立铣刀状态监测与剩余有效寿命预测方法研究
发布时间：2021-06-15 16:02
生产过程的自动化和智能化已成为制造业的发展趋势,数控铣床凭借其高自动化、高稳定性、高精度和柔性化等优点,已成为自动化生产中的重要部件。刀具作为数控铣床实施铣削操作的最终端部件,是铣削加工成功的关键因素之一,也是最易损伤和浪费最严重的部件,对其进行及时有效的状态识别与监测尤为重要。然而,铣削刀具状态监测（Tool condition monitoring,TCM）呈现的样本量有限、信噪比低、时变性强等特征,使得传统状态监测方法大打折扣。因此,如何提高刀具状态的识别精度及其剩余有效寿命的预测精度,及时有效地监测刀具运行状态,已成为铣削加工智能化发展亟待解决的问题,也是当前智能加工技术的主要方向之一。本研究以立铣刀为研究对象,围绕铣削过程刀具状态监测与剩余有效寿命预测问题,结合机器学习、智能计算和随机过程理论,对监测模型、特征选择方法、剩余有效寿命预测等方面进行了深入研究,旨在为铣削过程的刀具状态监测提供更有效的方法。为提高铣削过程TCM的准确性,结合核极限学习机学习速度快和层次角度核函数能够模拟大型神经网络计算向量相似度的优点,提出了一种两层角度核极限学习机算法。该算法克服了核极限学习机在...
【文章来源】：浙江工业大学浙江省
【文章页数】：161 页
【学位级别】：博士
【部分图文】：
铣削过程刀具状态监测流程图
浙江工业大学博士学位论文10控制图等，限于篇幅不再一一介绍。图1-2TCM监测模型各类AI方法占比图Figure1-2.ProportionofvariousAImethodsinmillingTCMmonitoringmodel（1）ANN：ANN由所谓的突触连接的神经元（最小单元）分层连接组成。典型的ANN有一个输入层、一个或多个隐藏层、一个输出层，每一层都包含若干神经元，相邻层之间的神经元互联。互联的两个神经元的连接强度称为权重，不同的连接对应的权重不同，并藉由训练样本通过最小化输出误差来调整权重大校ANN可以很好地逼近连续的非线性函数，具有很强的容错性、适应性和噪声抑制能力，很适合于铣削过程刀具状态监测[104]（铣削过程中不同传感信号与刀具磨损之间的依赖关系过于复杂，难以用数学形式表示）。很多研究将ANN运用于铣削过程TCM研究中[5][23][45][76][105][106][107]，输入层的元素包括特征提取与选择阶段确定的特征参数以及切削参数（主轴转速、切削深度、进给速率等），输出层为刀具磨损状态或刀具磨损绝对值，取得了不错的效果。特别是近年来，随着深度学习技术的飞速发展以及在图像处理等领域的广泛应用，深度神经网络亦在铣削过程TCM中得到大量的尝试，如卷积神经网络[108][109][110][111][112][113]、循环神经网络[114][115]等。以卷积神经网络（Convolutionalneuralnetworks，CNN）为例，典型的CNN模型结构为：输入层—卷积层—池化层—全连接层—输出层，其中卷积层利用若干卷积核对输入层的数据进行特征提取，并通过激励函数来协助表达复杂特征；池化层由预设定的池化函数对提取的特征进行选择和信息过滤，全连接层等价于传统前馈神经网络中的隐含层，只向其它全连接层传递信号。这些研究大大丰富了铣削过程TCM技术的深入。然而，基于ANN方法的监测模型?
