陈炳旭:基于深度卷积循环神经网络的刀具状态监测技术研究论文

陈炳旭:基于深度卷积循环神经网络的刀具状态监测技术研究论文

本文主要研究内容

作者陈炳旭(2019)在《基于深度卷积循环神经网络的刀具状态监测技术研究》一文中研究指出:随着铣削技术向着高速、高精、高质的方向不断发展,铣削过程中刀具磨损已成为影响工件尺寸精度、表面质量、加工效率及生产安全的关键因素,因此对刀具状态监测技术的研究至关重要。本文以铣削加工过程中刀具的磨损状态为研究对象,利用加工过程中的振动信号,采用多种机器学习方法对刀具磨损特征进行学习,实现对刀具磨损状态的识别,主要工作如下:首先,结合铣削加工试验过程中刀具的不同磨损状态,利用振动信号包含的复杂数据信息,通过时域分析、频域分析、小波包技术提取原始高维特征,利用MLLE算法进行特征降维,减少多个特征参数之间的冗余性和不相关性,并将所有低维特征输入XGBoost模型进行刀具状态识别,并使用GA算法对XGBoost参数进行寻优,实验结果验证了该模型在刀具状态识别上的具有一定可行性和有效性。其次,为了改善原始数据特征工程的低效性,利用DenseNet网络、BILSTM网络能够自适应的提取空间、时间特征的优势,将振动信号丰富的特征映射到刀具磨损状态,采用了一种基于注意力机制的CRNN刀具状态识别模型,实验结果表明该模型在刀具状态识别任务上有更高的准确率。最后,为了解决刀具磨损对加工精度造成的影响,利用CRNN模型建立刀具磨损量与振动信号的关系,实时识别刀具磨损量,并采用分段式刀具磨损补偿模型及时补偿加工过程中刀具磨损造成的误差,保证铣削加工工件的精度要求。

Abstract

sui zhao xi xiao ji shu xiang zhao gao su 、gao jing 、gao zhi de fang xiang bu duan fa zhan ,xi xiao guo cheng zhong dao ju mo sun yi cheng wei ying xiang gong jian che cun jing du 、biao mian zhi liang 、jia gong xiao lv ji sheng chan an quan de guan jian yin su ,yin ci dui dao ju zhuang tai jian ce ji shu de yan jiu zhi guan chong yao 。ben wen yi xi xiao jia gong guo cheng zhong dao ju de mo sun zhuang tai wei yan jiu dui xiang ,li yong jia gong guo cheng zhong de zhen dong xin hao ,cai yong duo chong ji qi xue xi fang fa dui dao ju mo sun te zheng jin hang xue xi ,shi xian dui dao ju mo sun zhuang tai de shi bie ,zhu yao gong zuo ru xia :shou xian ,jie ge xi xiao jia gong shi yan guo cheng zhong dao ju de bu tong mo sun zhuang tai ,li yong zhen dong xin hao bao han de fu za shu ju xin xi ,tong guo shi yu fen xi 、pin yu fen xi 、xiao bo bao ji shu di qu yuan shi gao wei te zheng ,li yong MLLEsuan fa jin hang te zheng jiang wei ,jian shao duo ge te zheng can shu zhi jian de rong yu xing he bu xiang guan xing ,bing jiang suo you di wei te zheng shu ru XGBoostmo xing jin hang dao ju zhuang tai shi bie ,bing shi yong GAsuan fa dui XGBoostcan shu jin hang xun you ,shi yan jie guo yan zheng le gai mo xing zai dao ju zhuang tai shi bie shang de ju you yi ding ke hang xing he you xiao xing 。ji ci ,wei le gai shan yuan shi shu ju te zheng gong cheng de di xiao xing ,li yong DenseNetwang lao 、BILSTMwang lao neng gou zi kuo ying de di qu kong jian 、shi jian te zheng de you shi ,jiang zhen dong xin hao feng fu de te zheng ying she dao dao ju mo sun zhuang tai ,cai yong le yi chong ji yu zhu yi li ji zhi de CRNNdao ju zhuang tai shi bie mo xing ,shi yan jie guo biao ming gai mo xing zai dao ju zhuang tai shi bie ren wu shang you geng gao de zhun que lv 。zui hou ,wei le jie jue dao ju mo sun dui jia gong jing du zao cheng de ying xiang ,li yong CRNNmo xing jian li dao ju mo sun liang yu zhen dong xin hao de guan ji ,shi shi shi bie dao ju mo sun liang ,bing cai yong fen duan shi dao ju mo sun bu chang mo xing ji shi bu chang jia gong guo cheng zhong dao ju mo sun zao cheng de wu cha ,bao zheng xi xiao jia gong gong jian de jing du yao qiu 。

