生產過程的自動化和智能化已成為制造業(yè)的發(fā)展趨勢,數(shù)控銑床憑借其高自動化、高穩(wěn)定性、高精度和柔性化等優(yōu)點,已成為自動化生產中的重要部件。刀具作為數(shù)控銑床實施銑削操作的最終端部件,是銑削加工成功的關鍵因素之一,也是最易損傷和浪費最嚴重的部件,對其進行及時有效的狀態(tài)識別與監(jiān)測尤為重要。然而,銑削刀具狀態(tài)監(jiān)測（Tool condition monitoring,TCM）呈現(xiàn)的樣本量有限、信噪比低、時變性強等特征,使得傳統(tǒng)狀態(tài)監(jiān)測方法大打折扣。因此,如何提高刀具狀態(tài)的識別精度及其剩余有效壽命的預測精度,及時有效地監(jiān)測刀具運行狀態(tài),已成為銑削加工智能化發(fā)展亟待解決的問題,也是當前智能加工技術的主要方向之一。本研究以立銑刀為研究對象,圍繞銑削過程刀具狀態(tài)監(jiān)測與剩余有效壽命預測問題,結合機器學習、智能計算和隨機過程理論,對監(jiān)測模型、特征選擇方法、剩余有效壽命預測等方面進行了深入研究,旨在為銑削過程的刀具狀態(tài)監(jiān)測提供更有效的方法。為提高銑削過程TCM的準確性,結合核極限學習機學習速度快和層次角度核函數(shù)能夠模擬大型神經網絡計算向量相似度的優(yōu)點,提出了一種兩層角度核極限學習機算法。該算法克服了核極限學習機在... 

【文章來源】：浙江工業(yè)大學浙江省

【文章頁數(shù)】：161 頁

【學位級別】：博士

【部分圖文】：

銑削過程刀具狀態(tài)監(jiān)測流程圖

浙江工業(yè)大學博士學位論文10控制圖等，限于篇幅不再一一介紹。圖1-2TCM監(jiān)測模型各類AI方法占比圖Figure1-2.ProportionofvariousAImethodsinmillingTCMmonitoringmodel（1）ANN：ANN由所謂的突觸連接的神經元（最小單元）分層連接組成。典型的ANN有一個輸入層、一個或多個隱藏層、一個輸出層，每一層都包含若干神經元，相鄰層之間的神經元互聯(lián)�；ヂ�(lián)的兩個神經元的連接強度稱為權重，不同的連接對應的權重不同，并藉由訓練樣本通過最小化輸出誤差來調整權重大校ANN可以很好地逼近連續(xù)的非線性函數(shù)，具有很強的容錯性、適應性和噪聲抑制能力，很適合于銑削過程刀具狀態(tài)監(jiān)測[104]（銑削過程中不同傳感信號與刀具磨損之間的依賴關系過于復雜，難以用數(shù)學形式表示）。很多研究將ANN運用于銑削過程TCM研究中[5][23][45][76][105][106][107]，輸入層的元素包括特征提取與選擇階段確定的特征參數(shù)以及切削參數(shù)（主軸轉速、切削深度、進給速率等），輸出層為刀具磨損狀態(tài)或刀具磨損絕對值，取得了不錯的效果。特別是近年來，隨著深度學習技術的飛速發(fā)展以及在圖像處理等領域的廣泛應用，深度神經網絡亦在銑削過程TCM中得到大量的嘗試，如卷積神經網絡[108][109][110][111][112][113]、循環(huán)神經網絡[114][115]等。以卷積神經網絡（Convolutionalneuralnetworks，CNN）為例，典型的CNN模型結構為：輸入層—卷積層—池化層—全連接層—輸出層，其中卷積層利用若干卷積核對輸入層的數(shù)據(jù)進行特征提取，并通過激勵函數(shù)來協(xié)助表達復雜特征；池化層由預設定的池化函數(shù)對提取的特征進行選擇和信息過濾，全連接層等價于傳統(tǒng)前饋神經網絡中的隱含層，只向其它全連接層傳遞信號。這些研究大大豐富了銑削過程TCM技術的深入。然而，基于ANN方法的監(jiān)測模型?

