基于长短期记忆网络的刀具磨损状态监测方法研究

作     者：郑国晓 

作者单位：温州大学 

学位级别：硕士

导师姓名：周余庆

授予年度：2022年

学科分类：12[管理学] 08[工学] 0810[工学-信息与通信工程] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 080401[工学-精密仪器及机械] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 0835[工学-软件工程] 0802[工学-机械工程] 081002[工学-信号与信息处理] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 080201[工学-机械制造及其自动化] 

主      题：刀具磨损状态监测 长短期记忆网络 注意力机制 半监督学习 

摘      要：随着智能制造的高速发展,工业生产和加工领域对先进制造加工技术提出更加严格的要求?在铣削加工中,刀具状态直接影响着工件的加工质量?如何提高刀具状态的识别精度,及时有效地监测刀具运行状态,是目前刀具磨损状态监测中亟待解决的问题?本研究围绕铣削过程中刀具磨损状态监测问题,结合信号处理和深度学习理论与方法,以长短期记忆网络为基础,对刀具磨损状态监测进行了深入研究,主要研究工作如下:(1)提出了一种基于数据融合增强长短期记忆网络的刀具磨损状态监测方法。结合多种特征提取与特征选择方法来增强特征提取的效果,首先结合经验模式分解、变分模式分解和傅立叶同步压缩变换方法将铣削过程中采集到的时间序列振动信号转换到新的特征空间,进而通过邻域成分分析选取少量有效敏感的特征序列构成特征矩阵信号,再采用长短期记忆网络进行回归建模分析来估计刀具磨损值。将该方法应用于刀具磨损状态监测铣削实验,比较长短期记忆网络与循环神经网络和支持向量回归模型在刀具磨损回归方面的应用,结果表明在不同铣削加工条件下,该方法的性能明显优于基于支持向量回归和基于循环神经网络的方法。同时该方法在NASA刀具数据集上得到验证,长短期记忆网络方法优于支持向量回归和循环神经网络的方法。(2)提出了一种注意力机制结合长短期记忆网络的刀具磨损状态监测方法。在特征选择过程中,特征参数间的关系复杂,不确定性强,结合注意力机制优化选取最优的特征集。首先,采集铣削过程中的声音时间序列信号,进而计算声音信号的15个时域和频域特征参数组合成新的特征序列信号。将特征序列信号作为初始长短期记忆网络的输入信号。在处理序列数据时,运用注意力机制评估时间序列数据的相关性并给出相应的权重。实验结果表明,所提方法明显优于长短期记忆网络、循环神经网络模型和支持向量回归模型。进一步研究发现,选取15个特征参数中的前7个权重特征可对刀具磨损状态进行更好识别。(3)提出了流形正则化长短期记忆网络的刀具磨损状态监测半监督学习方法。刀具磨损实验中有标签的样本数量少,而无标签样本数量多且容易收集,利用半监督学习的方法能利用无标签样本来提高预测效果。首先用长短期记忆网络对有标签样本进行学习获得初始模型,运用初始模型对无标签样本进行流形正则化贴标(伪标签),并将获得的伪标签作为新的训练样本训练初始模型,如此反复迭代直至满足终止条件。在铣削刀具磨损状态监测实验中的应用表明,在不同的铣削参数下,所提的方法优于基于循环神经网络模型和支持向量回归的方法。将该方法应用于刀具平均磨损估计和刀具磨损预测,考虑了无标签样本数据进行学习可能产生的更多影响,可以更准确地描述刀具磨损演化过程。综上所述,本文针对铣削过程的刀具磨损状态监测问题,设计了基于机器学习理论的新方法,希望达到有效保护工件,提高加工质量的目的。