基于3-KMBS的刀具磨损检测方法研究

发布时间：2022-12-11 21:58

　　刀具在高速铣削过程中,很难检测到刀具磨损状态,而刀具磨损严重时将影响加工精度与产品质量。针对刀具磨损在线检测问题,文章提出了一种基于3-KMBS的刀具磨损检测方法。首先,采集高速刀具铣削时在不同轴向的振动和声发射信号,并进行数据预处理;其次,采用改进的3-K-Means聚类算法聚类出刀具的三种磨损状态区间,并提出多选择多隐层神经网络结构对其进行特征学习,再使用Softmax进行分类;最后,采用随机梯度下降对整个深层网络进行参数微调,建立刀具磨损检测模型。实验结果表明,所提出的方法在刀具磨损检测上准确率高达95%。 

【文章页数】：4 页

【文章目录】：
0 引言
1 基于深层网络结构的刀具磨损检测
    1.1 3-K-Means聚类算法
    1.2 多选择多隐层神经网络
    1.3 Softmax分类器
    1.4 随机梯度下降微调网络参数
    1.5 深层网络结构
2 实验验证
    2.1 实验数据与分析
    2.2 实验结果
        2.2.1 隐层层数对刀具磨损状态的预测
        2.2.2 不同算法对刀具磨损的预测情况
3 结论


【参考文献】：
期刊论文
[1]基于深度学习与粒子滤波的刀具寿命预测[J]. 王国锋,董毅,杨凯,安华.  天津大学学报(自然科学与工程技术版). 2019(11)
[2]一种非独立同分布下K-means算法的初始中心优化方法[J]. 潘品臣,姜合,吕奕锟.  小型微型计算机系统. 2019(06)
[3]基于压缩感知和加噪堆栈稀疏自编码器的铣刀磨损程度识别方法研究[J]. 李宏坤,郝佰田,代月帮,杨蕊.  机械工程学报. 2019(14)
[4]基于遗传算法和BP神经网络的盘形成形铣刀磨损状态预测[J]. 唐军,赵波,李文星.  河南理工大学学报(自然科学版). 2017(05)
[5]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)

硕士论文
[1]基于LSTM循环神经网络的BTA钻头磨损监测技术研究[D]. 王毫.西安理工大学 2019



本文编号：3719573