基于深度学习的拉削刀具磨损状态识别模型

作者：应申舜; 傅晨泰; 林绿胜; 吕晓敏; 张顺琦; 易凯^*

来源：高技术通讯, 2022, 32(10): 1089-1100.

• 深度学习
• 拉削加工
• 刀具磨损
• 状态识别
• 稠密连接网络(DenseNet)
• 长短期记忆网络(LSTM)

拉削是航空发动机涡轮盘榫槽的关键加工工艺,拉刀在工作过程中的异常状态若不能被及时发现并加以干预,将引起严重的破坏,目前尚无先进的人工智能方法解决这一问题。本文提出了一种拉削刀具磨损状态识别模型(DSBiLSTM),该模型基于具有特征重用优势的稠密连接网络(DenseNet)设计了DenseNet(3-2),实现空间特征提取和降维,并设计了堆叠的双向长短期记忆网络(SBiLSTM),实现时序特征提取,两者优势互补,将多尺度融合提取特征纳入到多个全连接层(FNN)和Softmax层,实现刀具磨损状态识别。基于创新的识别模型,设计了涡轮盘榫槽拉削加工实验,采用了基于混淆矩阵的性能指标体系,将所提出的模型与单个特征提取模型进行比较。实验结果表明,DSBiLSTM模型在刀具磨损状态预测中具有突出性能,识别准确率达到98.73%,单个样本的识别速度提高到11 ms。

• 单位
  浙江工业大学; 上海大学; 自动化学院