基于多源异构工业大数据的刀具健康监测方法及应用研究
发布时间：2021-08-24 05:35
数控系统在智能制造装备系统中占据极其重要的地位,且向无人化、集成化和自动化的方向不断发展,其加工效率、加工成本和加工质量与刀具的健康状态息息相关,因此研究刀具健康监测技术显得尤为重要。随着自动化技术、传感技术和信息化等技术的飞速发展,刀具健康监测系统可以轻而易举地获取海量数据,获取的磨损状态信号呈现工业大数据多源异构的特性。传统的处理刀具健康监测的方法多通过信号特征提取、特征选择后进行模式识别达到刀具状态识别的目的,这种方式不仅依赖于大量的专家知识和极强的信号分析理论且耗时耗力,很容易受到人为主观因素影响,因此本文提出用深度学习算法处理刀具数据,从而充分利用刀具健康监测系统的多传感器信息,实现刀具多源异构大数据的融合。首先,本文设计了铣刀切削实验,并在分析刀具不同监测信号特点的基础上选取了声音信号、振动信号和红外热图像相结合的多源异构信号作为监测信号,然后采集了刀具从开始切削到磨损报废整个过程的大量监测数据,并对刀具后刀面磨损量进行了测量,划分了磨损阶段,为后文信号分析处理提供基础。其次,本文研究了刀具多源异构大数据的融合处理过程,对于采集的结构化振动和声音信号通过深度置信网络（Dee...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
刀具磨损形式
哈尔滨工业大学工程硕士学位论文响因子大小不同。刀具破损多定义为铣削过程中刀不具备加工能力而失效。综上所述，不同的加工条件量铣刀磨损的好坏程度。磨损过程及磨钝标准损是一个随切削加工时间逐步增加的复杂过程，查损程度多根据以往经验结合实际的加工参数情况灵活损状态划分标准。常见的划分标准是按照下图 2-2 所个状态，即初期磨损，中期磨损和剧烈磨损状态。
工作台工件声音传感器加速度传感器加速度传感器NI PXI4472采集卡刀具磨损量测量红外热图像监测信号红外摄像仪机床主轴铣刀图 2-3 铣刀多源异构信号采集实验方案据采集系统构成利用的数控铣削设备是美国 HAAS 公司的四轴立式4 所示，该加工中心的三轴加工行程为： / 406mm Z / 508mm，主轴转速 0 8100r / min 无级
【参考文献】：
期刊论文
[1]基于多传感器融合的机床监测系统研制及数据处理[J]. 甘梓舜,王鹏宇,赵文祥,焦黎,史雪春,王西彬. 新技术新工艺. 2018(07)
[2]基于大数据的深度学习技术在人脸识别中的应用[J]. 金诗谱,康彦,张书茂. 重庆科技学院学报(自然科学版). 2018(02)
[3]深度置信网络模型及应用研究综述[J]. 刘方园,王水花,张煜东. 计算机工程与应用. 2018(01)
[4]基于卷积神经网络的异步电机故障诊断[J]. 王丽华,谢阳阳,周子贤,张永宏,赵晓平. 振动.测试与诊断. 2017(06)
[5]大数据下机械智能故障诊断的机遇与挑战[J]. 雷亚国,贾峰,孔德同,林京,邢赛博. 机械工程学报. 2018(05)
[6]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)
[7]深度学习在故障诊断中的研究综述[J]. 刘林凡. 新型工业化. 2017(04)
[8]大数据与深度学习综述[J]. 马世龙,乌尼日其其格,李小平. 智能系统学报. 2016(06)
[9]基于深度学习的刀具磨损监测方法[J]. 张存吉,姚锡凡,张剑铭,刘二辉. 计算机集成制造系统. 2017(10)
[10]工业大数据在智能制造中的应用价值[J]. 谢嘉劼. 数字通信世界. 2016(09)
硕士论文
[1]制造物联理念下基于深度学习的刀具磨损预测和状态识别[D]. 陶韬.华南理工大学 2018
[2]基于Hadoop2.0云平台的风力发电机组故障诊断技术研究[D]. 李明轩.沈阳工业大学 2017
[3]基于卷积神经网络的轴承故障诊断算法研究[D]. 张伟.哈尔滨工业大学 2017
[4]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
[5]基于深度置信网络的数据驱动故障诊断方法研究[D]. 葛强强.哈尔滨工业大学 2016
