CN108319962A - 一种基于卷积神经网络的刀具磨损监测方法 - Google Patents

一种基于卷积神经网络的刀具磨损监测方法 Download PDF

Info

Publication number
CN108319962A
CN108319962A CN201810081967.5A CN201810081967A CN108319962A CN 108319962 A CN108319962 A CN 108319962A CN 201810081967 A CN201810081967 A CN 201810081967A CN 108319962 A CN108319962 A CN 108319962A
Authority
CN
China
Prior art keywords
characteristic pattern
layer
pond
neural networks
convolutional
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810081967.5A
Other languages
English (en)
Other versions
CN108319962B (zh
Inventor
朱翔
谢峰
李楠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui University
Original Assignee
Anhui University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Anhui University filed Critical Anhui University
Priority to CN201810081967.5A priority Critical patent/CN108319962B/zh
Publication of CN108319962A publication Critical patent/CN108319962A/zh
Application granted granted Critical
Publication of CN108319962B publication Critical patent/CN108319962B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
    • B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
    • B23Q17/0957—Detection of tool breakage
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
    • B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
    • B23Q17/0971—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining by measuring mechanical vibrations of parts of the machine
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/513—Sparse representations

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mechanical Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Complex Calculations (AREA)

Abstract

本发明公开了一种基于卷积神经网络的刀具磨损监测方法，其将加速度传感器安装在钻铣床的主轴上，利用加速度传感器采集工件加工过程中产生的原始振动信号，该原始振动信号再通过小波包转换转变为相对应的能量频谱图；卷积层C1采用96*11*11dp的卷积核对输入的图片卷积，卷积核步长为4，生成96*55*55dp的特征图；将卷积层C1生成的特征图输入池化层P1,池化层P1采用96*3*3dp的池化核对输入的特征图池化，池化核步长为2，生成96*27*27dp的特征图，该方法将卷积神经网络引入刀具故障诊断领域，直接应用原始数据进行模型训练与测试，具有多层神经网络，完全克服了浅层模型在收敛速度和优化方法中的缺陷。

