检索结果-南通市图书馆

基于深度学习的CFRP/TC4叠层结构制孔刀具磨损状态监测

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

宇航材料工艺 2024年第5期54卷 40-49页

作者：江庆泉李鹏南邱新义李树健王春浩湖南科技大学机电工程学院湘潭411201

碳纤维复合材料(CFRP)和钛合金(TC4)因各具有优良的物理力学性能,其叠层结构广泛应用于航天工业领域。由于CFRP和TC4都属于典型难加工材料,且具有不同的机械和热学特性,因而在制孔过程中,刀具磨损较快,从而影响加工质量。为了保证钻孔... 详细信息

碳纤维复合材料(CFRP)和钛合金(TC4)因各具有优良的物理力学性能,其叠层结构广泛应用于航天工业领域。由于CFRP和TC4都属于典型难加工材料,且具有不同的机械和热学特性,因而在制孔过程中,刀具磨损较快,从而影响加工质量。为了保证钻孔质量、及时更换刀具,建立了一种基于卷积神经网络-长短期记忆网络(CNN-LSTM)的刀具磨损状态监测模型。该模型以与刀具磨损相关性较强的力、声发射信号特征作为输入,以刀具磨损状态标签作为输出,从而实现刀具磨损状态的监测。结果表明,该模型识别准确率高达97.222%,可以很好地实现CFRP/TC4叠层结构制孔过程中刀具磨损状态的监测。

关键词：刀具磨损状态监测 CFRP/TC4叠层特征提取深度学习

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

基于深度迁移混合模型的刀具磨损状态监测方法

在线全文

学校读者我要写书评

暂无评论

机床与液压 2024年第20期52卷 63-71页

作者：唐祎晖王宇钢杨历夏张阴硕穆俊珍辽宁工业大学机械工程与自动化学院辽宁锦州121000

为提高刀具磨损的监测精度和效率,针对加工过程中刀具磨损状态监测出现的数据不均衡问题,提出一种基于深度迁移混合模型的刀具磨损状态监测方法。通过混合类平衡正则化、数据增强与批量归一化技术对经过图像编码的数据集进行图像预处理... 详细信息

为提高刀具磨损的监测精度和效率,针对加工过程中刀具磨损状态监测出现的数据不均衡问题,提出一种基于深度迁移混合模型的刀具磨损状态监测方法。通过混合类平衡正则化、数据增强与批量归一化技术对经过图像编码的数据集进行图像预处理,再利用ResNet32残差神经网络从图像中自适应地提取相关重要特征,然后采用ResNet32残差神经网络作为分类器进行两阶段训练,采用标签感知平滑优化损失函数,通过参数迁移获得最优分类模型。结果表明:所提方法有效改善了刀具磨损监测数据不均衡的问题,与目前的基于深度学习的刀具磨损监测方法相比,在准确率和计算效率方面均有较大提高。

关键词：刀具磨损状态监测深度迁移混合模型数据增强参数迁移

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

基于半监督并行门控CNN-LSTM的微铣削刀具磨损状态监测

在线全文

学校读者我要写书评

暂无评论

组合机床与自动化加工技术 2024年第10期 100-104页

作者：吕鑫峰郑刚张旭上海应用技术大学上海物理气相沉积(PVD)超硬涂层及装备工程技术研究中心上海201418 上海大学机电工程与自动化学院上海200444

微铣削过程中主轴高转速和刀具小尺寸的特点,导致刀具磨损异常严重。为实现高精度和高效率的刀具磨损状态监测,提出了一种将小波去噪的半监督网络与改进并行门控网络相结合的监测方法。首先,采用小波软阈值函数去除噪声,降低半监督网络... 详细信息

微铣削过程中主轴高转速和刀具小尺寸的特点,导致刀具磨损异常严重。为实现高精度和高效率的刀具磨损状态监测,提出了一种将小波去噪的半监督网络与改进并行门控网络相结合的监测方法。首先,采用小波软阈值函数去除噪声,降低半监督网络对无标签数据分类的误导程度;其次,采用有标签数据训练半监督网络提取特征,对无标签数据进行分类;最后,改进并行门控卷积神经网络-长短时记忆网络(CNN-LSTM)模型提取全局特征并额外增加模型表达能力。结果表明,通过小波去噪后的半监督网络能有效增加无标签数据的利用率;提出的改进并行门控CNN-LSTM模型,刀具磨损分类准确率到了93.61%,有效提高了刀具磨损状态监测的准确性和高效性。

关键词：刀具磨损状态监测小波去噪半监督网络并行门控

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

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