基于VMDFK和图像编码技术CNN网络刀具磨损状态识别

针对采集刀具加工数据过程中有冗余信息和干扰信号,导致刀具磨损状态特征识别困难、识别精度不高等问题,提出一种基于快速谱峭度图的变分模态分解模态分量选取(VMDFK)与格拉姆角场(GAF)图像编码技术相结合的卷积神经网络(CNN)刀具磨损状态识别方法。首先通过变分模态分解和快速谱峭度图,筛选符合要求的模态分量并重构;再采用形态滤波对重构信号去噪和增强;最后通过格拉姆角场图像编码技术,将经去噪增强后的信号转换为格拉姆角场图,并将其输入卷积神经网络中提取特征,较好地解决了信号中的干扰和图像识别中图像特征不明显问题。实验结果表明:该方法可准确清晰地展现刀具磨损状态的特征,在即时性、准确度等方面有较大提高,实现对刀具不同磨损状态的实时智能识别,具有较好的效果。

多传感器融合下多工况刀具磨损状态预测的深度森林方法研究

准确监测加工过程刀具磨损状态有助于避免因刀具失效导致的产品质量问题。建立不同工况的刀具磨损监测模型,往往需要对每组工况调参以保证精度。为减少调参并保证预测精度,结合深度森林的超参数少、参数对模型不敏感和训练过程自适应等优点,利用深度森林建立了多传感器信号及多工况下自主特征选择的刀具磨损状态预测模型。基于3组不同工艺参数下TC18铣削过程的多传感器及磨损数据,以及预测与健康管理(PHM)学会2010年高速数控机床刀具健康预测竞赛的开放数据,深度森林在3组工况的预测精度分别为95.35%、96.63%和97.06%,在PHM数据上为98.95%,验证了深度森林对多工况下刀具磨损预测的高精度和适用性,为在线监测技术提供了有力的指导。

基于贝叶斯优化Bi-LSTM的刀具磨损状态监测模型

针对刀具磨损在线监测过程中信号特征较弱、外界噪声干扰较大导致的预测准确度较差问题,提出了一种基于贝叶斯优化(BO)双向长短时记忆网络(Bi-LSTM)的刀具磨损状态监测模型。结合斯皮尔曼相关系数和最大互相关系数来筛选降噪后切削力信号的时域、频域及时频域特征,输入到建立好的Bi-LSTM模型进行训练;针对Bi-LSTM模型参数组合对精度影响大且难以选择的问题,采用贝叶斯优化算法进行超参数寻优;利用铣削加工实验对模型进行验证。结果表明,该方法能快速得到模型最优超参数,同时兼具稳定性和准确性,与其他深度学习模型相比,准确率更高,实验证明了该模型的有效性和可行性。

采用HHT与CNN的刀具磨损状态监测

为实现刀具磨损状态监测的智能化及高精度,提出一种将希尔伯特黄变换改进算法与卷积神经网络相结合的监测方法。首先,采用敏感固有模态函数筛选方法改进希尔伯特黄变换,提取出刀具信号的时频特征;其次,运用MATLAB微调卷积神经网络生成刀具磨损监测迁移模型;最后,运用典型的卷积神经网络迁移模型进行实验验证。结果表明,与传统时频变换相比,希尔伯特黄变换提取的时频图更加精细,能有效防止频谱泄露的问题,刀具磨损识别平均准确率达到94.09%,提升近15%;与希尔伯特黄变换相比,改进后的希尔伯特黄变换能避免虚假固有模态分量问题,监测效果进一步提升,达到96.8%,证明了所提监测方法的有效性。