Description

一种基于卷积神经网络的刀具磨损监测方法
技术领域
本发明涉及机械故障诊断技术领域，特别涉及一种基于卷积神经网络的刀具磨损监测方法。
背景技术
刀具的切削工件，在工业生产中应用广泛，尤其在旋转机械设备中承担重要角色，其健康状况直接影响整个设备的工作状态，因此，对刀具故障诊断的研究具有十分重要的意义。
振动信号分析是刀具故障诊断最常用，也是最行之有效的方法。小波变换的窗口具有很好的自适应特性和平移功能，能使高频处时间分辨高，频率分辨率低；而低频处时间分辨率低，频率分辨率高，因而广泛运用在机械故障诊断等工程应用中。
刀具故障诊断实际上属于模式识别的范畴，是一个提取轴承故障特征然后进行分类的过程。也即是设计一个非线性分类器，实现特征空间到模式空间的映射。常用的非线性分类器有BP神经网络、支持向量机(SVM)、径向基网络等。卷积神经网络(ConvolutionalNeural Networks，CNN)是最近发展起来的一种非线性分类器，相比于其他深层网络，CNN的关键在于引入了卷积、采样和权值共享的概念，由于这种网络结构对平移、比例缩放、倾斜或者共他形式的变形具有高度不变性，近年来在图像处理领域越来越受到重视：2012年，Krizhevsky等使用卷积神经网络搭建的系统，在ImageNet图像数据集中将分类错误率从25％下降到17％；2014年，Facebook搭建的卷积神经网络系统在人脸验证上将正确率提高到97.25％，而人眼辨识的正确率是97.53％。
刀具磨损监测是自动化机械制造加工过程的重要环节，刀具加工环境恶劣多变，影响刀具磨损的因素很多，但不可能采集全部的变量因素，而且传统的刀具磨损智能监测与预测方法，需要对采集的进行信号预处理、特征提取和特征选择等，然而面对复杂的加工环境，对大量的实时监测数据准确提取与磨损相关的信号特征似乎很难做到。
虽然，小波包变换在刀具故障诊断中已应用非常广泛，但大多需要分析故障信号的小波尺度谱、功率谱等，以人工确定故障类型。也出现过很多应用神经网络、支持向量机等人工智能方法进行刀具故障的自动分析和诊断，本发明所述的卷积神经网络在刀具故障诊。
发明内容
本发明公开了一种基于卷积神经网络的刀具磨损监测方法，本发明将无需去噪的原始振动信号通过小波包转换得到相对应的能量频谱图，再采用卷积神经网络模型分析获得刀具磨损程度，检测准确度大大提高高。
为实现上述目的，本发明提供如下技术方案：
一种基于卷积神经网络的刀具磨损监测方法，其包括以下步骤：
(1)第一步将加速度传感器安装在钻铣床的主轴上，利用加速度传感器采集工件加工过程中产生的原始振动信号，该原始振动信号再通过小波包转换转变为相对应的能量频谱图；
(2)第二步将小波包转换为能量频谱图片，该图片尺寸为256*256dp，再将该图片裁剪为统一的227*227dp尺寸作为卷积神经网络的输入数据；
(3)第三步卷积层C1采用96*11*11dp的卷积核对输入的图片卷积，卷积核步长为4，生成96*55*55dp的特征图；
(4)第四步将卷积层C1生成的特征图输入池化层P1,池化层P1采用96*3*3dp的池化核对输入的特征图池化，池化核步长为2，生成96*27*27dp的特征图；
(5)第五步将由池化层P1生成的特征图输入卷积层C2，卷积层C2采用256*5*5dp的卷积核对输入的图片卷积，扩展边缘值为2，生成256*27*27dp的特征图；
(6)第六步将卷积层C2生成的特征图输入池化层P2，池化层P2采用256*3*3dp的池化核对输入的特征图池化，池化核步长为2，生成256*13*13dp的特征图；
(7)第七步将池化层P2生成的特征图输入卷积层C3，卷积层C3采用384*3*3dp的卷积核对输入的特征图卷积，扩展边缘值为1，生成384*13*13dp的特征图；
(8)第八步将卷积层C3生成的特征图输入卷积层C4，卷积层C4采用384*3*3dp的卷积核对输入的图片卷积，扩展边缘值为1，生成384*13*13dp的特征图；
(9)第九步将卷积层C4生成的特征图输入卷积层C5，卷积层C5采用256*3*3dp的卷积核对输入的图片卷积，扩展边缘值为1，生成256*13*13dp的特征图；
(10)第十步将卷积层C5生成的特征图输入池化层P5，池化层P5采用256*3*3dp的池化核对输入的特征图池化，池化核步长为2，生成256*6*6dp的特征图；