论文参考文献

  • [1].基于主切削力仿真样本的刀具状态监测系统[D]. 徐涛.南京航空航天大学2018
  • [2].基于声发射和深度学习的刀具状态识别研究[D]. 谢阳阳.南京信息工程大学2017
  • [3].数控机床刀具状态监测与诊断系统的研究[D]. 刘宇.南京理工大学2016
  • [4].基于椭球自适应共振与多传感器融合的刀具状态监测研究[D]. 郭志伟.天津大学2014
  • [5].高速精密铣削加工信号特征提取与刀具状态监测[D]. 姜丽丽.合肥工业大学2016
  • [6].基于红外温度测量的刀具状态识别研究[D]. 范伟.上海交通大学2008
  • [7].基于电流分析法的车床刀具状态监测技术研究[D]. 吴远昊.西南交通大学2017
  • [8].基于DSP的刀具状态监测系统的研究与开发[D]. 王书庆.西安理工大学2009
  • [9].基于ARM&WinCE的刀具状态监测数据处理平台设计[D]. 徐全.西华大学2009
  • [10].用于刀具状态检测的声发射信号无线传输系统的研发[D]. 吕衍福.哈尔滨工业大学2014
  • 读者推荐
  • [1].手机壳高精加工的刀具磨损状态识别与剩余寿命预测[D]. 王光铭.华中科技大学2019
  • [2].基于残差卷积网和支持向量机的机器人铣削颤振辨识研究[D]. 张明锴.华中科技大学2019
  • [3].加工过程刀具磨损实时生长型分段回归模型研究[D]. 吴智强.广西大学2019
  • [4].基于深度学习的刀具磨损状态监测技术研究[D]. 张新建.天津工业大学2019
  • [5].铣削刀具磨损识别关键技术研究[D]. 毕淞泽.哈尔滨理工大学2019
  • [6].基于LSTM循环神经网络的BTA钻头磨损监测技术研究[D]. 王毫.西安理工大学2019
  • [7].钛合金铣削刀具寿命数据分析与磨损状态监测研究[D]. 杨斌.山东大学2019
  • [8].基于主轴电流的变工况铣刀磨损状态监测研究[D]. 张孟哲.大连理工大学2018
  • [9].刀具磨损监测和剩余寿命预测方法[D]. 王晓强.华中科技大学2016
  • [10].基于深度学习的刀具磨损状态监测技术的研究[D]. 林杨.中国科学技术大学2017
  • 论文详细介绍

    论文作者分别是来自华中科技大学的陈炳旭,发表于刊物华中科技大学2019-10-11论文,是一篇关于刀具状态监测论文,振动信号论文,机器学习论文,深度学习论文,注意力机制论文,磨损补偿论文,华中科技大学2019-10-11论文的文章。本文可供学术参考使用,各位学者可以免费参考阅读下载,文章观点不代表本站观点,资料来自华中科技大学2019-10-11论文网站,若本站收录的文献无意侵犯了您的著作版权,请联系我们删除。

    标签:;  ;  ;  ;  ;  ;  ;  

    陈炳旭:基于深度卷积循环神经网络的刀具状态监测技术研究论文
    下载Doc文档

    猜你喜欢