基于深度学习的刀具磨损状态监测技术的研究

摘要

随着机械加工过程向自动化、智能化的不断发展，机械故障智能化监测技术的研究就至关重要。刀具是机械加工中最重要的加工要素之一，刀具磨损不但直接影响了工件的尺寸精度和表面质量，也会间接影响加工效率和生产成本等。如何通过更加有效的方法去监测刀具磨损已成为大批学者的研究重点，所以关于刀具磨损状态监测技术的研究具有巨大的潜力和应用价值。
　　本文以高速铣削过程中刀具的磨损状态为研究对象，利用刀具在不同磨损状态下的铣削力信号对不同监测技术进行研究。具体研究内容主要有:
　　(1)建立了高速铣削刀具磨损状态监测的试验系统，通过试验的压力传感器采集了大量的力信号数据;
　　(2)通过对铣削力信号在时域、频域以及时频域上进行特征提取和特征选择，选择13个典型特征作为后续神经网络的输入向量;
　　(3)建立了基于BP神经网络的刀具磨损状态监测模型;
　　(4)把深度学习理论引入到刀具磨损监测领域，提出了一种基于深度学习的高速铣削刀具磨损状态监测方法。本文的主要贡献点就是提出了应用深度学习方法来实现刀具磨损的智能监测。通过小波包变换提取铣削力信号在不同频段上的能量分布作为初始特征向量，采用无监督学习对稀疏自编码网络进行特征学习，并将单层网络堆栈构成深度神经网络，最后利用有监督学习对整个深度网络进行微调训练，建立铣削刀具磨损的智能监测模型。
　　实验结果表明，与传统的浅层模型进行对比分析，本文提出的基于深度学习理论刀具磨损监测新方法可以自适应提取刀具的磨损信息，并具有更高的监测准确度。

目录

声明

摘要

第1章 绪论

1．1 研究背景与意义

1．2 刀具磨损状态监测技术和研究成果

1．2．1 刀具状态监测技术的发展概况

1．2．2 刀具磨损状态监测技术的研究现状

1．3 课题的提出

1．4 本文的主要内容

第2章 深度学习模型理论简介

2．1 深度学习的概念

2．2 深度学习模型

2．2．1 自动编码器

2．2．2 限制玻尔兹曼机

2．3 深度学习的研究现状和发展趋势

2．3．1 深度学习的研究现状

2．3．2 深度学习的发展趋势

2．4 本章小结

第3章 高速铣削刀具的磨损机理及其试验系统设计

3．1 刀具磨损与破损

3．1．1 前刀面磨损

3．1．2 后刀面磨损

3．1．3 边界磨损

3．2 刀具磨损的机理

3．2．1 刀具磨损的原因

3．2．2 刀具的磨损过程

3．2．3 刀具的磨钝标准

3．3 刀具磨损监测系统实验设计

3．3．1 监测信号的选择

3．3．2 试验平台的搭建

3．3．3 试验方案设计

3．3．4 实测信号

3．4 本章小结

第4章 力信号分析与刀具磨损特征提取

4．1 时域分析

4．2 频域分析

4．3 小波分析

4．3．1 连续小波变换

4．3．2 离散小波变换

4．3．3 小波包分析

4．4 本章小结

第5章 基于传统即神经网络的刀具磨损状态监测

5．1 BP神经网络

5．1．1 BP神经网络的结构

5．1．2 BP神经网络的学习算法

5．2 基于BP神经网络的刀具磨损监测模型设计

5．3 实验结果分析

5．4 本章小结

第6章 基于深层模型的刀具磨损状态的监测

6．1 堆栈稀疏自编码网络

6．2 Softmax分类器

6．3 微调多层自编码算法

6．4 基于深度学习的刀具磨损状态监测

6．5 试验验证

6．5．1 试验数据

6．5．2 实验结果

6．6 本章小结

第7章 总结和展望

7．1 总结

7．2 展望

参考文献

致谢

在读期间发表的学术论文与取得的其他研究成果