刀具是機(jī)械生產(chǎn)中最重要的加工要素之一,其磨損不僅影響工件的尺寸精度和表面質(zhì)量,而且會導(dǎo)致機(jī)床的振動沖擊進(jìn)而對機(jī)床的精度造成影響,同時也會間接影響加工效率和生產(chǎn)成本。因此,刀具磨損狀態(tài)的監(jiān)測變得越來越重要,目前已成為國內(nèi)外學(xué)者研究的熱點(diǎn)問題之一。本文針對銑削刀具的磨損問題進(jìn)行研究,通過視覺傳感器獲取刀具加工之后的工件表面紋理,根據(jù)刀具磨損圖像的特點(diǎn),利用卷積神經(jīng)網(wǎng)絡(luò)直接從圖像中提取樣本的特征信息,得出刀具的磨損等級。通過實驗結(jié)果證明,采用卷積神經(jīng)網(wǎng)絡(luò)能有效減少人工設(shè)計特征的工作量,具有較高的識別率。論文的主要研究內(nèi)容如下:首先,從理論角度分析了刀具的磨損機(jī)理,并使用白鋼立銑刀加工硬鋁合金進(jìn)行實驗。實驗結(jié)果表明:隨著刀具磨損的加劇,工件表面紋理呈現(xiàn)出越來越惡化的現(xiàn)象�；诖�,提出了基于工件紋理的圖像處理方法。其次,針對傳統(tǒng)模式識別方法的缺點(diǎn),提出了改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)算法。根據(jù)刀具磨損的特點(diǎn),對卷積神經(jīng)網(wǎng)絡(luò)中的參數(shù)以及訓(xùn)練算法進(jìn)行優(yōu)化,并與其它算法進(jìn)行對比,驗證了算法的優(yōu)越性。再次,針對現(xiàn)有刀具磨損監(jiān)測儀器體積大、成本高及不能實現(xiàn)在機(jī)監(jiān)測等問題,根據(jù)圖像采集方式及算法的特點(diǎn),設(shè)計了基于FPG... 

【文章來源】：天津工業(yè)大學(xué)天津市

【文章頁數(shù)】：79 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－３擴(kuò)散磨損示意圖??

組成紋理的基本元素被稱為紋理基元或紋元，即紋理基元在圖像中是反復(fù)出??現(xiàn)的，根據(jù)其在圖像中的排列規(guī)則，紋理可分為規(guī)則紋理與不規(guī)則紋理兩類。不??規(guī)則紋理是指紋理基元較隨機(jī)地排列在圖像中，如圖２－７?（ｂ）所示；規(guī)則紋理是??指紋理基元較規(guī)則的排列在圖像中，如圖２－７?（ａ）所示。從圖中可以看出，紋理??圖像為一種局部不規(guī)則但整體上表現(xiàn)較為規(guī)則的圖像。??＿■??（ａ）不規(guī)則紋理?（ｂ）規(guī)則紋理??圖２－７紋理圖像??隨著刀具的磨損程度的加劇，所加工的工件表面的紋理也發(fā)生了相應(yīng)變化。??為了獲取工件表面的紋理圖像，進(jìn)行了圖像采集實驗。實驗中相機(jī)采用維視圖像??的黑白工業(yè)相機(jī)，型號為ＭＶ－ＥＭ１２０Ｍ，分辨率為１２８０ｘ９６０，選用放大倍率為??２Ｘ顯微鏡頭，型號為ＨＸ２Ｘ－Ｔ１１０，選用ＬＥＤ環(huán)形光源，型號為ＨＤＲ－９０－４５，??帶有千兆網(wǎng)口的筆記本和加工之后帶有標(biāo)記的階梯型鋁工件，圖像采集平臺如圖??２－８所示。??１４??

??圖２－８圖像采集裝置??通過搭建的圖像采集平臺進(jìn)行拍攝照片，獲取實驗樣本并對樣本進(jìn)標(biāo)簽設(shè)置，??以便進(jìn)行后續(xù)數(shù)據(jù)處理。??通過切削實驗以及圖像采集實驗，采集的刀具不同磨損狀態(tài)下的工件表面紋??理的樣本如圖２－９、圖２－１０和圖２－１１所示，圖像的分辨率均為４００ｘ４００，實際大??小為?〇．７５ｍｍｘ〇．７５ｍｍ。??ｗｍｍｍ??■＿＿■??■��！■■??圖２－９刀具初期磨損時工件表面的紋理??１５??

【參考文獻(xiàn)】：
期刊論文
[1]機(jī)床工具行業(yè)2017年進(jìn)出口情況與2018年展望[J]. 鄭國偉.  制造技術(shù)與機(jī)床. 2018(04)
[2]基于深度學(xué)習(xí)的圖像局部模糊識別[J]. 楊濱,張濤,陳先意.  應(yīng)用科學(xué)學(xué)報. 2018(02)
[3]基于改進(jìn)SPSO-BP神經(jīng)網(wǎng)絡(luò)的溫度傳感器濕度補(bǔ)償[J]. 行鴻彥,郭敏,張?zhí)m,張一波.  傳感技術(shù)學(xué)報. 2018(03)
[4]基于深度學(xué)習(xí)的圖像描述研究[J]. 楊楠,南琳,張丁一,庫濤.  紅外與激光工程. 2018(02)
[5]深度學(xué)習(xí)應(yīng)用于網(wǎng)絡(luò)空間安全的現(xiàn)狀、趨勢與展望[J]. 張玉清,董穎,柳彩云,雷柯楠,孫鴻宇.  計算機(jī)研究與發(fā)展. 2018(06)
[6]自然語言處理中的深度學(xué)習(xí):方法及應(yīng)用[J]. 林奕歐,雷航,李曉瑜,吳佳.  電子科技大學(xué)學(xué)報. 2017(06)
[7]基于信息融合的刀具磨損狀態(tài)智能識別[J]. 徐彥偉,陳立海,袁子皓,頡潭成.  振動與沖擊. 2017(21)
[8]基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)識別及姿態(tài)檢測[J]. 黃心漢,蘇豪,彭剛,熊超.  華中科技大學(xué)學(xué)報(自然科學(xué)版). 2017(10)
[9]基于深度學(xué)習(xí)的高速銑削刀具磨損狀態(tài)預(yù)測方法[J]. 林楊,高思煜,劉同舜,朱錕鵬.  機(jī)械與電子. 2017(07)
[10]基于區(qū)域生長法的數(shù)控刀具磨損狀態(tài)檢測方法[J]. 李姍姍,劉麗冰,李莉,楊澤青,彭凱,李憲凱.  制造技術(shù)與機(jī)床. 2017(02)

碩士論文
[1]基于刀具磨損狀態(tài)檢測的銑削加工參數(shù)優(yōu)化技術(shù)研究[D]. 劉毫.哈爾濱工業(yè)大學(xué) 2016
[2]鉆孔動力頭鉆削刀具磨損監(jiān)測方法研究[D]. 羅維朗.浙江大學(xué) 2016
[3]刀具磨損狀態(tài)識別及預(yù)測研究[D]. 劉然.西南交通大學(xué) 2014
[4]深度學(xué)習(xí)在圖像識別中的研究及應(yīng)用[D]. 李衛(wèi).武漢理工大學(xué) 2014
[5]基于深度學(xué)習(xí)的語音識別研究[D]. 梁靜.北京郵電大學(xué) 2014



本文編號：3021161