基于LSTM循环神经网络的BTA钻头磨损监测技术研究

摘要

错齿BTA钻头作为深孔钻床上的一种常用刀具，通过刀齿切削与导向条自导的方式完成零件的深孔加工，钻削过程势必造成钻头上刀齿和导向条的磨损。而钻头的磨损不仅会影响到工件的精度和质量，还会增加加工成本并降低生产效率。所以研究深孔钻削过程中的钻头磨损监测技术具有现实意义和实际价值。文中根据深孔钻削的特殊性，建立了用于采集主轴电机扭矩信号的深孔钻削实验平台，并系统的研究了基于LSTM循环神经网络的BTA钻头磨损监测技术。 分别从时域和频域两个角度深入研究了在深孔钻削过程中主轴电机扭矩信号及其特征值与BTA钻头磨损量之间的关系。发现扭矩信号的时域统计特征与钻头磨损之间呈现出较强的相关性；频域中的扭矩信号功率谱密度也与钻头磨损量之间呈现出较强的相关性，频域统计特征展现出与钻头磨损历程基本一致的变化趋势。 讨论了小波变换的多分辨特性以及Mallat算法的基本原理。采用Daubechies4正交小波对主轴电机扭矩信号及其功率谱进行了多分辨分析，研究了小波分解信号及其统计特征随钻削深度的变化规律。从主轴电机扭矩信号的低频小波分解系数与重构功率谱包络中获取了与钻头磨损之间相关性较强的特征，为钻头磨损状态的识别奠定了基础。 针对BTA钻头在两种磨损状态下特征模式分布重叠的特点，提出采用LSTM来解决钻头磨损状态监测的思想，系统的研究了LSTM在钻头磨损监测中的基本原理及算法实现过程，提出了基于LSTM的BTA钻头磨损监测方法，分别使用时域特征、时域和频域特征、小波分解特征和多类特征融合样本集建立相应的LSTM模型，并对建立好的模型进行训练与测试，实际结果表明：当输入矢量分别为时域特征、时域和频域特征以及多类特征融合样本时，相应模型的分类效果能很好地满足实际的监测要求；当输入矢量为小波分解特征样本时，相应模型的分类效果也能较好地满足实际的监测要求。

目录

1 绪论

1.1 课题研究背景及其意义

1.2 刀具监测技术的研究现状

1.2.1 监测方法的种类

1.2.2 信号特征提取技术

1.2.3 模式识别技术

1.3 本文的主要研究内容

2 BTA钻头磨损状态监测实验系统设计

2.1 BTA深孔钻削系统工作原理

2.2 BTA钻头磨损形式及磨损规律

2.2.1 BTA钻头磨损形式

2.2.2 BTA钻头磨损规律

2.2.3 BTA钻头磨损过程实验验证

2.3 BTA钻头磨损监测系统实验设计

2.3.1 实验方案的设计

2.3.2 监测信号的选择

2.3.3 实验平台的搭建

3 主轴电机扭矩信号时域分析与频域分析

3.1 时域特征

3.1.1 时域有量纲统计特征

3.1.2 时域无量纲统计特征

3.2 扭矩信号时域分析

3.2.1 时域信号波形分析

3.2.2 扭矩信号时域有量纲特征

3.2.3 扭矩信号时域无量纲特征

3.3 频域分析

3.3.1 功率谱估计

3.3.2 频域特征

3.4 扭矩信号频域分析

3.4.1 扭矩信号功率谱特性

3.4.2 扭矩信号频域特征

3.5本章小结

4 基于小波变换的BTA钻头磨损特征提取

4.1从傅里叶变换到小波变换

4.1.1 短时傅里叶变换

4.1.2 小波变换

4.2离散时序信号多分辨分析

4.2.1 多分辨分析

4.2.2 Mallat算法

4.3扭矩信号小波分析

4.3.1 扭矩信号小波分解

4.3.2 扭矩信号小波分解特征

4.4扭矩信号功率谱小波分析

4.4.1 功率谱小波分解

4.4.2 功率谱小波分解特征

4.5本章小结

5 基于LSTM的BTA钻头磨损状态监测

5.1 LSTM的原理及结构

5.2 LSTM的BPTT算法

5.3 LSTM的变体

5.4 BTA钻头磨损监测LSTM模型的建立

5.4.1 BTA钻头磨损特征的分布特点

5.4.2 BTA钻头磨损监测LSTM模型结构

5.4.3 BTA钻头磨损监测LSTM模型调优

5.4.4 基于LSTM模型BTA钻头磨损监测方案

5.5 BTA钻头磨损监测LSTM模型的训练与测试

5.5.1 基于时域特征的LSTM钻头磨损状态分类识别

5.5.2 基于时域和频域特征的LSTM钻头磨损状态分类识别

5.5.3 基于小波分解特征的LSTM钻头磨损状态分类识别

5.5.4 基于多类特征融合的LSTM钻头磨损状态分类识别

5.6 本章小结

6 总结与展望

6.1 总结

6.2 展望

致谢

参考文献