(11)第十一步将池化层P5生成的特征图输入全连接层F6、F7，F6和F7全连接层都输出4096*1*1dp的特征图，全连接层F8，输出刀具磨损程度值。
优选的，第一步中小波包转换转变为相对应的能量频谱图，采集的振动信号进行5层小波包分解，得到892张能量频谱图，经过压缩转换为256*256dp的输入图片，其中计算各频段信号能量，各频段能量计算公式表示为：
优选的，所述第二步能量谱图片，对于图片的尺寸xlarge(r*c)，然后,在图片的子采样(卷积核)xsmall(w*h)上训练一个稀疏自编码器，学习k个特征：
fs＝δ(w(1)xsmall+b(1))；σ是S型函数(sigmoid),w(1)和b(1)分别是显层单元到隐层单元的权重和偏置，对于较大图片的每个子块Xs(w*h),得到特征。
优选的，所述第三步卷积神经网络，卷积映射的尺寸大小计算：
S(fs)＝[((r+2*pad-w)/stride)+1]*[((c+2*pad-h)/stride)+1]*k，式中k为卷积核个数，pad为边缘扩展参数，默认值为0；stride为卷积核步长，默认为1,卷积核的尺寸w*h。
优选的，第四步卷积神经网络，池化层中池化后特征映射尺寸大小计算：
S(fs)＝[((r+2*pad-m)/stride)+1]*[((c+2*pad-n)/stride)+1]*k，式中k为卷积核个数，pad为边缘扩展参数，默认值为0；stride为卷积核步长，默认为1,卷积核的尺寸m*n。
优选的，卷积神经网络与线性激活函数Ri相连接，其中，Ri包括R1、R2、R3、R4、R5和R6，线性激活函数表达式：
f(x)＝max(x,0)。
优选的，池化层P1、P2连接局部响应归一化，其中归一化公式：
式中：α为缩放因子，β为指数项，k为超参数，n,为同一个位置上邻近的内核映射数量,N为内核总数量。
优选的，卷积神经网络中全连接层和防止过拟合的正则化策略(Dropout)Ri连接，Dropout是在每一轮的权重调整时(backpropagation时)在隐含层以一定的概率舍弃某些神经元(一般取0.5)，因此每个神经元只以上一层的一部分神经元相关，即隐含层每个神经元相当于单独训练，即每个神经元模型独立。
与现有技术相比，本发明的有益效果是：
本发明应用加速度传感器采集工件加工过程中的振动信号，无需去噪的原始数据通过小波包转换得到相对应的能量频谱图，采用深度学习的卷积神经网络模型，将无监督学习与监督学习相结合，完成刀具磨损特征的自适应提取与磨损程度分类识别，监测数据准确度得到大大提高。
附图说明
图1是本发明的一种基于卷积神经网络的刀具磨损监测方法流程示意图；
图2是本发明的一种基于卷积神经网络的刀具磨损监测方法结构示意图；
图3是本发明的一种基于卷积神经网络的刀具磨损监测方法的小波包分析能量谱图；
图4是本发明的一种基本卷积神经网络的刀具磨损测试，刀具磨损程度分类表。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1、图2、图3和图4所示，一种基于卷积神经网络的刀具磨损监测方法，其包括以下步骤：
(1)第一步将加速度传感器安装在钻铣床的主轴上，利用加速度传感器采集工件加工过程中产生的原始振动信号，该原始振动信号再通过小波包转换转变为相对应的能量频谱图，小波包转换转变为相对应的能量频谱图，采集的振动信号进行5层小波包分解，得到892张能量频谱图，经过压缩转换为256*256dp的输入图片，其中计算各频段信号能量，各频段能量计算公式表示为：
(2)第二步将小波包转换为能量频谱图片，该图片尺寸为256*256dp，再将该图片裁剪为统一的227*227dp尺寸作为卷积神经网络的输入数据，所述能量谱图片的尺寸xlarge(r*c)，然后,在图片的子采样(卷积核)xsmall(w*h)上训练一个稀疏自编码器，学习k个特征：
fs＝δ(w(1)xsmall+b(1))；σ是S型函数(sigmoid),w(1)和b(1)分别是显层单元到隐层单元的权重和偏置，对于较大图片的每个子块Xs(w*h),得到特征；
(3)第三步卷积层C1采用96*11*11dp的卷积核对输入的图片卷积，卷积核步长为4，生成96*55*55dp的特征图，卷积映射的尺寸大小计算：
S(fs)＝[((r+2*pad-w)/stride)+1]*[((c+2*pad-h)/stride)+1]*k，式中k为卷积核个数，pad为边缘扩展参数，默认值为0；stride为卷积核步长，默认为1,卷积核的尺寸w*h；
