基于深度学习的铣刀磨损状态识别及预测方法研究
发布时间：2022-02-21 09:00
当前新一代信息技术与传统制造产业逐步融合,形成以信息物理系统为基础的全新制造模式。在未来智能制造环境下,工厂内各类传感器采集的数据将以源源不断数据流形式传入云端,并借由服务器分析提取出设备的隐含状态信息,从而对生产系统进行优化与控制。不同于传统浅层机器学习方法,深度学习模型在数据量处理规模、非线性能力、收敛性等方面优势明显。本文针对铣削加工过程中刀具磨损问题,应用深度学习方法建立刀具磨损状态识别及磨损量预测模型,主要研究工作如下:（1）对比了四种常见监测信号的优劣势及适用范围,选取振动信号为监测信号。采用小波降噪方法进行信号预处理,从时域、频域、时频域三方面开展特征提取工作。对比了四种小波尺度图,发现复Morlet小波尺度图效果最佳。（2）建立了两种基于深度学习的刀具磨损状态识别模型。模型一为卷积神经网络与迁移学习模型,通过对比在大小不同数据集上的建模效果,证明了迁移学习在小样本集上的优越性;模型二为堆叠稀疏自动编码网络模型,通过对筛选特征向量集进行降维处理并纳入到Softmax层进行分类。最后对比了两种传统神经网络模型,证明了深度学习模型的高效与精度。（3）建立了基于深度学习的刀具磨...
【文章来源】：华中科技大学湖北省211工程院校985工程院校教育部直属院校
【文章页数】：84 页
【学位级别】：硕士
【部分图文】：
铣刀磨损均值图像
图 3-2 X 方向频域图 图 3-3 小波降噪后 X 方向频域图由于铣刀在铣削加工过程中作往复性地切入切出运动，由此振动信号应当呈现周期性的振动特性，故而信号主要集中在低频部分。结合图 3-2 可知，铣削振动的频率成分主要集中在：1 ~ 5000Hz 以及 7000 ~ 12000Hz 中，该段内包含倍频分量，即振动信号的有效成分；而 15000Hz 以上的高频成分可被视为干扰噪声。其他方向的振动信号也可得到相同的结论。依据以上分析，对振动信号进行小波降噪处理时仅需保留低于 12000Hz 的有效信号即可，由于试验中传感器的采样频率为 50kHz，按照小波多分辨率分析理论，进行 1层小波分解信号低频分辨率为 1 ~ 12500Hz，满足保留 12000Hz 的条件，故小波降噪时进行一层小波包分解即可。本文采用 1 层 db4 小波基函数对铣削振动信号进行分解，选用软阈值法进行降噪处理，降噪后结果见图 3-3。将小波降噪前后的频域图进行对比后发现，铣削振动信号中大于 15000Hz 的噪声被很好地滤除，验证了小波降噪方法的有效性。图 3-3 中由于第 300 次走刀时刀具已
图 3-2 X 方向频域图 图 3-3 小波降噪后 X 方向频域图由于铣刀在铣削加工过程中作往复性地切入切出运动，由此振动信号应当呈现周期性的振动特性，故而信号主要集中在低频部分。结合图 3-2 可知，铣削振动的频率成分主要集中在：1 ~ 5000Hz 以及 7000 ~ 12000Hz 中，该段内包含倍频分量，即振动信号的有效成分；而 15000Hz 以上的高频成分可被视为干扰噪声。其他方向的振动信号也可得到相同的结论。依据以上分析，对振动信号进行小波降噪处理时仅需保留低于 12000Hz 的有效信号即可，由于试验中传感器的采样频率为 50kHz，按照小波多分辨率分析理论，进行 1层小波分解信号低频分辨率为 1 ~ 12500Hz，满足保留 12000Hz 的条件，故小波降噪时进行一层小波包分解即可。本文采用 1 层 db4 小波基函数对铣削振动信号进行分解，选用软阈值法进行降噪处理，降噪后结果见图 3-3。将小波降噪前后的频域图进行对比后发现，铣削振动信号中大于 15000Hz 的噪声被很好地滤除，验证了小波降噪方法的有效性。图 3-3 中由于第 300 次走刀时刀具已
【参考文献】：
期刊论文
[1]大数据驱动的智能制造[J]. 张洁,汪俊亮,吕佑龙,鲍劲松. 中国机械工程. 2019(02)
