基于聲發(fā)射和深度學(xué)習(xí)的刀具狀態(tài)識(shí)別研究.pdf

1、隨著機(jī)床在自動(dòng)化、集成化和無人化方向發(fā)展越來越快，如何保證產(chǎn)品的質(zhì)量和生產(chǎn)效率顯得尤為重要。刀具狀態(tài)識(shí)別技術(shù)可以在保證產(chǎn)品質(zhì)量的同時(shí)實(shí)現(xiàn)刀具的高效利用，因此對(duì)刀具狀態(tài)識(shí)別技術(shù)進(jìn)行研究十分重要。
　　針對(duì)刀具加工特點(diǎn)，本文選擇對(duì)刀具聲發(fā)射信號(hào)進(jìn)行監(jiān)測(cè)。聲發(fā)射信號(hào)頻率高，能夠很好的避開低頻噪聲干擾。但是由于聲發(fā)射信號(hào)頻率高、刀具加工工況不同，因此采集到的信號(hào)不僅復(fù)雜，而且數(shù)據(jù)量大。目前用于刀具狀態(tài)識(shí)別的方法大多是先利用信號(hào)處理等算法提

2、取信號(hào)特征，再利用機(jī)器學(xué)習(xí)等方法實(shí)現(xiàn)狀態(tài)識(shí)別。這種特征提取方式往往需要大量的先驗(yàn)知識(shí)、豐富的信號(hào)處理理論和實(shí)際經(jīng)驗(yàn)作為支撐，并且在特征提取過程中摻雜的人為因素較多，不確定性較強(qiáng)，同時(shí)還需要花費(fèi)大量的時(shí)間和精力。
　　本文引入了深度學(xué)習(xí)方法，利用堆疊降噪自編碼和卷積神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)刀具狀態(tài)識(shí)別。
　　(1)自編碼網(wǎng)絡(luò)是一種可以將高維數(shù)據(jù)映射到低維空間的無監(jiān)督算法，堆疊降噪自編碼是多個(gè)自編碼堆疊而成。本文搭建雙隱層堆疊降噪自編碼，

3、利用聲發(fā)射頻域信號(hào)制作樣本用于網(wǎng)絡(luò)訓(xùn)練、得到特征表達(dá)，并利用其有監(jiān)督的訓(xùn)練分類網(wǎng)絡(luò)，同時(shí)進(jìn)行全局微調(diào)，以實(shí)現(xiàn)高精度的刀具狀態(tài)識(shí)別。實(shí)驗(yàn)中，本文對(duì)堆疊降噪自編碼的網(wǎng)絡(luò)層數(shù)、隱含層節(jié)點(diǎn)數(shù)和學(xué)習(xí)率等參數(shù)進(jìn)行對(duì)比分析，從而尋找到較優(yōu)的網(wǎng)絡(luò)模型。
　　(2)卷積神經(jīng)網(wǎng)絡(luò)是一種包含卷積結(jié)構(gòu)的多層有監(jiān)督網(wǎng)絡(luò)。本文利用短時(shí)傅里葉變換將一維信號(hào)轉(zhuǎn)變成二維時(shí)頻譜圖作為網(wǎng)絡(luò)輸入，構(gòu)建大量表示不同刀具狀態(tài)的帶標(biāo)簽樣本數(shù)據(jù)，以確保樣本的多樣性，并將預(yù)處理后