结合迁移学习的机床刀具磨损预测研究
发布时间：2022-01-01 03:55
在实际生产中,由于数控机床内环境十分复杂,物理反应活跃,导致数据机床在生产活动中对刀具的损耗极大,而传统的刀具状态监测无法有效地利用刀具真实寿命,从而造成一定程度上刀具成本的浪费。本文提出了利用数控机床主轴电流信号数据,并借助深度学习和迁移学习的方法建立了对刀具磨损监控的预测模型,期望改善对刀具寿命的利用率,从而为实际生产中带来经济效益。（1）数控机床主轴电流信号的采集与特征提取。鉴于电流信号采集方法的低成本和高实时性,本文选用电流信号作为刀具磨损预测的参量,通过使用开环式的霍尔传感器可以方便地采集机床主轴电流信号。同时,针对受噪声影响的高维度电流信号,本文采用了时域、频域、小波包的方法对电流信号进行特征提取与信号切分,最终,通过各特征量与刀具磨损状态的关联性,选用时域特征均值、方差、峰度、偏度作为刀具磨损预测模型的输入特征。（2）刀具崩刃预测方法的研究。针对实际加工场景中经常出现的刀具崩刃状态,本文使用了深度学习的算法,将刀具崩刃预测划分为一个二分类问题,通过对刀具加工状态下的电流信号建模,实现电流信号与刀具正常状态、刀具崩刃状态两种类别之间的关系映射,实现了97.36%的预测准确率...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：95 页
【学位级别】：硕士
【部分图文】：
中国智能制造业市场规模统计及增长情况
电子科技大学硕士学位论文2从图1中可以看出，国内的智能制造产业呈现显著增长的趋势，19年的产业规模相对于14年来说，已经翻了两倍有余，规模增产迅速，虽然未来一两年可能会增长放缓，但整体趋势并不会改变，在后续两年的经济特殊时期结束后，智能制造产业的规模仍会快速上升，占据的市场份额会越来越多，智能制造产业的蓬勃发展意味着下一次工业革命，就在眼前。1.1.2智能制造现状与刀具寿命研究意义在我国智能制造发展规划(2016-2020年)[3]中提到，智能制造是基于下一代信息通信技术与先进制造技术进行深度集成，它贯穿与制造活动的各个方面，例如设计、生产、管理和服务，具有自感知、自学习、自决策、自执行、自适应等功能。智能制造系统是智能机器和智能行为的融合，并以灵活的方式充分利用先进生产系统的制造能力[4-5]。智能制造产业链整体来说还可以细分为材料、生产、应用三个过程，具体分类如下图1-2所示。图1-2智能产业链分类其中，产业链按照产业依存关系可以划分为三部分：上游材料，中游生产以及下游应用。其中上游材料涵盖了机械零部件、电器元器件、塑料制品、金属制品等，上游材料作为基础的材料准备，为后续应中游生产提供支持；中游生产涵盖了自动化检测设备、自动化组装设备、治具类产品等，中游生产的设备可以为下游业务应用提供特定的设备产品；产业链的下游包括消费电子制造业，汽车及零部件制造业，医疗机械制造业，机械设备制造业，仓库物流业等。下游的应用则服务于具体的实际生活场景，满足社会需求。信息全面化和人工智能的快速发展迎来了新的工业革命，智能制造产业链的应用面越发广泛，包括具有一定人工智能的智能或半智能机器人自动化装备，工业制造层面的ERP软件以及相关智能生产过程中所需要的传
第一章绪论5的目的。1.2.2.1传感器技术传感器是一种检测装置，其可以感测所测量的信息并将感测到的信息转换为电信号或其他形式的信息。在刀具状态监测系统中，可以通过传感器采集到与刀具切削密切相关的物理量，比如切削力大孝切削噪声、振动力、加工电流等，这些物理量可以在不同程度上反映刀具状态的变化，而根据测量方法的不同，这些物理量的测量方法可以大致分为两类：“直接测量方法”和“间接测量方法”，如下表1-1所示。1、直接测量法直接测量法是通过测量与刀具本身所相关的特征量来衡量刀具磨损的方法，如光学测量法、电阻法、放射线法、图像处理法与接触检测法等。直接测量法精度高，且可以直观地识别刀刃形状的变化，了解刀具的工作状态和使用情况，对刀具的使用寿命进行有效判断，但由于刀具在加工过程中环境极为复杂，直接测量法难以在刀具正常工作的情况下进行测量，无法实时反应刀具的状态，故直接测量法通常用于离线检测。下图1-3是通过光学显微镜对刀具磨损面进行测量。图1-3光学显微镜下的刀具磨损2、间接测量法间接测量方法是监测与工具磨损密切相关的特征量，并使用相关特征量和刀具磨损量建立数学模型，从而间接获得刀具磨损状态。常用的间接测量方法包括切削力监控，振动监控，声发射监控，切削温度监控，主轴电机电流监控和超声波监控、工件表面粗糙度监控等。间接测量法相较于直接测量法，在信号采集困难程度上具有优势，无需直接对刀具进行检测测量，根据刀具工作时的所产生的关联特征量进行收集，如对切削噪声、主轴电机电流等特征可以进行在线高精度采集，分析
