基于深度卷积循环神经网络的刀具状态监测技术研究

发布时间：2020-05-29 17:28

【摘要】：随着铣削技术向着高速、高精、高质的方向不断发展,铣削过程中刀具磨损已成为影响工件尺寸精度、表面质量、加工效率及生产安全的关键因素,因此对刀具状态监测技术的研究至关重要。本文以铣削加工过程中刀具的磨损状态为研究对象,利用加工过程中的振动信号,采用多种机器学习方法对刀具磨损特征进行学习,实现对刀具磨损状态的识别,主要工作如下:首先,结合铣削加工试验过程中刀具的不同磨损状态,利用振动信号包含的复杂数据信息,通过时域分析、频域分析、小波包技术提取原始高维特征,利用MLLE算法进行特征降维,减少多个特征参数之间的冗余性和不相关性,并将所有低维特征输入XGBoost模型进行刀具状态识别,并使用GA算法对XGBoost参数进行寻优,实验结果验证了该模型在刀具状态识别上的具有一定可行性和有效性。其次,为了改善原始数据特征工程的低效性,利用DenseNet网络、BILSTM网络能够自适应的提取空间、时间特征的优势,将振动信号丰富的特征映射到刀具磨损状态,采用了一种基于注意力机制的CRNN刀具状态识别模型,实验结果表明该模型在刀具状态识别任务上有更高的准确率。最后,为了解决刀具磨损对加工精度造成的影响,利用CRNN模型建立刀具磨损量与振动信号的关系,实时识别刀具磨损量,并采用分段式刀具磨损补偿模型及时补偿加工过程中刀具磨损造成的误差,保证铣削加工工件的精度要求。
【图文】：

华 中 科 技 大 学 硕 士 学 位 论 文表 2.1 立铣刀磨钝标准磨钝标准 磨损值 应用后刀面磨损 VB 0.3mm 后刀面磨损带均匀后刀面磨损 VBmax 0.5mm 后刀面磨损带局部值结合实验过程中的铣削加工环境，对后刀面的磨损带进行测量并记录，采用显微对加工使用的刀具进行显微放大，记录 VB、VBmax，仪器和刀具测量如图 2-4 所：

始信号高维特征提取工过程所产生的数字信号的处理分析是刀具状态监测的关键性技的数字信号都是通过传感器采集直接获取，导致数据中包含了多种映刀具磨损状态的特征有限。而直接使用原始数据对刀具状态进计算成本高；因而对数字信号进行特征提取显得尤为重要，一般来说信号进行特征提取，最后选用相关性高的特征与刀具状态建立映射具状态识别的目的。数字信号的时域特征提取分析可以用来分析传感器信号的动态、瞬态和稳态性能，是一种直统动态过程进行研究的方法，以加工时间为横坐标，幅值为纵坐标 3-1 是在截取相同实验条件下不同的刀具磨损状态的 X 方向振动信
【学位授予单位】：华中科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TG54;TG71;TP183

【参考文献】

相关期刊论文 前1条

1 赵小林 ,赵学智 ,陈统坚 ,叶邦彦;刀具磨损的小波检测[J];工具技术;2001年12期

相关博士学位论文 前2条

1 刘同舜;基于隐马尔可夫模型的微铣削刀具磨损状态监测与过程优化[D];中国科学技术大学;2018年

2 高宏力;切削加工过程中刀具磨损的智能监测技术研究[D];西南交通大学;2005年

，

本文编号：2687254