检索结果-南通市图书馆

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

刀具磨损状态监测技术研究进展

工具技术 2019年第5期53卷 3-13页

作者：郭景超李安海山东大学机械工程学院山东大学高效洁净机械制造教育部重点实验室机械工程国家级实验教学示范中心(山东大学)

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... 详细信息

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。

关键词：刀具磨损状态监测智能监测信号处理特征提取模式识别

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

在线全文

学校读者我要写书评

暂无评论

机床与液压 2021年第3期49卷 69-74页

作者：杨汉博赵飞朱倪黎高志聪冯传锋西安交通大学机械工程学院陕西西安710049

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:... 详细信息

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。

关键词：刀具磨损状态监测多工况敏感特征深度卷积神经网络

在线全文

学校读者我要写书评

暂无评论

采用HHT与CNN的刀具磨损状态监测

组合机床与自动化加工技术 2023年第10期 169-173,178页

作者：周粤段现银武汉科技大学机械自动化学院湖北430081 武汉科技大学机械传动与制造工程湖北省重点实验室湖北430081

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... 详细信息

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。

关键词：希尔伯特黄变换卷积神经网络敏感固有模态函数刀具磨损状态监测

在线全文

学校读者我要写书评

暂无评论

刀具磨损状态监测技术研究现状

新疆农机化 2023年第3期 17-20页

作者：刘鸿智鹤壁职业技术学院河南鹤壁458030

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... 详细信息

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。

关键词：刀具磨损状态监测信号采集特征提取模式识别

基于贝叶斯优化Bi-LSTM的刀具磨损状态监测模型

在线全文

学校读者我要写书评

暂无评论

工具技术 2023年第6期57卷 133-137页

作者：王樱达丁泽王延瓒刘会永张松王佳宁潍柴动力股份有限公司山东省潍坊市261000 山东大学机械工程学院

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... 详细信息

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。

关键词：贝叶斯优化双向长短时记忆网络特征筛选刀具磨损状态监测

基于Transformer的锐削刀具磨损状态监测方法研究

在线全文

学校读者我要写书评

暂无评论

基于Transformer的锐削刀具磨损状态监测方法研究

作者：李茂华山东大学

学位级别：硕士

立足制造本质,大力推进制造业与智能技术的结合发展,对推动制造业的技术升级与优化发展具有重要意义。铣削刀具作为机械加工的重要执行末端,其磨损状态的识别与刀具的及时更换对工件的加工精度、机床的加工效率具有重要的影响;相较于传... 详细信息

立足制造本质,大力推进制造业与智能技术的结合发展,对推动制造业的技术升级与优化发展具有重要意义。铣削刀具作为机械加工的重要执行末端,其磨损状态的识别与刀具的及时更换对工件的加工精度、机床的加工效率具有重要的影响;相较于传统的依赖于人工经验的刀具磨损状态识别方法,开展以加工过程中采集到的传感器信号为基础的刀具磨损状态监测方法研究,对充分挖掘刀具加工潜力、有效指导工业生产,驱动制造业绿色化、智能化转型具有重要意义。为此,本文以铣削加工过程中采集到的多传感器数据为基础,开展了铣削刀具磨损状态监测方法研究,论文的主要研究内容如下:采用可视化与分段均值拼接的方法,分别分析了多传感器信号中在单次铣削与刀具全寿命周期下的演变规律;针对多源异构传感器信号数据量庞大、冗余,单个时序数据点信息容量低等问题,选取了三轴振动传感器信号作为后续的数据来源,并通过将振动信号转为音频信号等方法,验证了其数据有效性;以无效信号剔除、数据子区间划分等数据预处理方法为基础,结合短时傅里叶变换方法,建立了时频域特征数据提取流程,在降低时序数据长度的同时,提升了单个时间步的信息容量;建立了用于三折交叉验证的数据集,为模型训练及验证打下了坚实的数据基础。针对卷积神经网络对时间步顺序不敏感以及循环神经网络存在的结构复杂、训练效率低等问题,结合三轴时频特征输入数据的特点,提出了一种基于Transformer的刀具磨损状态监测方法;进行了不同超参数设置下模型效果的对比分析,确定了最佳的超参数组合;利用可视化分析的方法,验证了自注意力机制对输入数据的有效编码,并探讨了位置编码模块对模型效果的影响;在三折交叉验证的条件下,验证了该方法对不同磨损阶段数据的有效监测能力,并通过与循环神经网络模型的对比分析,证明了该方法在训练精度、训练效率上的优越性。针对Transformer模型在部分验证集上分类效果不佳的现象,在对模型编码器端输出数据进行可视化分析的基础上,提出了一种基于Transformer-CNN的刀具磨损状态监测方法,建立了结合实例规范化方法与二维卷积神经网络的解码器端模型;采用特征提取的预训练方法,分析了不同数据规范化方法及编码器端模型对模型效果的影响;最后,在整体数据集上对基于Transformer-CNN的刀具磨损状态监测模型进行了训练验证,结果显示该模型取得了 95.2%的整体准确率,特别是对处于严重磨损阶段的数据具有良好的辨识能力。