(4)第四步将卷积层C1生成的特征图输入池化层P1,池化层P1采用96*3*3dp的池化核对输入的特征图池化，池化核步长为2，生成96*27*27dp的特征图，池化层中池化后特征映射尺寸大小计算：
S(fs)＝[((r+2*pad-m)/stride)+1]*[((c+2*pad-n)/stride)+1]*k，式中k为卷积核个数，pad为边缘扩展参数，默认值为0；stride为卷积核步长，默认为1,卷积核的尺寸m*n；
(5)第五步将由池化层P1生成的特征图输入卷积层C2，卷积层C2采用256*5*5dp的卷积核对输入的图片卷积，扩展边缘值为2，生成256*27*27dp的特征图；
(6)第六步将卷积层C2生成的特征图输入池化层P2，池化层P2采用256*3*3dp的池化核对输入的特征图池化，池化核步长为2，生成256*13*13dp的特征图；
(7)第七步将池化层P2生成的特征图输入卷积层C3，卷积层C3采用384*3*3dp的卷积核对输入的特征图卷积，扩展边缘值为1，生成384*13*13dp的特征图；
(8)第八步将卷积层C3生成的特征图输入卷积层C4，卷积层C4采用384*3*3dp的卷积核对输入的图片卷积，扩展边缘值为1，生成384*13*13dp的特征图；
(9)第九步将卷积层C4生成的特征图输入卷积层C5，卷积层C5采用256*3*3dp的卷积核对输入的图片卷积，扩展边缘值为1，生成256*13*13dp的特征图；
(10)第十步将卷积层C5生成的特征图输入池化层P5，池化层P5采用256*3*3dp的池化核对输入的特征图池化，池化核步长为2，生成256*6*6dp的特征图；
(11)第十一步将池化层P5生成的特征图输入全连接层F6、F7，F6和F7全连接层都输出4096*1*1dp的特征图，全连接层F8，输出刀具磨损程度值。
卷积神经网络与线性激活函数Ri相连接，其中，Ri包括R1、R2、R3、R4、R5和R6，线性激活函数表达式：
f(x)＝max(x,0)。
优选的，池化层P1、P2连接局部响应归一化，其中归一化公式：
式中：α为缩放因子，β为指数项，k为超参数，n,为同一个位置上邻近的内核映射数量,N为内核总数量。
卷积神经网络中全连接层和防止过拟合的正则化策略(Dropout)Ri连接，Dropout是在每一轮的权重调整时(backpropagation时)在隐含层以一定的概率舍弃某些神经元(一般取0.5)，因此每个神经元只以上一层的一部分神经元相关，即隐含层每个神经元相当于单独训练，即每个神经元模型独立。
一种基于卷积神经网络的刀具磨损监测方法的具体工作原理如下：
S1：将加速度传感器安装在钻铣床的主轴上，利用加速度传感器采集工件加工过程中产生的原始振动信号；
S2：传感器测得振动信号再通过小波包转换转变为相对应的能量频谱图；特别地小波包包括不同分辨率下不同时间窗口信号的信息，每个包对应于一些频带，其中一些数据包包含重要信息，而其他数据包相对不重要，小波包变换的主要优点是可以根据合适的标准选择分析给定信号的最佳基准，这个标准的选择取决于不同应用的分解程度。根据所需提取的频带分辨率，利用频率分辨率公式就可求得小波分解的层数。频率分辨率公式为：
得到能量谱图片。
S3:通过设计卷积神经网络作为刀具磨损的分类器，其中，卷积神经网络包括卷积与池化层、全连接层和分类输出层。卷积与池化层和全连接层用于从原始的分类数据中提取分类特征，分类输出层刀具磨损程度分类；
S4：利用包含刀具磨损程度的特征样本库训练S3的网络，其中，训练方式为带标签的样本进行半监督的学习，利用随机梯度下降方法在更新和计算参数的梯度调整每一层的网络权值和偏置值；特别地，随机梯度下降方法在更新和计算参数的梯度时，取消了期望项，而仅仅使用单个或一些训练样本，计算公式如下：
式中(x(i),y(i))是训练集数据对，α为学习率，全部训练数据集更新目标J(θ)的参数θ。
S5：本发明采用自建的样本数据库，采集了三类刀具磨损的程度样本，样本由振动信号和类别标签组成，振动信号的采样频率均为1KHz共1000个采样点。每种故障的训练样本数为10000，测试样本数为7000。经测试每种故障的诊断识别率在96.7％以上，比较令人满意。
以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (8)

