基于深度学习的刀具磨损与寿命预测及系统开发
发布时间：2021-03-24 00:15
制造行业的智能制造转型,将使得新一代信息技术与传统制造业的进一步融合,在未来的工厂环境中,各类传感器将源源不断地采集与设备相关的监测信号。而刀具作为制造行业的基础设备,其磨损会影响着产品的质量和生产的效率,因此刀具磨损状态的识别、刀具磨损量以及刀具的剩余寿命的预测,对于提高产品质量和提高生产效率具有重要的意义。针对上述问题,本文研究如何利用刀具状态监测信息以准确地预测刀具磨损量和刀具剩余寿命,主要研究内容有:（1）研究了刀具状态监测信号的预处理,包括去除空值、检测并去除离群值、去除多项式趋势。（2）从时域特征提取、频域特征提取、时频域特征提取三个方面研究了刀具状态监测信号的特征提取方法,在时域方面将信号的统计特征信息作为信号的时域特征,在频域方面通过幅值谱、功率谱分析提取信号的频域特征,在时频域方面则应用经验模态分解（Empirical Mode Decomposition,EMD）提取信号的时频域特征。（3）考虑到多重假设检验作为特征选择方法存在错误发现率（False Discovery Rate,FDR）高的风险,引入Benjamini-Yekutieli方法作为特征选择方法,既保...
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：92 页
【学位级别】：硕士
【部分图文】：
论文整体框架
第二章 特征提取和分析 内刀具的磨损组成的数据集 = {( 1, 1), ( 2, 2), , ( , )}，目的是对于一个新的时间段内的传感器信号 +1，可以根据建立的预测模型预测刀具的磨损量 +1及刀具剩余寿命 +1。由于采集到的数据不能直接用于训练刀具的磨损和剩余寿命预测模型，因此还需对这些信号特征进行特征提取和特征选择，从而利用本文提出的预测模型进行刀具磨损和剩余寿命的预测。具体的特征提取和特征选择方法将在 2.3 和 2.4 节进行详细介绍。
第二章特征提取和分析27表2-3实验切削参数主轴转速进给速度进给量切削宽度切削深度采样频率冷却条件10400RPM1555mm/min0.001mm0.125mm0.2mm50kHz干切实验中分别测量了X轴、Y轴、Z轴三个方向的切削力和振动信号，以及一个测量声发射信号，共计7种刀具状态监测信号。由于此实验中采用的是6mm三齿球头硬质合金铣刀，每一个刀齿可以视为一把刀具，因此对于实验中的每一把刀具，可以得到三组刀具的磨损量，分别对应一个刀齿。实验采取了6把独立的三齿球头硬质合金铣刀c1，c2，c3，c4，c5，c6，共进行了6次铣削实验，每把刀具对应一次实验，每次实验都进行了315次走刀，刀具这315次走刀中均是从新刀状态加工到超过磨损极限，包含了其全生命周期数据。由于只有刀具c1，c4，c6有对应的后刀面磨损量，故本论文在后续的研究中只考虑这三把刀具。实验产生的数据集结构为，刀具c1，c4，c6的每一次走刀都存储到表格文件中，每个表格有7列数据，对应采集的7种传感器信号，而行数则在22万左右。刀具c1，c4，c6的每一次走刀后测量的后刀面磨损量分别存放到一个表格文件中，每个表格有三列数据，对应三个刀齿，行数为315，对应315次走刀后的后刀面磨损量。在使用PHM2010铣削实验数据集的文献中，有将三个刀齿的平均磨损量作为整体刀具的磨损量的文献，如图2-2所示的三把刀具的平均磨损曲线，也有将三个刀齿的最大磨损量作为整体刀具磨损量的文献，如图2-3所示，这里选取三个刀齿的平均磨损量作为整体刀具的磨损量。图2-2三把刀具的平均磨损曲线图2-3三把刀具的最大磨损曲线本节主要根据2.2节、2.3节、2.4节的数据处理过程对实验数据进行处理，的所有的
本文编号：3096675
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：92 页
【学位级别】：硕士
【部分图文】：
论文整体框架
第二章 特征提取和分析 内刀具的磨损组成的数据集 = {( 1, 1), ( 2, 2), , ( , )}，目的是对于一个新的时间段内的传感器信号 +1，可以根据建立的预测模型预测刀具的磨损量 +1及刀具剩余寿命 +1。由于采集到的数据不能直接用于训练刀具的磨损和剩余寿命预测模型，因此还需对这些信号特征进行特征提取和特征选择，从而利用本文提出的预测模型进行刀具磨损和剩余寿命的预测。具体的特征提取和特征选择方法将在 2.3 和 2.4 节进行详细介绍。
第二章特征提取和分析27表2-3实验切削参数主轴转速进给速度进给量切削宽度切削深度采样频率冷却条件10400RPM1555mm/min0.001mm0.125mm0.2mm50kHz干切实验中分别测量了X轴、Y轴、Z轴三个方向的切削力和振动信号，以及一个测量声发射信号，共计7种刀具状态监测信号。由于此实验中采用的是6mm三齿球头硬质合金铣刀，每一个刀齿可以视为一把刀具，因此对于实验中的每一把刀具，可以得到三组刀具的磨损量，分别对应一个刀齿。实验采取了6把独立的三齿球头硬质合金铣刀c1，c2，c3，c4，c5，c6，共进行了6次铣削实验，每把刀具对应一次实验，每次实验都进行了315次走刀，刀具这315次走刀中均是从新刀状态加工到超过磨损极限，包含了其全生命周期数据。由于只有刀具c1，c4，c6有对应的后刀面磨损量，故本论文在后续的研究中只考虑这三把刀具。实验产生的数据集结构为，刀具c1，c4，c6的每一次走刀都存储到表格文件中，每个表格有7列数据，对应采集的7种传感器信号，而行数则在22万左右。刀具c1，c4，c6的每一次走刀后测量的后刀面磨损量分别存放到一个表格文件中，每个表格有三列数据，对应三个刀齿，行数为315，对应315次走刀后的后刀面磨损量。在使用PHM2010铣削实验数据集的文献中，有将三个刀齿的平均磨损量作为整体刀具的磨损量的文献，如图2-2所示的三把刀具的平均磨损曲线，也有将三个刀齿的最大磨损量作为整体刀具磨损量的文献，如图2-3所示，这里选取三个刀齿的平均磨损量作为整体刀具的磨损量。图2-2三把刀具的平均磨损曲线图2-3三把刀具的最大磨损曲线本节主要根据2.2节、2.3节、2.4节的数据处理过程对实验数据进行处理，的所有的
本文编号：3096675
本文链接：https://www.wllwen.com/projectlw/qgylw/3096675.html