铣削刀具状态监测与剩余有效寿命预测方法研究13研究路线框架图如图1-3所示。图1-3论文研究路线框架图Figure1-3.Researchframeworkdiagramofthisdissertation本论文的章节安排如下：（1）第一章，绪论。阐述了铣削过程刀具状态监测与剩余有效寿命预测的意义；综述了铣削过程刀具状态监测技术的发展现状，分析其存在的问题，讨论了铣削过程刀具状态监测需要解决的问题。（2）第二章，本文研究的基础理论。阐述了立铣刀磨损的基本原理，介绍了本文需要用到的时域、频域和小波时频分析信号处理技术、核极限学习机理论、稳态子空间分析、差分进化算法等方法和技术的基本概念和原理。（3）第三章，两层角度核极限学习机及其在TCM中的应用。为克服KELM在复杂非线性高维数据特征学习上的不足和核函数及其核参数设定人为主观性较强等问题，提出了两层角度核极限学习机。通过对若干分类和回归基准数据集的分析和比较，验证两层角度核极限学习机算法在有限样本情形下的有效性。提出了基于两层角度核极限学习机的铣削TCM模型，通过在TCM基准数据集和单传感TCM实验的应用研究，检验了该模型的学习性能。为进一步提升TCM识别精度，提出了基于盲源分离技术和两层角度核极限学习机的刀具状态监测方法，实验分析验证了该方法可以显著提升TCM的识别精度。（4）第四章，基于全局诊断误差与改进差分进化的TCM特征选择方法。为克服TCM研究中特征选择方法侧重局部依赖性的不足，提出了基于全局诊断误差的TCM特征选择方法，构建了多域特征参数候选集的两目标优化模型，通过惩罚函数法将其转化为无约束优化问题，利用改进的差分进化算法进行优化。实验分析验证了所提方法的有效性。最后，对改进的差分进化算法的性能进行了
【参考文献】：
期刊论文
[1]基于电流信号的刀具磨损状态监测方法研究[J]. 孙巍伟,黄民,李康. 河南理工大学学报(自然科学版). 2019(06)
[2]基于工件纹理和卷积神经网络的刀具磨损检测[J]. 桑宏强,张新建,刘丽冰,金国光,陈丽莎. 组合机床与自动化加工技术. 2019(07)
[3]基于深度神经网络的切削刀具剩余寿命预测[J]. 刘胜辉,张人敬,张淑丽,马超,张宏国. 哈尔滨理工大学学报. 2019(03)
[4]基于机床信息的加工过程刀具磨损状态在线监测[J]. 卢志远,马鹏飞,肖江林,王美清,唐晓青. 中国机械工程. 2019(02)
[5]GRNN与粒子滤波集成的刀具磨损监测[J]. 熊昕,王时龙,易力力,郭一君. 机械设计与制造. 2019(01)
[6]基于支持向量机与粒子滤波的刀具磨损状态识别[J]. 程灿,李建勇,徐文胜,聂蒙. 振动与冲击. 2018(17)
[7]基于堆叠降噪自编码的刀具磨损状态识别[J]. 王丽华,杨家巍,张永宏,赵晓平,谢阳阳. 中国机械工程. 2018(17)
[8]基于铣削力仿真样本和降维分类算法的刀具状态监测方法[J]. 徐涛,李亮,郭月龙,郝碧君,何宁. 工具技术. 2018(08)
[9]复杂曲面加工过程中铣刀在线监测方法[J]. 李宏坤,阚洪龙,魏兆成,赵明,代月帮. 振动.测试与诊断. 2018(04)
[10]基于MF-DFA特征和LS-SVM算法的刀具磨损状态识别[J]. 关山,庞弘阳,宋伟杰,康振兴. 农业工程学报. 2018(14)
硕士论文
[1]尺度分形分解理论及其在机床刀具健康监测中的应用[D]. 曹新城.厦门大学 2018
本文编号：3231359
【文章来源】：浙江工业大学浙江省
【文章页数】：161 页
【学位级别】：博士
【部分图文】：
铣削过程刀具状态监测流程图
浙江工业大学博士学位论文10控制图等，限于篇幅不再一一介绍。图1-2TCM监测模型各类AI方法占比图Figure1-2.ProportionofvariousAImethodsinmillingTCMmonitoringmodel（1）ANN：ANN由所谓的突触连接的神经元（最小单元）分层连接组成。典型的ANN有一个输入层、一个或多个隐藏层、一个输出层，每一层都包含若干神经元，相邻层之间的神经元互联。互联的两个神经元的连接强度称为权重，不同的连接对应的权重不同，并藉由训练样本通过最小化输出误差来调整权重大校ANN可以很好地逼近连续的非线性函数，具有很强的容错性、适应性和噪声抑制能力，很适合于铣削过程刀具状态监测[104]（铣削过程中不同传感信号与刀具磨损之间的依赖关系过于复杂，难以用数学形式表示）。很多研究将ANN运用于铣削过程TCM研究中[5][23][45][76][105][106][107]，输入层的元素包括特征提取与选择阶段确定的特征参数以及切削参数（主轴转速、切削深度、进给速率等），输出层为刀具磨损状态或刀具磨损绝对值，取得了不错的效果。特别是近年来，随着深度学习技术的飞速发展以及在图像处理等领域的广泛应用，深度神经网络亦在铣削过程TCM中得到大量的尝试，如卷积神经网络[108][109][110][111][112][113]、循环神经网络[114][115]等。以卷积神经网络（Convolutionalneuralnetworks，CNN）为例，典型的CNN模型结构为：输入层—卷积层—池化层—全连接层—输出层，其中卷积层利用若干卷积核对输入层的数据进行特征提取，并通过激励函数来协助表达复杂特征；池化层由预设定的池化函数对提取的特征进行选择和信息过滤，全连接层等价于传统前馈神经网络中的隐含层，只向其它全连接层传递信号。这些研究大大丰富了铣削过程TCM技术的深入。然而，基于ANN方法的监测模型?