基于特征优化与鲸鱼算法的刀具磨损状态识别模型

为了提高对刀具磨损状态识别的精度,提升识别效率,针对铣刀的磨损状态提出一种基于鲸鱼算法(Whale Optimization Algorithm, WOA)与支持向量机(Support Vector Machine, SVM)的刀具磨损状态识别模型。本文首先对采集到的刀具磨损信号进行预处理,并进行多域信号分析,进行特征提取;其次,利用主成分分析(PCA)对特征向量进行优化选择,得到冗余度低的特征向量;然后利用WOA优化SVM的参数,惩罚参数 与核参数;最后利用优化好的WOA-SVM分类器实现刀具磨损状态的识别。通过实验对比分析,相比于SVM、PSO-SVM模型,WOA-SVM模型准确率最高,达到97.89%,且参数优化时间也比PSO-SVM模型缩短了47.35%,从两个方面验证了WOA-SVM模型的优越性。

刀具磨损状态监测技术研究现状

随着工业4.0时代的到来,智能化监测技术在智能制造业领域变得愈加重要。本文围绕近年来国内外刀具磨损状态监测技术,分别从信号采集、特征提取、模式识别三个方面展开综述,对检测信号的优点与不足加以比较与归纳,论述了信号处理与提取技术的原理。阐述目前刀具磨损状态监测研究及应用难点,并展望了未来发展趋势,同时期望通过引入以深度学习为代表的现代算法,以提高刀具磨损的鲁棒性和准确度。

基于深度门控循环单元神经网络的刀具磨损状态实时监测方法

为监测生产加工过程中的刀具磨损状态,提出一种基于深度门控循环单元神经网络的轻量化状态监测模型。首先,预处理阶段对加速度传感器采集的时序信号进行小波阈值去噪,并将每次刀具进给产生的冗长信号划分为多个训练样本,以滤除噪声、改善算法的鲁棒性;然后,利用卷积神经网络(CNN)从时序信号输入中自适应地提取特征,构建深度双向门控循环单元(BiGRU)神经网络学习特征向量间的时序信息,并将Attention机制的思想引入其中,自适应地感知对磨损状态分类结果有关联的网络权重,并对其进行合理分配,避免因人工提取特征带来的复杂性和局限性。实验结果表明,所提方法能够对传感器采集的原始数据实时准确地预测刀具磨损状态,在识别精度和泛化能力上均达到了较好的效果,为实际工业场景下的刀具磨损状态监测提供了新的思路。

基于SOM和HMM结合的刀具磨损状态监测研究

针对端面铣刀磨损状态的识别问题,提出了基于自组织特征映射神经网络和隐马尔可夫模型结合的方法。该方法对铣削力信号进行预处理和相关特征提取,用自组织特征映射对信号特征矢量进行量化编码,所得码本作为隐马尔可夫模型的输入向量,分别训练三个不同磨损阶段的隐马尔可夫模型来对未知的刀具磨损状态进行监测与识别。实验结果表明,该方法能够对刀具磨损状态进行准确的识别,对自动化生产具有现实意义。

基于信息融合的刀具磨损状态智能识别

采集声发射和振动加速度信号,搭建了数控车床刀具磨损状态多信息数据采集系统;用正交试验法采集相关数据并分析了不同切削条件、不同刀具磨损程度下数控车削加工过程中的声发射和振动信号;用小波包分解法提取了声发射和振动信号的最佳特征频段作为识别刀具磨损的特征参量,采用BP神经网络将数控切削过程中刀具磨损的声发射与振动信号特征信息进行融合,研究了数控车削刀具磨损状态的智能识别技术。

基于切削声发射信号测量的刀具磨损状态判别

针对刀具磨损状态判别方法在变化的加工条件下判别正确率低的问题，通过实时采集刀具的切削声发射信号，提出了一种自适应获取声发射信号中刀具磨损状态特征的方法和基于磨损状态特征数据序列之间灰色关联分析结果的刀具磨损状态判别方法。以4把WNMG080408-TMT9125型号车刀在ZCK20数控车床上进行了车刀的切削磨损实验和磨损状态判别，实验结果表明：该方法能够自适应获取车刀的磨损状态特征，车刀的磨损状态判别结果与实际相符，具有较高的判别正确率。

