基于长短时记忆卷积神经网络的刀具磨损在线监测模型

发布时间：2022-01-07 07:53

　　为了提高机械加工过程中刀具磨损在线监测的准确性,提出了一种基于长短时记忆卷积神经网络（LSTM-CNN）的刀具磨损在线监测模型。在该监测模型中,通过振动、力、声发射传感器对刀具切削过程中的振动、力和声发射信号进行采集,采集的数据其本质为时间序列数据。考虑采集数据的序列和多维度特性,采用LSTM-CNN网络对采集的数据进行序列和多维度特征提取,利用线性回归实现特征到刀具磨损值的映射。通过实验验证了该模型的有效性和可行性,模型的精度较其他几种方法有了较大的提高。 

【文章来源】：中国机械工程. 2020,31(16)北大核心EICSCD

【文章页数】：9 页

【部分图文】：

基于LSTM-CNN的刀具磨损在线监测框架

LSTM-CNN结构如图2所示。传感器采集的原始时间序列数据Xk作为LSTM-CNN网络的数据输入,输入的数据经过标准化后作为LSTM神经网络的输入,利用LSTM神经网络对标准化后的序列数据建模并提取序列特征,并将在LSTM神经网络中最后时刻的输出作为CNN的输入,通过3层卷积层和1层池化层提取多维度特征。最后输出的特征同时包含了原始时间序列数据的多维度特征和序列特征,通过回归层实现特征到刀具磨损值的映射。

将LSTM神经网络在终点时刻的输出hT作为CNN的输入,CNN的输入依次通过卷积1、最大池化、卷积2、卷积3进行多维度特征提取,卷积过程如图3和下式所示:A i,j =f( ∑ m=0 3 ∑ n=0 3 w m,n h Τi+m,j+n +b) (3)

【参考文献】：
期刊论文
[1]基于卷积神经网络的刀具磨损在线监测[J]. 曹大理,孙惠斌,张纪铎,莫蓉.  计算机集成制造系统. 2020(01)



本文编号：3574149