周 粤,段现银,b

(武汉科技大学 a.机械自动化学院;b.机械传动与制造工程湖北省重点实验室,湖北 430081)

0 引言

近几年,由于智能化生产的不断发展,各企业对设备的生产质量、生产效率的要求越来越高。刀具的磨损会对加工质量以及精度产生很大的影响,特别是在航空和其他高精度零件的加工中,不但增加了加工成本,还使加工效率大幅下降[1]。REHORN等[2]研究发现,采用智能的刀具磨损监控系统,可以将切削速度提升1.5倍。如果能预先安排好加工计划,就能缩短停机时间,那么工厂可以节约近1/3的生产费用成本。所以,刀具磨损状况监控是实现机械智能化生产的关键。刀具磨损监控问题可以看作是计算机视觉图象的分类问题。传统机器学习如浅层神经网络、支持向量机等模型通常需要人工来提取信号的特征,增加了工作量。利用人工提取的特征进行监测,可以获得很好的效果,但是其计算时间比较长,并且需要大量以往监测的经验来进行。与传统的机器学习方法相比,深度学习能够很好地解决以上的问题,而且在分类的精确性方面也有很大的提高。GOUARIR等[3]利用信号的合并图象进行卷积神经网络(convolutional neural networks,CNN)模型训练,显示了较好的预测精度。董靖川等[4]介绍了一种不需要人工进行特征提取的分布式卷积神经网络。张存吉等[5]结合小波变换与卷积神经网络,对刀具磨损状况进行了识别,自适应提取特征。刀具磨损状况监控应以提高切削效率为目标。但是,传统的直接监测法常常需要停机来进行检测,这对加工效率有很大的影响。……