模糊数据融合的刀具磨损状态智能识别

为实现高速加工时刀具渐变磨损状态的在线准确识别,提出了一种集合多种智能的间接检测刀具磨损状态方法的模糊数据融合方法.尽管这些方法具有算法实现较为简单、处理速度较快的优点,但单一的信号检测及单一的智能建模方法难以获得全面的加工状态信息和准确的识别结果.为此,利用F推理技术对上述方法的冗余和互补信息进行数据融合,应用Makino-Fanuc 74-A20型加工中心的测试数据验证了该方案的可行性,并将刀具后刀面磨损的预测值与基于机器视觉检测的实测值进行比较.实验结果分析表明,多参数模糊融合识别方法能快速获得切削刀具磨损状态更加准确的预测值.

采用改进CNN-BiLSTM模型的刀具磨损状态监测

自动化切削加工过程中,准确可靠地监测刀具磨损状态是保证加工质量和加工效率的关键。针对刀具磨损状态相关特征提取繁琐、准确率低及传统的深度学习网络不能全面提取数据隐含信息等问题,提出了一种以卷积神经网络(CNN)和双向长短时记忆(BiLSTM)网络集成模型为基础并通过在卷积神经网络中添加批量标准化层和采用两个双向长短时记忆网络层的改进模型,该模型通过自动提取小波阈值降噪等预处理和降采样后的切削力、振动和声音信号的空间和时序特征来实现刀具磨损状态监测。将改进模型与CNN-BiLSTM模型及传统的深度学习模型进行对比,发现改进模型在精度和稳定性方面有较大提升。所提方法为准确监测自动化加工过程中刀具磨损状态、提高生产效率和加工质量提供了技术支持。

基于EEMD-SVM的刀具磨损状态研究

针对刀具磨损监测中信号的非平稳特性和小样本建模中神经网络容易陷入局部值的问题,提出基于多传感器信号,运用集合经验模态分解(ensemble empirical mode decomposition,EEMD)和支持向量机(support vector machine,SVM)相结合的算法,实现对刀具磨损多状态的识别。首先对振动信号进行集合经验模态分解,将其分解为若干个本征模态函数(intrinsic mode function,IMF)之和,然后计算得到三向切削力信号的均值和各本征模态函数分量的能量百分比值作为磨损状态分类特征,最后运用支持向量机和Elman神经网络对刀具在不同磨损状态下的特征数据样本进行训练和识别。实验结果证明该方法能很好地实现对刀具磨损状态的识别,与Elman神经网络相比,支持向量机具有更高的识别率,更适合小样本情况下刀具磨损状态的分类识别。

基于样本聚类模糊神经网络的刀具磨损状态实时识别

利用一种根据K－means方法对样本聚类后建立的改进型模糊神经网络(MTFNN)模型，对刀具后刀面磨损量进行在线工况实时识别。仿真结果表明该工况辨识模型精度高，收敛速度快，实用性较强，适宜于复杂的、非线性加工系统建模。

深度卷积神经网络在多工况下刀具磨损状态监测中的应用

为了解决复杂多工况下刀具磨损状态的监测问题,提出一种基于深度学习的刀具磨损状态监测方法,并构建敏感特征值提取函数。基于刀具磨损数据集,建立多种工况下刀具磨损状态的监测模型,进行多工况下刀具磨损状态监测研究。研究结果表明:当敏感值界限设置为0.3时,从声发射、振动和电流信号的特征值中可以提取出56个敏感特征值;以均方根误差作为评价函数,得到测试样本的评价函数均值为0.123;模型对严重磨损状态下的刀具磨损监测效果优于对正常磨损状态下的刀具磨损监测效果;多组重复性验证证明所提出的监测方法稳定有效。

刀具磨损状态监测技术研究进展

随着工业4.0的到来,对制造业智能化的要求越来越高,刀具作为机械加工中的重要组成部分,其智能化监测也变得愈加重要。本文从监测信号、信号处理和分类模型三个方面阐述了刀具磨损状态监测技术的最新研究进展。比较了不同监测信号的优点与不足,深入分析了信号处理及分类模型的原理。对刀具磨损状态监测的未来发展进行了展望,提出了引入深度学习方法,期望能够提高智能化监测的准确性和鲁棒性。