关键词：刀具磨损状态监测 Transformer 自注意力机制深度学习

基于振动和功率信号融合的刀具磨损状态监测方法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于振动和功率信号融合的刀具磨损状态监测方法

作者：刘会永山东大学

学位级别：硕士

随着工业产品个性化需求和质量要求提高,数控机床的高效率、智能化加工需求愈来愈大。刀具直接负责机床的切削,其磨损状态对加工效率和零部件质量有决定性影响。因此,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所在,也... 详细信息

随着工业产品个性化需求和质量要求提高,数控机床的高效率、智能化加工需求愈来愈大。刀具直接负责机床的切削,其磨损状态对加工效率和零部件质量有决定性影响。因此,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所在,也是实现数控机床智能制造的必然要求。当前,信息技术和制造业深度融合发展,数控机床加工时产生工业大数据流,借助现代数据分析方法,如机器学习及其分支深度学习等,可将其用于监测刀具的磨损状态。本文对刀具磨损监测方法研究现状进行探讨后,通过开展信号采集处理、特征提取与选择、基于机器学习和深度学习网络建模等工作研究了刀具磨损状态的监测。主要内容如下:首先,利用动态信号采集分析系统和功率仪采集加工过程中的振动和功率信号,并对信号开展降噪等预处理工作,随后提取信号特征。设计铣削实验,采集加工过程中产生的振动和功率信号;而后基于小波阈值降噪等方法消除振动的部分噪声,根据机床功率特性等处理功率;对单方向振动信号进行时域、频域和小波分析后,提取37个特征,在功率信号中提取10个时域特征;由在功率和3个方向振动信号中提取的共121个特征构成特征集合。其次,构建特征选择体系,利用其选择用于单一切削参数刀具磨损状态监测的信号特征,以差分进化灰狼优化的支持向量回归(DE-GWO-SVR)、双向长短时记忆网络(Bi-LSTM)和深度残差网络(DRN)为基础,构建监测刀具磨损状态的模型,并对比监测效果。利用基于F分数(F-score)和皮尔逊(Pearson)相关系数构建的特征选择体系选择到33个振动和3个功率信号特征;利用DRN、基于Iterative映射和指数收敛因子改进的DE-GWO-SVR及基于贝叶斯优化(BO)的Bi-LSTM和训练集建立用于监测刀具磨损的模型;基于相同评价指标对比不同模型监测效果。结果表明:基于DE-GWO-SVR和Bi-LSTM构建的模型精度较高,DE-GWO-SVR模型预测刀具磨损值消耗的时间最短,DRN模型精度低但受网络深度影响较小且模型训练速度快。最后,筛选出适用于监测多切削参数条件下)具磨损的信号特征,引入迁移学习,进一步研究DE-GWO-SVR模型、DRN迁移模型和Bi-LSTM迁移模型在多切削参数刀具磨损状态监测中的应用效果,并设计刀具磨损状态监测系统。利用多切削参数条件下的特征选择体系选择到25个振动和3个功率信号特征;研究DE-GWO-SVR模型的多切削参数刀)具磨损状态监测效果及切削参数特征对监测效果的影响;将Bi-LSTM模型和DRN模型通过迁移学习应用到多切削参数刀具磨损状态监测中。结果表明:迁移学习和DRN模型相结合监测多切削参数刀具磨损的效果最好。完成模型构建后,基于Matlab软件的Appdesigner模块设计了包含系统操作和数据显示区的刀具磨损状态监测系统,实现了研究内容的可操作性和可视化。本文所提模型的刀具磨损值预测误差基本在±0.02mm以内,证明了所提方法具备较高的精度和稳定性。本文所提方法为自动化加工过程中准确监测刀具磨损状态,从而提高加工质量和效率,实现智能制造提供了技术支持。

