基于卷积神经网络的铣刀磨损状态识别技术研究

作者：党英; 吉卫喜; 陆家辉; 张贇; 吴浩

来源：现代制造工程, 2021, (05): 116-124.

DOI：10.16731/j.cnki.1671-3133.2021.05.019

• 铣刀
• 一维卷积神经网络
• 极限学习机
• 自适应特征提取
• 磨损状态识别

刀具磨损状态监测对于保证设备运行安全及提高生产效率具有重要意义。建立了基于一维卷积神经网络和极限学习机(1DCNN-ELM)混合模型,实现了对刀具磨损状态进行自动特征提取并快速识别。首先,通过采集原始高频振动信号,并对其进行批量标准化和切片处理;其次,利用一维卷积神经网络(1DCNN)进行自适应特征提取;最后,将极限学习机(ELM)用于铣刀磨损状态识别。引入了Dropout和批规范化(Batch Normalization, BN)加快网络训练及缓解过拟合。实验结果表明,1DCNN-ELM混合模型识别精度高、运算速度快,且具有较好的泛化性能,研究结果为数控加工过程中铣刀磨损状态识别提供理论依据。

• 单位
  江南大学