銑削刀具狀態(tài)監(jiān)測與剩余有效壽命預測方法研究13研究路線框架圖如圖1-3所示。圖1-3論文研究路線框架圖Figure1-3.Researchframeworkdiagramofthisdissertation本論文的章節(jié)安排如下：（1）第一章，緒論。闡述了銑削過程刀具狀態(tài)監(jiān)測與剩余有效壽命預測的意義；綜述了銑削過程刀具狀態(tài)監(jiān)測技術的發(fā)展現(xiàn)狀，分析其存在的問題，討論了銑削過程刀具狀態(tài)監(jiān)測需要解決的問題。（2）第二章，本文研究的基礎理論。闡述了立銑刀磨損的基本原理，介紹了本文需要用到的時域、頻域和小波時頻分析信號處理技術、核極限學習機理論、穩(wěn)態(tài)子空間分析、差分進化算法等方法和技術的基本概念和原理。（3）第三章，兩層角度核極限學習機及其在TCM中的應用。為克服KELM在復雜非線性高維數(shù)據(jù)特征學習上的不足和核函數(shù)及其核參數(shù)設定人為主觀性較強等問題，提出了兩層角度核極限學習機。通過對若干分類和回歸基準數(shù)據(jù)集的分析和比較，驗證兩層角度核極限學習機算法在有限樣本情形下的有效性。提出了基于兩層角度核極限學習機的銑削TCM模型，通過在TCM基準數(shù)據(jù)集和單傳感TCM實驗的應用研究，檢驗了該模型的學習性能。為進一步提升TCM識別精度，提出了基于盲源分離技術和兩層角度核極限學習機的刀具狀態(tài)監(jiān)測方法，實驗分析驗證了該方法可以顯著提升TCM的識別精度。（4）第四章，基于全局診斷誤差與改進差分進化的TCM特征選擇方法。為克服TCM研究中特征選擇方法側重局部依賴性的不足，提出了基于全局診斷誤差的TCM特征選擇方法，構建了多域特征參數(shù)候選集的兩目標優(yōu)化模型，通過懲罰函數(shù)法將其轉化為無約束優(yōu)化問題，利用改進的差分進化算法進行優(yōu)化。實驗分析驗證了所提方法的有效性。最后，對改進的差分進化算法的性能進行了

【參考文獻】：
期刊論文
[1]基于電流信號的刀具磨損狀態(tài)監(jiān)測方法研究[J]. 孫巍偉,黃民,李康.  河南理工大學學報(自然科學版). 2019(06)
[2]基于工件紋理和卷積神經網絡的刀具磨損檢測[J]. 桑宏強,張新建,劉麗冰,金國光,陳麗莎.  組合機床與自動化加工技術. 2019(07)
[3]基于深度神經網絡的切削刀具剩余壽命預測[J]. 劉勝輝,張人敬,張淑麗,馬超,張宏國.  哈爾濱理工大學學報. 2019(03)
[4]基于機床信息的加工過程刀具磨損狀態(tài)在線監(jiān)測[J]. 盧志遠,馬鵬飛,肖江林,王美清,唐曉青.  中國機械工程. 2019(02)
[5]GRNN與粒子濾波集成的刀具磨損監(jiān)測[J]. 熊昕,王時龍,易力力,郭一君.  機械設計與制造. 2019(01)
[6]基于支持向量機與粒子濾波的刀具磨損狀態(tài)識別[J]. 程燦,李建勇,徐文勝,聶蒙.  振動與沖擊. 2018(17)
[7]基于堆疊降噪自編碼的刀具磨損狀態(tài)識別[J]. 王麗華,楊家巍,張永宏,趙曉平,謝陽陽.  中國機械工程. 2018(17)
[8]基于銑削力仿真樣本和降維分類算法的刀具狀態(tài)監(jiān)測方法[J]. 徐濤,李亮,郭月龍,郝碧君,何寧.  工具技術. 2018(08)
[9]復雜曲面加工過程中銑刀在線監(jiān)測方法[J]. 李宏坤,闞洪龍,魏兆成,趙明,代月幫.  振動.測試與診斷. 2018(04)
[10]基于MF-DFA特征和LS-SVM算法的刀具磨損狀態(tài)識別[J]. 關山,龐弘陽,宋偉杰,康振興.  農業(yè)工程學報. 2018(14)

碩士論文
[1]尺度分形分解理論及其在機床刀具健康監(jiān)測中的應用[D]. 曹新城.廈門大學 2018



本文編號：3231359