铣削刀具状态监测与剩余有效寿命预测方法研究13研究路线框架图如图1-3所示。图1-3论文研究路线框架图Figure1-3.Researchframeworkdiagramofthisdissertation本论文的章节安排如下：（1）第一章，绪论。阐述了铣削过程刀具状态监测与剩余有效寿命预测的意义；综述了铣削过程刀具状态监测技术的发展现状，分析其存在的问题，讨论了铣削过程刀具状态监测需要解决的问题。（2）第二章，本文研究的基础理论。阐述了立铣刀磨损的基本原理，介绍了本文需要用到的时域、频域和小波时频分析信号处理技术、核极限学习机理论、稳态子空间分析、差分进化算法等方法和技术的基本概念和原理。（3）第三章，两层角度核极限学习机及其在TCM中的应用。为克服KELM在复杂非线性高维数据特征学习上的不足和核函数及其核参数设定人为主观性较强等问题，提出了两层角度核极限学习机。通过对若干分类和回归基准数据集的分析和比较，验证两层角度核极限学习机算法在有限样本情形下的有效性。提出了基于两层角度核极限学习机的铣削TCM模型，通过在TCM基准数据集和单传感TCM实验的应用研究，检验了该模型的学习性能。为进一步提升TCM识别精度，提出了基于盲源分离技术和两层角度核极限学习机的刀具状态监测方法，实验分析验证了该方法可以显著提升TCM的识别精度。（4）第四章，基于全局诊断误差与改进差分进化的TCM特征选择方法。为克服TCM研究中特征选择方法侧重局部依赖性的不足，提出了基于全局诊断误差的TCM特征选择方法，构建了多域特征参数候选集的两目标优化模型，通过惩罚函数法将其转化为无约束优化问题，利用改进的差分进化算法进行优化。实验分析验证了所提方法的有效性。最后，对改进的差分进化算法的性能进行了
【参考文献】：
期刊论文
[1]基于电流信号的刀具磨损状态监测方法研究[J]. 孙巍伟,黄民,李康. 河南理工大学学报(自然科学版). 2019(06)
[2]基于工件纹理和卷积神经网络的刀具磨损检测[J]. 桑宏强,张新建,刘丽冰,金国光,陈丽莎. 组合机床与自动化加工技术. 2019(07)
[3]基于深度神经网络的切削刀具剩余寿命预测[J]. 刘胜辉,张人敬,张淑丽,马超,张宏国. 哈尔滨理工大学学报. 2019(03)
[4]基于机床信息的加工过程刀具磨损状态在线监测[J]. 卢志远,马鹏飞,肖江林,王美清,唐晓青. 中国机械工程. 2019(02)
[5]GRNN与粒子滤波集成的刀具磨损监测[J]. 熊昕,王时龙,易力力,郭一君. 机械设计与制造. 2019(01)
[6]基于支持向量机与粒子滤波的刀具磨损状态识别[J]. 程灿,李建勇,徐文胜,聂蒙. 振动与冲击. 2018(17)
[7]基于堆叠降噪自编码的刀具磨损状态识别[J]. 王丽华,杨家巍,张永宏,赵晓平,谢阳阳. 中国机械工程. 2018(17)
[8]基于铣削力仿真样本和降维分类算法的刀具状态监测方法[J]. 徐涛,李亮,郭月龙,郝碧君,何宁. 工具技术. 2018(08)
[9]复杂曲面加工过程中铣刀在线监测方法[J]. 李宏坤,阚洪龙,魏兆成,赵明,代月帮. 振动.测试与诊断. 2018(04)
[10]基于MF-DFA特征和LS-SVM算法的刀具磨损状态识别[J]. 关山,庞弘阳,宋伟杰,康振兴. 农业工程学报. 2018(14)
硕士论文
[1]尺度分形分解理论及其在机床刀具健康监测中的应用[D]. 曹新城.厦门大学 2018
本文编号：3231359
本文链接：https://www.wllwen.com/shoufeilunwen/gckjbs/3231359.html
