结
5 铣刀磨损可靠性评估和监测系统开发
5.1 径向基神经网络
5.2 基于径向基核函数的铣刀可靠性评估
5.2.1 铣刀可靠性预测模型
5.2.2 试验数据验证分析
5.3 基于LabVIEW的铣刀磨损监测系统开发
5.3.1 铣刀磨损在线监测系统开发
5.3.2 电机电流信号的离线分析系统开发
5.4 本章小结
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢
【参考文献】：
期刊论文
[1]闭环霍尔电流传感器的硬件电路设计[J]. 武旭,王林森,居鹏. 传感器与微系统. 2018(11)
[2]基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法[J]. 李恒,张氢,秦仙蓉,孙远韬. 振动与冲击. 2018(19)
[3]基于支持向量机与粒子滤波的刀具磨损状态识别[J]. 程灿,李建勇,徐文胜,聂蒙. 振动与冲击. 2018(17)
[4]基于铣削力仿真样本和降维分类算法的刀具状态监测方法[J]. 徐涛,李亮,郭月龙,郝碧君,何宁. 工具技术. 2018(08)
[5]6061铝合金铣削过程刀具磨损研究[J]. 刘俊,严复钢,蔡春彬,岳彩旭. 航空制造技术. 2018(06)
[6]基于多传感器数据融合的刀具磨损状态监测研究[J]. 陈刚,焦黎,颜培,王西彬,史雪春,彭振新. 新技术新工艺. 2017(11)
[7]基于PSO优化LS-SVM的刀具磨损状态识别[J]. 刘成颖,吴昊,王立平,张智. 清华大学学报(自然科学版). 2017(09)
[8]基于遗传算法优化HMM的刀具磨损状态监测研究[J]. 何栋磊,黄民. 机床与液压. 2017(15)
[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]A880高压动叶片型面加工R5球头铣刀磨损机理与寿命研究[J]. 赵梓涵,郭国强,王呈栋,陈明. 机械设计与制造. 2017(06)
硕士论文
[1]基于主轴电流的变工况铣刀磨损状态监测研究[D]. 张孟哲.大连理工大学 2018
[2]基于深度学习的刀具磨损状态监测技术的研究[D]. 林杨.中国科学技术大学 2017
[3]基于深度学习模型的感应电机故障诊断方法研究[D]. 孙文珺.东南大学 2017
[4]中介轴承寿命预测方法与寿命试验研究[D]. 崔立明.大连理工大学 2016
[5]基于CFD的大流量高全压叶轮机械开发设计与研究[D]. 崔利斌.大连理工大学 2011
[6]基于计算机视觉的刀具状态在线监控研究[D]. 刘冬芳.河北工业大学 2007
本文编号：3207697
【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校
【文章页数】：87 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 课题研究背景与意义
1.2 国内外相关工作研究进展
1.2.1 监测信号采集方案发展概况
1.2.2 特征提取方法研究概况
1.2.3 现有监测方法的利弊分析
1.3 论文的研究内容及安排
2 基于主轴电流的铣刀磨损监测方案研究
2.1 刀具磨损机理研究
2.1.1 刀具磨损形式
2.1.2 刀具磨损过程和磨钝标准
2.2 电流信号分析和采集方案研究
2.2.1 电流信号与切削力的关系
2.2.2 电流信号采集平台搭建
2.2.3 传统特征提取方法
2.3 试验数据采集与分析
2.3.1 刀具不同磨损阶段数据采集与分析
2.3.2 刀具磨损全寿命数据采集与分析
2.3.3 现场试验数据采集与分析
2.4 本章小结
3 基于压缩感知和堆栈稀疏自编码器的铣刀磨损状态监测
3.1 数据预处理
3.1.1 压缩感知
3.1.2 加噪处理
3.2 稀疏自编码器
3.2.1 神经元模型
3.2.2 稀疏自编码器
3.2.3 反向传播算法
3.3 堆栈稀疏自编码器网络结构
3.3.1 堆栈稀疏自编码器
3.3.2 Softmax分类器
3.3.3 有监督微调
3.4 基于CS和 SSAE的刀具磨损程度识别
3.4.1 网络整体结构
3.4.2 试验数据验证分析
3.5 本章小结
4 基于格兰姆角场和卷积神经网络的铣刀磨损监测方法
4.1 GAF算法
4.1.1 格兰姆矩阵
4.1.2 格兰姆角场
4.2 基于GAF和 CNN的铣刀磨损状态识别
4.2.1 卷积网络结构
4.2.2 基于GAF和 CNN的网络模型
4.2.3 试验数据验证分析
4.3 基于GAF和 ResNet的铣刀磨损状态识别
4.3.1 残差学习模块
4.3.2 基于GAF和 ResNet的网络模型
4.3.3 试验数据验证分析
4.4 本章小结
5 铣刀磨损可靠性评估和监测系统开发
5.1 径向基神经网络
5.2 基于径向基核函数的铣刀可靠性评估
5.2.1 铣刀可靠性预测模型
5.2.2 试验数据验证分析
5.3 基于LabVIEW的铣刀磨损监测系统开发
5.3.1 铣刀磨损在线监测系统开发
5.3.2 电机电流信号的离线分析系统开发
5.4 本章小结
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢
【参考文献】：
期刊论文
[1]闭环霍尔电流传感器的硬件电路设计[J]. 武旭,王林森,居鹏. 传感器与微系统. 2018(11)
[2]基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法[J]. 李恒,张氢,秦仙蓉,孙远韬. 振动与冲击. 2018(19)
[3]基于支持向量机与粒子滤波的刀具磨损状态识别[J]. 程灿,李建勇,徐文胜,聂蒙. 振动与冲击. 2018(17)
[4]基于铣削力仿真样本和降维分类算法的刀具状态监测方法[J]. 徐涛,李亮,郭月龙,郝碧君,何宁. 工具技术. 2018(08)
[5]6061铝合金铣削过程刀具磨损研究[J]. 刘俊,严复钢,蔡春彬,岳彩旭. 航空制造技术. 2018(06)
[6]基于多传感器数据融合的刀具磨损状态监测研究[J]. 陈刚,焦黎,颜培,王西彬,史雪春,彭振新. 新技术新工艺. 2017(11)
[7]基于PSO优化LS-SVM的刀具磨损状态识别[J]. 刘成颖,吴昊,王立平,张智. 清华大学学报(自然科学版). 2017(09)
[8]基于遗传算法优化HMM的刀具磨损状态监测研究[J]. 何栋磊,黄民. 机床与液压. 2017(15)
[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]A880高压动叶片型面加工R5球头铣刀磨损机理与寿命研究[J]. 赵梓涵,郭国强,王呈栋,陈明. 机械设计与制造. 2017(06)
硕士论文
[1]基于主轴电流的变工况铣刀磨损状态监测研究[D]. 张孟哲.大连理工大学 2018
[2]基于深度学习的刀具磨损状态监测技术的研究[D]. 林杨.中国科学技术大学 2017
[3]基于深度学习模型的感应电机故障诊断方法研究[D]. 孙文珺.东南大学 2017
[4]中介轴承寿命预测方法与寿命试验研究[D]. 崔立明.大连理工大学 2016
[5]基于CFD的大流量高全压叶轮机械开发设计与研究[D]. 崔利斌.大连理工大学 2011
[6]基于计算机视觉的刀具状态在线监控研究[D]. 刘冬芳.河北工业大学 2007
本文编号：3207697
本文链接：https://www.wllwen.com/kejilunwen/jiagonggongyi/3207697.html
