基于深度学习和多传感器的数控机床铣刀磨损状态信号监测方法研究

发布时间：2022-02-23 00:26

　　由于单一传感器存在获取信息量有限、抗干扰能力较弱等问题及传统网络模型诊断时间长、诊断率低等现象,采用振动、噪声等多个传感器监测铣刀的磨损状态。提出将深度学习和多传感器相结合的铣刀磨损状态信号监测方法;将经核主元筛选和未筛选的数据分别输入到BP神经网络、RBF神经网络和深度卷积神经网络中进行模式识别,并对识别结果进行对比和分析。结果表明:深度学习和多传感器相结合的铣刀磨损状态监测方法在特征量比较大、数据量比较多的情况下诊断速度、准确率均比较高,在铣刀磨损状态监测中具有明显的优势。 

【文章来源】：机床与液压. 2020,48(09)北大核心

【文章页数】：4 页

【文章目录】：
0 前言
1 深度卷积神经网络简介
2 BP神经网络简介
3 RBF神经网络简介
4 试验研究
    4.1 试验系统的建立
    4.2 网格模型设计及试验结果分析
        4.2.1 BPNN的网络模型设计
        4.2.2 RBFNN的网络模型设计
        4.2.3 CNN的网络模型设计
    4.3 3种网络模型的诊断测试结果对比分析
5 结语


【参考文献】：
期刊论文
[1]车刀振动信号研究及磨损工况的识别[J]. 吕苗荣,李梅.  机床与液压. 2012(01)
[2]BP神经网络在齿轮箱故障诊断中的应用[J]. 杨树莲.  机床与液压. 2006(07)

硕士论文
[1]基于卷积神经网络的变速器故障分类识别研究[D]. 曾雪琼.华南理工大学 2016
[2]基于多传感器信息融合的数控铣削刀具状态监测与诊断研究[D]. 徐卫晓.青岛理工大学 2014
[3]基于振动噪声信息融合的齿轮箱齿轮故障诊断研究[D]. 薛金亮.青岛理工大学 2012



本文编号：3640491