[2]工业智能网——工业互联网的深化与升级[J]. 张平,刘会永,李文璟,周凡钦. 通信学报. 2018(12)
[3]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)
[4]中国制造业产业结构高级度的时空格局与影响因素[J]. 李建新,杨永春,蒋小荣,梁曼,郭泉恩. 地理研究. 2018(08)
[5]基于不确定性云推理的刀具磨损量预测方法[J]. 郝伟,蒋琪,张宇. 机床与液压. 2018(10)
[6]基于自适应动态无偏最小二乘支持向量机的刀具磨损预测建模[J]. 肖鹏飞,张超勇,罗敏,林文文. 中国机械工程. 2018(07)
[7]基于切削功率的数控车削批量加工刀具磨损在线监测[J]. 李聪波,万腾,陈行政,雷焱绯. 计算机集成制造系统. 2018(08)
[8]基于PSO优化LS-SVM的刀具磨损状态识别[J]. 刘成颖,吴昊,王立平,张智. 清华大学学报(自然科学版). 2017(09)
[9]基于深度自编码网络模型的风电机组齿轮箱故障检测[J]. 刘辉海,赵星宇,赵洪山,宋鹏,邓春. 电工技术学报. 2017(17)
[10]基于谐波小波包和BSA优化LS-SVM的铣刀磨损状态识别研究[J]. 董彩云,张超勇,孟磊磊,肖鹏飞,罗敏,林文文. 中国机械工程. 2017(17)
博士论文
[1]智慧制造环境下感知数据驱动的加工作业主动调度方法研究[D]. 张存吉.华南理工大学 2016
[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]基于声发射信号多特征分析与融合的刀具磨损分类与预测技术[D]. 关山.吉林大学 2011
[4]基于HMM的多特征融合钻头磨损监测技术的研究[D]. 郑建明.西安理工大学 2004
硕士论文
[1]基于分形理论的刀具磨损状态识别与磨损量预测方法研究[D]. 庞弘阳.东北电力大学 2018
[2]制造物联理念下基于深度学习的刀具磨损预测和状态识别[D]. 陶韬.华南理工大学 2018
[3]基于多传感器融合技术的刀具磨损监测系统的研究[D]. 郭勇.沈阳航空航天大学 2014
[4]基于HHT的刀具磨损状态监测技术研究[D]. 董慧.沈阳航空航天大学 2013
[5]基于条件随机场的铣削刀具磨损状态监测技术研究[D]. 冯晓亮.天津大学 2012
[6]基于声发射法的铣刀磨损状态识别研究[D]. 汤为.上海交通大学 2009
[7]基于声发射和振动法的刀具磨损状态检测研究[D]. 庄子杰.上海交通大学 2009
本文编号：3636931
【文章来源】：华中科技大学湖北省211工程院校985工程院校教育部直属院校
【文章页数】：84 页
【学位级别】：硕士
【部分图文】：
铣刀磨损均值图像
图 3-2 X 方向频域图 图 3-3 小波降噪后 X 方向频域图由于铣刀在铣削加工过程中作往复性地切入切出运动，由此振动信号应当呈现周期性的振动特性，故而信号主要集中在低频部分。结合图 3-2 可知，铣削振动的频率成分主要集中在：1 ~ 5000Hz 以及 7000 ~ 12000Hz 中，该段内包含倍频分量，即振动信号的有效成分；而 15000Hz 以上的高频成分可被视为干扰噪声。其他方向的振动信号也可得到相同的结论。依据以上分析，对振动信号进行小波降噪处理时仅需保留低于 12000Hz 的有效信号即可，由于试验中传感器的采样频率为 50kHz，按照小波多分辨率分析理论，进行 1层小波分解信号低频分辨率为 1 ~ 12500Hz，满足保留 12000Hz 的条件，故小波降噪时进行一层小波包分解即可。本文采用 1 层 db4 小波基函数对铣削振动信号进行分解，选用软阈值法进行降噪处理，降噪后结果见图 3-3。将小波降噪前后的频域图进行对比后发现，铣削振动信号中大于 15000Hz 的噪声被很好地滤除，验证了小波降噪方法的有效性。图 3-3 中由于第 300 次走刀时刀具已
