刀具在高速銑削過程中,很難檢測到刀具磨損狀態(tài),而刀具磨損嚴重時將影響加工精度與產(chǎn)品質(zhì)量。針對刀具磨損在線檢測問題,文章提出了一種基于3-KMBS的刀具磨損檢測方法。首先,采集高速刀具銑削時在不同軸向的振動和聲發(fā)射信號,并進行數(shù)據(jù)預(yù)處理;其次,采用改進的3-K-Means聚類算法聚類出刀具的三種磨損狀態(tài)區(qū)間,并提出多選擇多隱層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對其進行特征學(xué)習(xí),再使用Softmax進行分類;最后,采用隨機梯度下降對整個深層網(wǎng)絡(luò)進行參數(shù)微調(diào),建立刀具磨損檢測模型。實驗結(jié)果表明,所提出的方法在刀具磨損檢測上準確率高達95%。 

【文章頁數(shù)】：4 頁

【文章目錄】：
0 引言
1 基于深層網(wǎng)絡(luò)結(jié)構(gòu)的刀具磨損檢測
    1.1 3-K-Means聚類算法
    1.2 多選擇多隱層神經(jīng)網(wǎng)絡(luò)
    1.3 Softmax分類器
    1.4 隨機梯度下降微調(diào)網(wǎng)絡(luò)參數(shù)
    1.5 深層網(wǎng)絡(luò)結(jié)構(gòu)
2 實驗驗證
    2.1 實驗數(shù)據(jù)與分析
    2.2 實驗結(jié)果
        2.2.1 隱層層數(shù)對刀具磨損狀態(tài)的預(yù)測
        2.2.2 不同算法對刀具磨損的預(yù)測情況
3 結(jié)論


【參考文獻】：
期刊論文
[1]基于深度學(xué)習(xí)與粒子濾波的刀具壽命預(yù)測[J]. 王國鋒,董毅,楊凱,安華.  天津大學(xué)學(xué)報(自然科學(xué)與工程技術(shù)版). 2019(11)
[2]一種非獨立同分布下K-means算法的初始中心優(yōu)化方法[J]. 潘品臣,姜合,呂奕錕.  小型微型計算機系統(tǒng). 2019(06)
[3]基于壓縮感知和加噪堆棧稀疏自編碼器的銑刀磨損程度識別方法研究[J]. 李宏坤,郝佰田,代月幫,楊蕊.  機械工程學(xué)報. 2019(14)
[4]基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的盤形成形銑刀磨損狀態(tài)預(yù)測[J]. 唐軍,趙波,李文星.  河南理工大學(xué)學(xué)報(自然科學(xué)版). 2017(05)
[5]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.  機械與電子. 2017(07)

碩士論文
[1]基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的BTA鉆頭磨損監(jiān)測技術(shù)研究[D]. 王毫.西安理工大學(xué) 2019



本文編號：3719573