杏彩体育官网入口网址·【高影响力论文】基于长短期记忆神经网络的刀具磨损状
来源：杏彩体育官网网址 作者：杏彩体育官网入口2024-05-21 12:21:21朱翔,谢峰,李楠.基于长短期记忆神经网络的刀具磨损状态监测[J].制造技术与机床i.1005-2402.2019.10.025.
刀具磨损状况的实时检测是目前机床加工状态监测的难点,而对刀具的振动信号分析的常用方法是利用神经网络模型来判断刀具磨损状态。为解决循环神经网络(RNN)模型训练过程中梯度容易消亡的现象,提出基于长短期记忆神经网络的刀具磨损状态在线监测。刀具在进行切削加工时,首先通过加速度传感器采集刀具振动信号,然后对振动信号小波包变换进行分解是让信号通过不同的滤波器进行有条件的选择,由此形成不同的能量值,用作为长短期记忆神经网络的特征输入,从而诊断出刀具磨损状态的3种状态故障;最后利用长短期记忆神经网络模型对处理时间序列的数据有比较好的效果,它可以捕捉长期的依赖关系和非线性动态变化。此外,通过与多层(BP)神经网络和(BP)神经网络故障诊断方法进行比较,结果表明,LSTM网络对刀具磨损状态在线监测更加有效。
随着数控机床在机械加工中的广泛使用，刀具的磨损成为数控机床出现故障的主要因素，而数控机床工作时是按照编程来自动进行加工的，因此需要对刀具的切削加工状态进行实时监控。近年来，各国学者在刀具磨损状态监测方面做了大量的工作，而通过加速度传感器采集刀具切削过程中振动信号的变化——振动监测法仍是目前刀具磨损状态检测的主要方法，如韩凤华通过对采集的振动信号进行时域和频域的分析来判断刀具的磨损状态，库祥臣通过采集刀具振动信号，然后利用小波包对振动信号进行数据分析，得到不同频段的能量值作为刀具磨损状态的特征值，输入 BP 神经网络中来判断刀具磨损状态。这些机器学习方法在生产领域广泛应用，成为刀具故障诊断的主要预测手段，但是实时监测效果不理想。因此徐康提出了一种基于经验模态分解的马尔可夫模型，通过对振动信号进行经验模态分解，得到若干固有模态函数( IMF) ，选取前几个能量较大的 IMF 进行标量量化处理得到特征向量后，作为观测值序列输入已训练好的马尔可夫模型进行故障状态识别的刀具故障诊断方法。这些机器学习中传统的神经网络的训练集和测试集和时间联系弱小，无法模拟时间序列中的马尔可夫模型过程，故提出循环神经网( RNN) 。用它内部的记忆单元来处理任意序列信息的建模预测，取得了显著成效。由于传统的循环神经网络很难处理长期依赖问题，若时间序列太长信息在反馈的时候就会出现梯度消失，故提出了长短期记忆神经网络。长短期记忆神经网络是一种特殊循环神经网络，通过在循环神经网络增加门限从而抑制梯度消失。
本文是基于长短期记忆网络对刀具磨损状态监测的，它是适合于处理和预测时间序列中间隔和延迟非常的模型，适用于动态时间序列，尤其是对于非平稳、低重复性和复现性的信号具有很强的模式分类能力，并且它对离散输入信号特征具有识别效率高、速度快等优点。针对刀具非平稳故障信号，经小波包变换去除了刀具的低频振动只保留刀具振动信号中对粗糙度有影响的高频信号以长短期记忆网络处理输入的小波包能量进一步提取特征，挖出更深层次的潜在规律，故构建基于长短期记忆神经网络的刀具磨损状态监测模型对刀具故障进行诊断。
杏彩体育(中国).官网入口网址是国内专业的伺服电动缸厂家，杏彩体育官网入口网址主要经营伺服电动缸、伺服电缸、高精度电动缸、直连式电动缸、并联式电动缸等设备，种类型号齐全。同时汇聚电动缸行业优秀人才，产品广泛应用于汽车、模具、航空航天等行业。
咨询热线：13905180521