图 3-2 X 方向频域图 图 3-3 小波降噪后 X 方向频域图由于铣刀在铣削加工过程中作往复性地切入切出运动，由此振动信号应当呈现周期性的振动特性，故而信号主要集中在低频部分。结合图 3-2 可知，铣削振动的频率成分主要集中在：1 ~ 5000Hz 以及 7000 ~ 12000Hz 中，该段内包含倍频分量，即振动信号的有效成分；而 15000Hz 以上的高频成分可被视为干扰噪声。其他方向的振动信号也可得到相同的结论。依据以上分析，对振动信号进行小波降噪处理时仅需保留低于 12000Hz 的有效信号即可，由于试验中传感器的采样频率为 50kHz，按照小波多分辨率分析理论，进行 1层小波分解信号低频分辨率为 1 ~ 12500Hz，满足保留 12000Hz 的条件，故小波降噪时进行一层小波包分解即可。本文采用 1 层 db4 小波基函数对铣削振动信号进行分解，选用软阈值法进行降噪处理，降噪后结果见图 3-3。将小波降噪前后的频域图进行对比后发现，铣削振动信号中大于 15000Hz 的噪声被很好地滤除，验证了小波降噪方法的有效性。图 3-3 中由于第 300 次走刀时刀具已
【参考文献】：
期刊论文
[1]大数据驱动的智能制造[J]. 张洁,汪俊亮,吕佑龙,鲍劲松. 中国机械工程. 2019(02)
[2]工业智能网——工业互联网的深化与升级[J]. 张平,刘会永,李文璟,周凡钦. 通信学报. 2018(12)
[3]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)
[4]中国制造业产业结构高级度的时空格局与影响因素[J]. 李建新,杨永春,蒋小荣,梁曼,郭泉恩. 地理研究. 2018(08)
[5]基于不确定性云推理的刀具磨损量预测方法[J]. 郝伟,蒋琪,张宇. 机床与液压. 2018(10)
[6]基于自适应动态无偏最小二乘支持向量机的刀具磨损预测建模[J]. 肖鹏飞,张超勇,罗敏,林文文. 中国机械工程. 2018(07)
[7]基于切削功率的数控车削批量加工刀具磨损在线监测[J]. 李聪波,万腾,陈行政,雷焱绯. 计算机集成制造系统. 2018(08)
[8]基于PSO优化LS-SVM的刀具磨损状态识别[J]. 刘成颖,吴昊,王立平,张智. 清华大学学报(自然科学版). 2017(09)
[9]基于深度自编码网络模型的风电机组齿轮箱故障检测[J]. 刘辉海,赵星宇,赵洪山,宋鹏,邓春. 电工技术学报. 2017(17)
[10]基于谐波小波包和BSA优化LS-SVM的铣刀磨损状态识别研究[J]. 董彩云,张超勇,孟磊磊,肖鹏飞,罗敏,林文文. 中国机械工程. 2017(17)
博士论文
[1]智慧制造环境下感知数据驱动的加工作业主动调度方法研究[D]. 张存吉.华南理工大学 2016
[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]基于声发射信号多特征分析与融合的刀具磨损分类与预测技术[D]. 关山.吉林大学 2011
[4]基于HMM的多特征融合钻头磨损监测技术的研究[D]. 郑建明.西安理工大学 2004
硕士论文
[1]基于分形理论的刀具磨损状态识别与磨损量预测方法研究[D]. 庞弘阳.东北电力大学 2018
[2]制造物联理念下基于深度学习的刀具磨损预测和状态识别[D]. 陶韬.华南理工大学 2018
[3]基于多传感器融合技术的刀具磨损监测系统的研究[D]. 郭勇.沈阳航空航天大学 2014
[4]基于HHT的刀具磨损状态监测技术研究[D]. 董慧.沈阳航空航天大学 2013
[5]基于条件随机场的铣削刀具磨损状态监测技术研究[D]. 冯晓亮.天津大学 2012
[6]基于声发射法的铣刀磨损状态识别研究[D]. 汤为.上海交通大学 2009
[7]基于声发射和振动法的刀具磨损状态检测研究[D]. 庄子杰.上海交通大学 2009
本文编号：3636931
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3636931.html
