基于聲發(fā)射和深度學習的刀具狀態(tài)識別研究.pdf

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

2、取信號特征，再利用機器學習等方法實現(xiàn)狀態(tài)識別。這種特征提取方式往往需要大量的先驗知識、豐富的信號處理理論和實際經(jīng)驗作為支撐，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，同時還需要花費大量的時間和精力。
　　本文引入了深度學習方法，利用堆疊降噪自編碼和卷積神經(jīng)網(wǎng)絡來實現(xiàn)刀具狀態(tài)識別。
　　(1)自編碼網(wǎng)絡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)射頻域信號制作樣本用于網(wǎng)絡訓練、得到特征表達，并利用其有監(jiān)督的訓練分類網(wǎng)絡，同時進行全局微調(diào)，以實現(xiàn)高精度的刀具狀態(tài)識別。實驗中，本文對堆疊降噪自編碼的網(wǎng)絡層數(shù)、隱含層節(jié)點數(shù)和學習率等參數(shù)進行對比分析，從而尋找到較優(yōu)的網(wǎng)絡模型。
　　(2)卷積神經(jīng)網(wǎng)絡是一種包含卷積結構的多層有監(jiān)督網(wǎng)絡。本文利用短時傅里葉變換將一維信號轉變成二維時頻譜圖作為網(wǎng)絡輸入，構建大量表示不同刀具狀態(tài)的帶標簽樣本數(shù)據(jù)，以確保樣本的多樣性，并將預處理后