基于一维深度卷积自动编码器的刀具状态监测方法

作者：杨国葳; 李宏坤^*; 张明亮; 黄刚劲

来源：振动与冲击, 2021, 40(21): 223-274.

DOI：10.13465/j.cnki.jvs.2021.21.030

• 刀具磨损
• 主轴电流
• 深度学习
• 一维深度卷积自动编码器(ODCAE)

由于现有智能刀具磨损状态识别方法存在过于依赖样本数据预处理手段的问题,提出了一种基于一维深度卷积自动编码器(ODCAE)的刀具磨损状态识别方法,提高利用原始时域信号作为模型输入的刀具磨损状态识别精度。首先采集不同工况下主轴电机的三相电流信号,将三相电流信号融合成电流有效值并做归一化处理,以此作为模型的输入。然后,利用一维深度卷积自动编码器对输入样本进行无监督预训练,提取基于信号本身的特征信息。最后保留自动编码器的编码部分,利用样本标签进行二次有监督微调,实现对刀具不同磨损状态的识别。实验结果表明,ODCAE方法对刀具不同的磨损状态平均识别率可达99%,卡帕系数0.984 0,能够自适应地提取特征并高效率的实现刀具磨损状态识别。

• 单位
  大连理工大学