基于多源信息融合的立铣刀磨损状态智能识别
刀具作为铣削加工过程中的重要执行件，其在加工过程中的磨损状态不仅直接关系到加工工件的表面质量，还将对加工成本及安全性造成影响。因此，对加工过程中刀具的磨损状态实现智能监测识别在实际工程应用中具有重要价值。本文通过监测实际加工过程中数控加工中心的主轴径向振动加速度信号、加工舱声压信号和主轴电机电流信号，运用深度学习算法实现对融合后的多源信号进行自适应特征提取与磨损状态识别，提出了一种基于多源信号融合的刀具磨损状态智能监测方法。论文的研究内容概括如下： （1）对刀具磨损状态识别监测的国内外研究现状进行分析和讨论。论述了现阶段常用的刀具磨损状态监测方法和数据特征提取的主要方法；对常用的深度学习监测模型进行了简要的分析介绍；对立铣刀的磨损机理进行研究，并通过理论分析，论证了以多源信号融合作为刀具磨损监测信号的可行性和有效性，并设计信号采集实验方案。 （2）进行实验并对采集到的数据集制作数据样本划分数据集。结合加工工件表面质量的要求，根据刀具后刀面磨损量划分不同磨损状态；由于实际生产采用的加工方式为摆线铣削，为降低剔除空刀信号的数据预处理工作量和对原始信号完整性的影响，将数据样本制作成180*320*3的三维图片样本，使每个样本中均包含加工数据。 （3）利用变分自动编码器和极限学习机实现对铣刀磨损状态的监测。将三种传感器时域信号叠加融合后输入变分自编码器对反映刀具磨损状态的特征信息进行提取。通过无监督预训练提取出原始信号隐含的特征信息；再将变分自编码器所提取到的数据特征输入极限学习机进行有监督的分类识别，从而实现监测识别铣刀磨损状态的目的。 （4）针对工程实际应用中可能存在获取刀具完整全寿命数据困难的问题，在原有模型的基础上引入残差学习网络，对变分自编码器的编码部分进行改进，使模型具有一定的迁移能力；通过输入新数据集少量数据对预训练好的模型进行微调，使其对新数据集仍具有良好的识别能力。 （5）基于LabVIEW软件开发适用于所研究的铣刀的刀具磨损在线监测系统。在系统中可实现数据采集、信号显示、数据存储、分析处理和状态报警等多种实用功能；通过选择不同工况参数，通过训练完成的深度学习模型实现刀具磨损状态的识别监测，直接获得刀具磨损状态实时监测结果，并在刀具磨损量达到预警值进行报警，及时提醒操作人员更换刀具。
刀具磨损;多源信息融合;深度学习;变分自动编码器;迁移学习
大连理工大学
硕士
测试计量技术及仪器
李宏坤
2022
中文
TG714
2023-02-17（万方平台首次上网日期，不代表论文的发表时间）