关键词：刀具磨损状态监测特征提取与选择 DE-GWO-SVR模型 DRN模型 Bi-LSTM模型迁移学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

薄壁件铣削颤振与刀具磨损状态监测研究

薄壁件铣削颤振与刀具磨损状态监测研究

作者：秦赟山东大学

学位级别：硕士

薄壁件的重量轻,同时具有较好的机械性能,可以在各种工业领域中进行应用。但是其在铣削加工中的弱刚性与模态时变特性等特点,导致切削过程中极易发生颤振,进而降低加工表面质量以及引起刀具磨损严重。同时,薄壁件的材料多为钛合金、高... 详细信息

薄壁件的重量轻,同时具有较好的机械性能,可以在各种工业领域中进行应用。但是其在铣削加工中的弱刚性与模态时变特性等特点,导致切削过程中极易发生颤振,进而降低加工表面质量以及引起刀具磨损严重。同时,薄壁件的材料多为钛合金、高温合金等合金材料,这些材料的难加工特性加快了加工过程中的刀具磨损,继而影响加工精度。因此,研究薄壁件铣削颤振与刀具磨损状态监测手段,对保障薄壁件铣削稳定加工、提高薄壁件铣削加工效率具有十分重要的意义。本文围绕薄壁件铣削加工颤振与刀具磨损状态监测技术展开研究,提出了利用多种传感器监测颤振和刀具磨损的新方法,提高了系统的鲁棒性,以减少对加工状态的误判。在此基础上,针对性的对多传感信号特征进行了研究与分析,分别建立了高效的颤振与刀具磨损状态监测模型,为保障薄壁件的稳定加工以及工业智能化发展提供了研究基础。首先,针对薄壁件铣削加工颤振辨识问题,基于薄壁件的加工特点,分析并确定了声音、加速度、铣削力作为颤振与刀具磨损状态的监测信号,并根据所需信号搭建了实验平台,其中包括加工平台、传感器、数据采集装置等设备。进而基于声音信号时域特征、铣削力信号频域特征以及切削工艺参数,提出了一种综合精确地判断某时间段所处的加工状态的方法,并通过加工后工件的表面形貌进行验证,证明了方法的有效性,为样本标签的高效建立奠定了基础。针对切削过程中的磨损问题,系统地阐述了刀具磨损机理,并针对本文研究的铣削刀具磨损问题给出了刀具磨损状态的分类及其对应标准。其次,本文对薄壁件铣削颤振实验获得的声音、加速度、铣削力多传感信号进行了 VMD分解,建立了基于IMF的能量熵与颤振状态之间的关联,并基于所提出的MPGA-XGBoost模型对特征样本进行了颤振状态识别,通过与传统机器学习模型比较,验证了所提出的MPGA-XGBoost模型的优越性。通过实验结果发现,VMD分解可以有效的对信号中的颤振频带进行分离,并且基于IMF的能量熵可以表征颤振状态。MPGA可以有效的对XGBoost进行参数优化,XGBoost模型在优化后的预测准确率达到了 93%,比未优化的预测准确率提高了 8%。通过与不同算法模型的对比,XGBoost模型在颤振状态识别中表现出较高的精度,其预测准确率比SVM与BPNN分别高了 5%和12%。最后,本文对薄壁件稳定铣削加工中的声音、加速度、铣削力信号实验数据进行了高维特征提取,包括时域特征、频域特征与小波包节点能量共计117个特征,通过SVM-RFE进行了低维特征的选择,最终筛选出10个最优特征,再利用PNN模型对最优特征样本进行了训练与预测,并对比了 SVM与BPNN模型的预测结果。结果表明三种信号与刀具磨损状态的相关程度为:铣削力>加速度>声音。PNN模型对特征选择后的特征样本的预测准确率比原始特征样本提高了 17%,并且对初期磨损、中期磨损状态的判断更加准确。通过不同算法模型的对比,PNN模型在刀具磨损状态识别中表现出较高的精度,其预测准确率比SVM与BPNN分别提高了 9%和19%。

关键词：薄壁件铣削颤振监测刀具磨损状态监测机器学习神经网络

基于长短期记忆网络的刀具磨损状态监测方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于长短期记忆网络的刀具磨损状态监测方法研究

作者：郑国晓温州大学

学位级别：硕士

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... 详细信息

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。

关键词：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