李浩平，王 坤，葛晓博，彭 巍，孟荣华

(三峡大学机械与动力学院，湖北 宜昌 443000)

0 引言

在制造系统中刀具是重要的加工工具，刀具的状态对加工过程和产品质量都有影响。在自动化加工过程中对刀具进行在线监测是保证制造系统正常工作以及零件质量的重要手段。

神经网络具有良好的逼近任意复杂的非线性系统的能力。深度学习网络模拟人脑进行分析学习，其本质是对数据特征进行分层表示，实现低级特征向高级特征的抽象表示[1]。相比浅层神经网络，深度神经网络通过数据训练能够学习数据特征，不用进行复杂的数据处理和特征提取，可以利用学习到的高维特征进行预测与识别。彭朋[2]将主轴电机电流信号进行连续小波变换，利用小波尺度谱，作为卷积神经网络输入实现刀具磨损状态监测。张新建[3]以工件纹理图像处理方法进行刀具状态识别，提出了一种改进卷积神经网络方法，并验证了算法的优越性。吴雪峰等[4]提出了一种利用刀具磨损图像作为输入的卷积神经网络刀具磨损类型的智能识别方法。

本文以铣刀为研究对象，构建卷积神经网络模型对铣刀磨损状态进行监测。以x、y、z三个方向的振动信号作为监测信号。模型中以振动信号的幅值谱作为网络的输入数据，以期构建振动信号与铣刀磨损状态之间的关联。用一把刀具的监测数据来进行模型的训练，其它实验刀具的监测数据进行网络模型的测试。该模型通过融合三向多源监测信号实现铣刀的磨损状态监测。……