【参考文献】：
期刊论文
[1]基于神经网络与遗传算法的刀具磨损检测与控制[J]. 秦国华,谢文斌,王华敏. 光学精密工程. 2015(05)
[2]Logistic回归模型在机床刀具可靠性评估中的应用[J]. 陈保家,陈雪峰,李兵,曹宏瑞,蔡改改,何正嘉. 机械工程学报. 2011(18)
[3]频带能量特征法在声发射刀具磨损监测系统中的应用[J]. 聂鹏,王东磊,徐涛,关山. 工具技术. 2009(02)
[4]基于改进型脉冲耦合神经网络的刀具磨损图像检测[J]. 李鹏阳,祝双武,郝重阳,王毅,陈世浩. 西北工业大学学报. 2008(02)
[5]刀具磨损远程监测系统研究[J]. 朱丽琴,孙钦秋,陈侃. 设备管理与维修. 2008(03)
[6]基于多特征量的刀具磨损模糊判决研究[J]. 张文思,李蓓智,张家梁. 装备制造技术. 2007(02)
[7]车削过程中刀具磨损和破损状态的自动识别[J]. 王海丽,马春翔,邵华,胡德金. 上海交通大学学报. 2006(12)
[8]功率、切削力、AE组合刀具监控系统的研究[J]. 尹如海,王明秋. 工具技术. 2006(07)
[9]基于集成神经网络的刀具磨损量监测[J]. 高宏力,许明恒,傅攀. 西南交通大学学报. 2005(05)
[10]刀具后刀面磨损量对切削力及加工表面粗糙度的影响[J]. 吴泽群,刘亚俊,汤勇,陈平. 工具技术. 2005(05)
博士论文
[1]基于多参量信息融合的刀具磨损状态识别及预测技术研究[D]. 陈洪涛.西南交通大学 2013
[2]车铣刀具磨损状态监测及预测关键技术研究[D]. 李威霖.西南交通大学 2013
[3]钛合金铣削刀具磨损及表面完整性研究[D]. 杨晓勇.天津大学 2013
[4]切削加工过程中刀具磨损的智能监测技术研究[D]. 高宏力.西南交通大学 2005
硕士论文
[1]刀具磨损状态监测系统研究[D]. 高琛.山东大学 2008
[2]基于小波分析和集成神经网络的刀具磨损监测技术研究[D]. 高龙.西南交通大学 2007
本文编号：3561602
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：95 页
【学位级别】：硕士
【部分图文】：
中国智能制造业市场规模统计及增长情况
电子科技大学硕士学位论文2从图1中可以看出，国内的智能制造产业呈现显著增长的趋势，19年的产业规模相对于14年来说，已经翻了两倍有余，规模增产迅速，虽然未来一两年可能会增长放缓，但整体趋势并不会改变，在后续两年的经济特殊时期结束后，智能制造产业的规模仍会快速上升，占据的市场份额会越来越多，智能制造产业的蓬勃发展意味着下一次工业革命，就在眼前。1.1.2智能制造现状与刀具寿命研究意义在我国智能制造发展规划(2016-2020年)[3]中提到，智能制造是基于下一代信息通信技术与先进制造技术进行深度集成，它贯穿与制造活动的各个方面，例如设计、生产、管理和服务，具有自感知、自学习、自决策、自执行、自适应等功能。智能制造系统是智能机器和智能行为的融合，并以灵活的方式充分利用先进生产系统的制造能力[4-5]。智能制造产业链整体来说还可以细分为材料、生产、应用三个过程，具体分类如下图1-2所示。图1-2智能产业链分类其中，产业链按照产业依存关系可以划分为三部分：上游材料，中游生产以及下游应用。其中上游材料涵盖了机械零部件、电器元器件、塑料制品、金属制品等，上游材料作为基础的材料准备，为后续应中游生产提供支持；中游生产涵盖了自动化检测设备、自动化组装设备、治具类产品等，中游生产的设备可以为下游业务应用提供特定的设备产品；产业链的下游包括消费电子制造业，汽车及零部件制造业，医疗机械制造业，机械设备制造业，仓库物流业等。下游的应用则服务于具体的实际生活场景，满足社会需求。信息全面化和人工智能的快速发展迎来了新的工业革命，智能制造产业链的应用面越发广泛，包括具有一定人工智能的智能或半智能机器人自动化装备，工业制造层面的ERP软件以及相关智能生产过程中所需要的传