1.一种基于卷积神经网络的刀具磨损监测方法，其特征在于，包括以下步骤：
(1)第一步将加速度传感器安装在钻铣床的主轴上，利用加速度传感器采集工件加工过程中产生的原始振动信号，该原始振动信号再通过小波包转换转变为相对应的能量频谱图；
(2)第二步将小波包转换为能量频谱图片，该图片尺寸为256*256dp，再将该图片裁剪为统一的227*227dp尺寸作为卷积神经网络的输入数据；
(3)第三步卷积层C1采用96*11*11dp的卷积核对输入的图片卷积，卷积核步长为4，生成96*55*55dp的特征图；
(4)第四步将卷积层C1生成的特征图输入池化层P1,池化层P1采用96*3*3dp的池化核对输入的特征图池化，池化核步长为2，生成96*27*27dp的特征图；
(5)第五步将由池化层P1生成的特征图输入卷积层C2，卷积层C2采用256*5*5dp的卷积核对输入的图片卷积，扩展边缘值为2，生成256*27*27dp的特征图；
(6)第六步将卷积层C2生成的特征图输入池化层P2，池化层P2采用256*3*3dp的池化核对输入的特征图池化，池化核步长为2，生成256*13*13dp的特征图；
(7)第七步将池化层P2生成的特征图输入卷积层C3，卷积层C3采用384*3*3dp的卷积核对输入的特征图卷积，扩展边缘值为1，生成384*13*13dp的特征图；
(8)第八步将卷积层C3生成的特征图输入卷积层C4，卷积层C4采用384*3*3dp的卷积核对输入的图片卷积，扩展边缘值为1，生成384*13*13dp的特征图；
(9)第九步将卷积层C4生成的特征图输入卷积层C5，卷积层C5采用256*3*3dp的卷积核对输入的图片卷积，扩展边缘值为1，生成256*13*13dp的特征图；
(10)第十步将卷积层C5生成的特征图输入池化层P5，池化层P5采用256*3*3dp的池化核对输入的特征图池化，池化核步长为2，生成256*6*6dp的特征图；
(11)第十一步将池化层P5生成的特征图输入全连接层F6、F7，F6和F7全连接层都输出4096*1*1dp的特征图，全连接层F8，输出刀具磨损程度值。
2.根据权利要求1所述的一种基于卷积神经网络的刀具磨损监测法，其特征在于：第一步中小波包转换转变为相对应的能量频谱图，采集的振动信号进行5层小波包分解，得到892张能量频谱图，经过压缩转换为256*256dp的输入图片，其中计算各频段信号能量，各频段能量计算公式表示为：
3.根据权利要求1所述的一种基于卷积神经网络的刀具磨损监测方法，其特征在于：所述第二步能量谱图片，对于图片的尺寸xlarge(r*c)，然后,在图片的子采样(卷积核)xsmall(w*h)上训练一个稀疏自编码器，学习k个特征：
fs＝δ(w(1)xsmall+b(1))；σ是S型函数(sigmoid),w(1)和b(1)分别是显层单元到隐层单元的权重和偏置，对于较大图片的每个子块Xs(w*h),得到特征。
4.根据权利要求1所述的一种基于卷积神经网络的刀具磨损监测方法，其特征在于：所述第三步卷积神经网络，卷积映射的尺寸大小计算：
S(fs)＝[((r+2*pad-w)/stride)+1]*[((c+2*pad-h)/stride)+1]*k，式中k为卷积核个数，pad为边缘扩展参数，默认值为0；stride为卷积核步长，默认为1,卷积核的尺寸w*h。
5.根据权利要求1所述的一种基于卷积神经网络的刀具磨损监测方法，其特征在于：第四步卷积神经网络，池化层中池化后特征映射尺寸大小计算：
S(fs)＝[((r+2*pad-m)/stride)+1]*[((c+2*pad-n)/stride)+1]*k，式中k为卷积核个数，pad为边缘扩展参数，默认值为0；stride为卷积核步长，默认为1,卷积核的尺寸m*n。
6.根据权利要求1所述的一种基于卷积神经网络的刀具磨损监测方法，其特征在于：卷积神经网络与线性激活函数Ri相连接，其中，Ri包括R1、R2、R3、R4、R5和R6，线性激活函数表达式：
f(x)＝max(x,0)。
7.根据权利要求1所述的一种基于卷积神经网络的刀具磨损监测方法，其特征在于：池化层P1、P2连接局部响应归一化，其中归一化公式：
式中：α为缩放因子，β为指数项，k为超参数，n,为同一个位置上邻近的内核映射数量,N为内核总数量。
8.根据权利要求1所述的一种基于卷积神经网络的刀具磨损监测方法，其特征在于：卷积神经网络中全连接层和防止过拟合的正则化策略(Dropout)Ri连接，Dropout是在每一轮的权重调整时(backpropagation时)在隐含层舍弃某些神经元，因此每个神经元只与上一层的一部分神经元相关，即隐含层每个神经元相当于单独训练，即每个神经元模型独立。
CN201810081967.5A 2018-01-29 2018-01-29 一种基于卷积神经网络的刀具磨损监测方法 Active CN108319962B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810081967.5A CN108319962B (zh) 2018-01-29 2018-01-29 一种基于卷积神经网络的刀具磨损监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810081967.5A CN108319962B (zh) 2018-01-29 2018-01-29 一种基于卷积神经网络的刀具磨损监测方法

