基于迁移学习与残差网络的刀具磨损状态监测
2023-10-12周建民王云庆杨晓彤黄熙亮夏晓枫
机床与液压 2023年18期
周建民,王云庆,杨晓彤,黄熙亮,夏晓枫
(1.华东交通大学载运工具与装备教育部重点实验室,江西南昌 330013;2.轨道交通基础设施性能监测与保障国家重点实验室,江西南昌 330013)
0 前言
21世纪以来,在以智能制造为主体的全球工业改革浪潮的新时代背景下,加速数控机床向着智能自动化的目标迈进成为重中之重。刀具作为数控机床的关键部件之一,是最易损伤和浪费最严重的部件[1]。由于刀具与工件直接接触发生磨损,其状态会直接影响生产资源的消耗、工件加工质量和效率,因此,在机械加工过程中对刀具状态实时监测以便制定换刀策略很有必要。刀具磨损状态监测方法分为直接监测法和间接监测法两种[2]。直接监测法是利用图像处理和光学监测等直接观测刀具的磨损量;间接监测法是通过采集在刀具加工过程中与磨损紧密相关的信号,建立监测信号和刀具当前状态的模型,从而间接得到实时的磨损状态。此方法不对加工过程造成干扰,且可以连续监测加工过程,更适合于在线监测。间接监测法常用的方法有切削力监测[3]、声发射监测[4]、振动监测[5]等。对于监测数据处理以及分类所用的传统机器学习方法包括支持向量机[6]、贝叶斯网络[7]、极限学习机[8]等,但这些方法属于浅层机器学习方法,需要进行数据预处理、特征提取和特征选择,要求相应的先验知识,费时费力,而且如果所采取的人工特征选择方式不适合具体的任务情况时,就会导致分类效果快速下降。……
登录APP查看全文