第一章绪论5的目的。1.2.2.1传感器技术传感器是一种检测装置，其可以感测所测量的信息并将感测到的信息转换为电信号或其他形式的信息。在刀具状态监测系统中，可以通过传感器采集到与刀具切削密切相关的物理量，比如切削力大孝切削噪声、振动力、加工电流等，这些物理量可以在不同程度上反映刀具状态的变化，而根据测量方法的不同，这些物理量的测量方法可以大致分为两类：“直接测量方法”和“间接测量方法”，如下表1-1所示。1、直接测量法直接测量法是通过测量与刀具本身所相关的特征量来衡量刀具磨损的方法，如光学测量法、电阻法、放射线法、图像处理法与接触检测法等。直接测量法精度高，且可以直观地识别刀刃形状的变化，了解刀具的工作状态和使用情况，对刀具的使用寿命进行有效判断，但由于刀具在加工过程中环境极为复杂，直接测量法难以在刀具正常工作的情况下进行测量，无法实时反应刀具的状态，故直接测量法通常用于离线检测。下图1-3是通过光学显微镜对刀具磨损面进行测量。图1-3光学显微镜下的刀具磨损2、间接测量法间接测量方法是监测与工具磨损密切相关的特征量，并使用相关特征量和刀具磨损量建立数学模型，从而间接获得刀具磨损状态。常用的间接测量方法包括切削力监控，振动监控，声发射监控，切削温度监控，主轴电机电流监控和超声波监控、工件表面粗糙度监控等。间接测量法相较于直接测量法，在信号采集困难程度上具有优势，无需直接对刀具进行检测测量，根据刀具工作时的所产生的关联特征量进行收集，如对切削噪声、主轴电机电流等特征可以进行在线高精度采集，分析
【参考文献】：
期刊论文
[1]基于神经网络与遗传算法的刀具磨损检测与控制[J]. 秦国华,谢文斌,王华敏. 光学精密工程. 2015(05)
[2]Logistic回归模型在机床刀具可靠性评估中的应用[J]. 陈保家,陈雪峰,李兵,曹宏瑞,蔡改改,何正嘉. 机械工程学报. 2011(18)
[3]频带能量特征法在声发射刀具磨损监测系统中的应用[J]. 聂鹏,王东磊,徐涛,关山. 工具技术. 2009(02)
[4]基于改进型脉冲耦合神经网络的刀具磨损图像检测[J]. 李鹏阳,祝双武,郝重阳,王毅,陈世浩. 西北工业大学学报. 2008(02)
[5]刀具磨损远程监测系统研究[J]. 朱丽琴,孙钦秋,陈侃. 设备管理与维修. 2008(03)
[6]基于多特征量的刀具磨损模糊判决研究[J]. 张文思,李蓓智,张家梁. 装备制造技术. 2007(02)
[7]车削过程中刀具磨损和破损状态的自动识别[J]. 王海丽,马春翔,邵华,胡德金. 上海交通大学学报. 2006(12)
[8]功率、切削力、AE组合刀具监控系统的研究[J]. 尹如海,王明秋. 工具技术. 2006(07)
[9]基于集成神经网络的刀具磨损量监测[J]. 高宏力,许明恒,傅攀. 西南交通大学学报. 2005(05)
[10]刀具后刀面磨损量对切削力及加工表面粗糙度的影响[J]. 吴泽群,刘亚俊,汤勇,陈平. 工具技术. 2005(05)
博士论文
[1]基于多参量信息融合的刀具磨损状态识别及预测技术研究[D]. 陈洪涛.西南交通大学 2013
[2]车铣刀具磨损状态监测及预测关键技术研究[D]. 李威霖.西南交通大学 2013
[3]钛合金铣削刀具磨损及表面完整性研究[D]. 杨晓勇.天津大学 2013
[4]切削加工过程中刀具磨损的智能监测技术研究[D]. 高宏力.西南交通大学 2005
硕士论文
[1]刀具磨损状态监测系统研究[D]. 高琛.山东大学 2008
[2]基于小波分析和集成神经网络的刀具磨损监测技术研究[D]. 高龙.西南交通大学 2007
本文编号：3561602
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3561602.html
