王丽华 杨家巍 张永宏 赵晓平 谢阳阳

1.南京信息工程大学信息与控制学院，南京，210044

2.南京信息工程大学计算机与软件学院，南京，210044

0 引言

在刀具磨损监测过程中，采集的刀具信号包含大量切削过程信息和周围环境噪声信息。研究刀具磨损状态监测技术的重点之一是研究如何从刀具非平稳信号中提取出表征刀具状态的特征。

面对非线性、非平稳的检测信号，小波分析和经验模态分解（empirical mode decomposition，EMD）等时频分析技术应运而生，其中EMD因其自适应的特点得到了广泛应用［1］。模式识别方法是实现对刀具磨损状态进行监测的关键技术之一。小波神经网络、支持向量机（support vector machine，SVM）和反向传播（back propagation，BP）神经网络等方法在刀具磨损状态识别中得到了广泛应用。陶润喆［2］利用互补总体平均经验模态分解（complementary ensemble empirical mode decomposition，CEEMD）方法将声发射（acoustic emission，AE）信号分解成多个固有模态函数（intrinsic mode function，IMF），由于IMF依然存在模态混叠的问题，故利用小波包变换（wavelet package transform，WPT）进行修正，并输入到SVM中进行训练以完成对刀具磨损状态的识别。但上述方法存在如下2个缺陷：①网络训练的样本数量太少，这会使得样本缺少多样性，网络的鲁棒性无法得到保证，也易形成过拟合［3］；②在使用传统方法进行刀具磨损监测时，因单一方法所得到的特征不能很好地表征原信号，故利用多种方法来提取信号特征，以弥补单一方法的不足，但这需要依赖大量实际工程经验和消耗大量处理数据的时间，浪费人力。

近年来，深度学习在机械状态识别等领域得到了广泛应用。……