[6]刀具磨损监测和剩余寿命预测方法[D]. 王晓强.华中科技大学 2016
[7]基于DS证据理论的决策融合算法研究[D]. 陈杰.哈尔滨工程大学 2016
[8]数控机床刀具状态监测与诊断系统的研究[D]. 刘宇.南京理工大学 2016
[9]云平台下基于深度学习的高速列车走行部故障诊断技术研究[D]. 谢吉朋.西南交通大学 2015
[10]基于深度信念网络的变速器故障分类识别研究[D]. 单外平.华南理工大学 2015
本文编号：3359383
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
刀具磨损形式
哈尔滨工业大学工程硕士学位论文响因子大小不同。刀具破损多定义为铣削过程中刀不具备加工能力而失效。综上所述，不同的加工条件量铣刀磨损的好坏程度。磨损过程及磨钝标准损是一个随切削加工时间逐步增加的复杂过程，查损程度多根据以往经验结合实际的加工参数情况灵活损状态划分标准。常见的划分标准是按照下图 2-2 所个状态，即初期磨损，中期磨损和剧烈磨损状态。
工作台工件声音传感器加速度传感器加速度传感器NI PXI4472采集卡刀具磨损量测量红外热图像监测信号红外摄像仪机床主轴铣刀图 2-3 铣刀多源异构信号采集实验方案据采集系统构成利用的数控铣削设备是美国 HAAS 公司的四轴立式4 所示，该加工中心的三轴加工行程为： / 406mm Z / 508mm，主轴转速 0 8100r / min 无级
【参考文献】：
期刊论文
[1]基于多传感器融合的机床监测系统研制及数据处理[J]. 甘梓舜,王鹏宇,赵文祥,焦黎,史雪春,王西彬. 新技术新工艺. 2018(07)
[2]基于大数据的深度学习技术在人脸识别中的应用[J]. 金诗谱,康彦,张书茂. 重庆科技学院学报(自然科学版). 2018(02)
[3]深度置信网络模型及应用研究综述[J]. 刘方园,王水花,张煜东. 计算机工程与应用. 2018(01)
[4]基于卷积神经网络的异步电机故障诊断[J]. 王丽华,谢阳阳,周子贤,张永宏,赵晓平. 振动.测试与诊断. 2017(06)
[5]大数据下机械智能故障诊断的机遇与挑战[J]. 雷亚国,贾峰,孔德同,林京,邢赛博. 机械工程学报. 2018(05)
[6]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)
[7]深度学习在故障诊断中的研究综述[J]. 刘林凡. 新型工业化. 2017(04)
[8]大数据与深度学习综述[J]. 马世龙,乌尼日其其格,李小平. 智能系统学报. 2016(06)
[9]基于深度学习的刀具磨损监测方法[J]. 张存吉,姚锡凡,张剑铭,刘二辉. 计算机集成制造系统. 2017(10)
[10]工业大数据在智能制造中的应用价值[J]. 谢嘉劼. 数字通信世界. 2016(09)
硕士论文
[1]制造物联理念下基于深度学习的刀具磨损预测和状态识别[D]. 陶韬.华南理工大学 2018
[2]基于Hadoop2.0云平台的风力发电机组故障诊断技术研究[D]. 李明轩.沈阳工业大学 2017
[3]基于卷积神经网络的轴承故障诊断算法研究[D]. 张伟.哈尔滨工业大学 2017
[4]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
[5]基于深度置信网络的数据驱动故障诊断方法研究[D]. 葛强强.哈尔滨工业大学 2016
[6]刀具磨损监测和剩余寿命预测方法[D]. 王晓强.华中科技大学 2016
[7]基于DS证据理论的决策融合算法研究[D]. 陈杰.哈尔滨工程大学 2016
[8]数控机床刀具状态监测与诊断系统的研究[D]. 刘宇.南京理工大学 2016
[9]云平台下基于深度学习的高速列车走行部故障诊断技术研究[D]. 谢吉朋.西南交通大学 2015
[10]基于深度信念网络的变速器故障分类识别研究[D]. 单外平.华南理工大学 2015
本文编号：3359383
本文链接：https://www.wllwen.com/kejilunwen/jiagonggongyi/3359383.html
