轻量化CNN与时间序列融合识别刀具磨损方法

针对传统卷积神经网络刀具磨损程度识别方法网络模型体积大、结构复杂以及在线获取刀具磨损图像数据难的问题,提出一种将轻量卷积神经网络应用于刀具磨损程度识别的研究方法。将铣刀加工时产生的力信号与振动信号经格拉姆角场处理转化为图像数据集。再将图像数据分别输入到轻量级卷积神经网络MobilenetV2、MobilenetV3、ShuffleNet模型中进行对比分析。结果表明:在初期磨损和正常磨损阶段使用MobilenetV2,在急剧磨损阶段使用MobilenetV3对刀具磨损识别效果能够达到最佳。与一般卷积神经网络进行对比表明,轻量化卷积神经网络对刀具磨损识别效果优于一般卷积神经网络。该方法解决了刀具图像数据在线获取困难的问题,增加了信息处理的容错性,能有效减少模型体积和计算量,便于植入嵌入式系统并集成到机床系统中。

光学芯轴测量台四点自动调平方法研究

针对Wolter-I型芯轴装调、测量过程中需要多次调平,时刻保持平衡的问题,研究了四点式自动调平方法。从机械、软件两个方面介绍自动调平测量台,分析调平控制机构以及相关软件,用表面轮廓数据采集方法进行数据采集确定倾斜角,对“最高点不动”调平算法进行数学建模,对倾斜角的不同种情况进行仿真计算分析,计算随机产生的倾角对应的支腿移动量。实验结果表明:该方法用5~7次即可达到调平目的,具有较高的检测效率、调平精度和抗倾覆力。

基于GAF-CNN的刀具磨损程度识别研究

针对刀具磨损的检测需求,提出一种GAF-CNN方法,对铣刀的力信号进行格拉姆角场处理,以铣刀的一维力信号转化的二维图像作为卷积神经网络的输入,进而识别出刀具磨损的3种状态。经过实验,GAF-CNN分别在训练集和测试集得到99%和98%的准确率。最后,将文中实验结果与采用相同数据集并以处理过的时序信号作为输入的其它实验进行对比。对比结果显示,提出的GAF-CNN方法对刀具磨损程度识别有更高的分类准确率,证明了该方法的可行性。