基于CNN-ABiGRU的刀具磨损状态监测方法

切削过程中严重的刀具磨损会直接影响工件的加工质量。针对该问题,构建了基于CNN-ABiGRU的刀具磨损状态监测模型,引入注意力机制合理分配对不同时段信号特征的注意力。实验结果表明:文中方法能精确识别刀具的磨损状态,较CNN和ABiGRU有更好的识别精度与稳定性。

基于离散小波变换与遗传BP神经网络的木工刀具磨损状态监测

【目的】为解决木质家具生产过程中木工刀具磨损造成的加工质量下降和生产成本升高的问题,需要对生产过程中的木工刀具磨损状态进行精确监测。【方法】提出了一种基于离散小波变换与遗传BP神经网络的木工刀具磨损状态监测方法。通过接入机床控制箱的功率传感器采集不同主轴转速、铣削深度和刀具磨损状态下的机床主轴功率信号,使用离散小波变换提取主轴功率信号的近似系数,将所提取的近似系数、主轴转速、铣削深度作为输入向量,刀具磨损作为输出向量,建立样本数据集,并将样本数据集输入BP神经网络中进行木工刀具磨损状态监测模型训练,同时使用遗传算法对BP神经网络的阈值和权值进行优化,实现对不同铣削条件下的木工刀具磨损状态进行精确监测。【结果】离散小波变换所提取主轴信号的近似系数能明显反映木工刀具磨损状态变化;在使用相同的样本数据集与遗传算法参数时,使用遗传BP神经网络所建立的木工刀具磨损状态监测模型的准确度可以达到100%,优于使用遗传概率神经网络建立监测模型的准确度。【结论】即使在样本数据集选取不佳时,本研究提出的监测方法仍然能对不同铣削条件下的木工刀具磨损状态进行精准监测,可以用于木质家具实际生产,达到提高木质家具加工质量、降低生产成本的目的。

基于IPSO优化LS-SVM的铣削刀具磨损状态监测方法研究

刀具是机械加工中的重要组成部分,刀具磨损会影响加工精度和加工效率,准确掌握加工时刀具磨损状态至关重要,提出了一种改进粒子群优化(improved particle swarm optimization, IPSO)算法优化最小二乘支持向量机(least square support vector machine, LS-SVM)的刀具磨损状态监测方法。采集铣削时的切削力信号,分别利用经验模态分解(empirical mode decomposition, EMD)和主成分分析(principal component analysis, PCA)法进行特征提取和降维,IPSO算法改进了粒子速度、位置的更新策略和权重搜索方法,IPSO算法通过计算适应度函数对LS-SVM识别模型的惩罚因子和核参数迭代寻优。结果表明,降维后的特征可分性较强,IPSO算法寻优能力强于传统PSO和LdPSO算法,将降维后的特征当作IPSO-LS-SVM模型的输入,模型的识别精度和效率优于PSO和LdPSO优化的LS-SVM模型。

刀具磨损状态特征参数提取与识别方法研究

为准确识别刀具磨损状态,提出了基于MF-DFA的特征提取方法和基于LS-SVM的磨损状态辨识方法。设计了刀具磨损试验方案;提出了具有可调节参数的改进阈值小波降噪方法,解决了硬阈值降噪不连续和软阈值降噪失真问题,降噪后信号的信噪比和均方误差优于另外两种阈值;分析了多重分形谱参数与声发射信号特征对应关系,基于此初选了特征参数,根据刀具不同磨损阶段各参数的分布情况优选了特征参数,且优选特征参数聚类效果极佳;采用基于LS-SVM算法的磨损阶段识别方法,分别使用初选特征参数与优选特征参数进行模式识别,实验结果表明,优选特征参数的识别精度明显高于初选特征参数;与BP神经网络、SVM算法相比,LS-SVM算法的识别准确率最高、时间消耗最小。