Publications (2)

Publication Number Publication Date
CN108319962A true CN108319962A (zh) 2018-07-24
CN108319962B CN108319962B (zh) 2021-11-23

Family

ID=62887894

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810081967.5A Active CN108319962B (zh) 2018-01-29 2018-01-29 一种基于卷积神经网络的刀具磨损监测方法

Country Status (1)

Country Link
CN (1) CN108319962B (zh)

Cited By (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108942409A (zh) * 2018-08-26 2018-12-07 西北工业大学 基于残差卷积神经网络的刀具磨损量的建模和监测方法
CN109048492A (zh) * 2018-07-30 2018-12-21 北京航空航天大学 基于卷积神经网络的刀具磨损状态检测方法、装置及设备
CN109063854A (zh) * 2018-08-23 2018-12-21 河南中裕广恒科技股份有限公司 智能运维云平台系统及其控制方法
CN109158953A (zh) * 2018-09-04 2019-01-08 温州大学激光与光电智能制造研究院 一种刀具磨损状态在线监测方法及系统
CN109262369A (zh) * 2018-09-13 2019-01-25 成都数之联科技有限公司 一种刀具状态检测系统及方法
CN109262368A (zh) * 2018-09-13 2019-01-25 成都数之联科技有限公司 一种刀具失效判定方法
CN109590805A (zh) * 2018-12-17 2019-04-09 杭州国彪超声设备有限公司 一种车削刀具工作状态的确定方法及系统
CN109753923A (zh) * 2018-12-29 2019-05-14 晋西车轴股份有限公司 刀具磨损量的监测方法、系统、设备及计算机可读存储介质
CN109822399A (zh) * 2019-04-08 2019-05-31 浙江大学 基于并行深度神经网络的数控机床刀具磨损状态预测方法
CN109822398A (zh) * 2019-03-25 2019-05-31 华中科技大学 一种基于深度学习的数控机床断刀检测系统及方法
CN110006650A (zh) * 2019-03-18 2019-07-12 华中科技大学 一种基于栈式剪枝稀疏去噪自动编码器的故障诊断方法
CN110222610A (zh) * 2019-05-27 2019-09-10 青岛海信网络科技股份有限公司 一种信号分类的方法及装置
CN110262463A (zh) * 2019-07-09 2019-09-20 河海大学常州校区 一种基于深度学习的轨道交通站台门故障诊断系统
CN110877233A (zh) * 2018-09-05 2020-03-13 日本电产株式会社 磨损量估计系统及方法、校正系统、异常、寿命检测系统
CN111325112A (zh) * 2020-01-31 2020-06-23 贵州大学 基于深度门控循环单元神经网络的刀具磨损状态监测方法
CN111390648A (zh) * 2020-03-31 2020-07-10 江麓机电集团有限公司 基于对抗神经网络的车刀磨损判定方法
CN111461298A (zh) * 2020-03-26 2020-07-28 广西电网有限责任公司电力科学研究院 一种用于断路器故障识别的卷积神经网络及方法
CN111562105A (zh) * 2020-03-25 2020-08-21 浙江工业大学 一种基于小波包分解和卷积神经网络的风电机组齿轮箱故障诊断方法
CN111571309A (zh) * 2020-07-01 2020-08-25 上海工具厂有限公司 用于集成加工过程监控的零点定位夹具
CN111832432A (zh) * 2020-06-23 2020-10-27 华中科技大学 一种基于小波包分解和深度学习的刀具磨损实时预测方法
CN111898829A (zh) * 2020-08-04 2020-11-06 电子科技大学 一种基于稀疏异常感知的边缘设备下的电量预测方法
CN111976389A (zh) * 2020-08-03 2020-11-24 清华大学 轮胎磨损程度辨识方法及装置
CN112446266A (zh) * 2019-09-04 2021-03-05 北京君正集成电路股份有限公司 一种适合前端的人脸识别网络结构
WO2021046737A1 (zh) * 2019-09-11 2021-03-18 大连理工大学 基于ssae-lstm模型的深孔加工刀具磨损量监测方法
CN112571150A (zh) * 2020-12-09 2021-03-30 中南大学 一种用于监测薄板齿轮的薄板加工状态的非线性方法
CN112634391A (zh) * 2020-12-29 2021-04-09 华中科技大学 一种基于压缩感知的灰度图像深度重建及故障诊断系统
CN112749663A (zh) * 2021-01-15 2021-05-04 金陵科技学院 基于物联网和ccnn模型的农业果实成熟度检测系统
CN113352149A (zh) * 2021-08-11 2021-09-07 西安博澜数字科技有限公司 一种刀具工况参数监控方法和装置
CN114833636A (zh) * 2022-04-12 2022-08-02 安徽大学 一种基于多特征空间卷积神经网络的刀具磨损监测方法
US20220276143A1 (en) * 2021-02-26 2022-09-01 Saudi Arabian Oil Company Method and system for automatic evaluation of cutting element during wear test
CN116867144A (zh) * 2023-09-04 2023-10-10 电子科技大学 一种基于神经网络的助航灯光亮度控制方法
CN117086698A (zh) * 2023-10-19 2023-11-21 齐鲁工业大学(山东省科学院) 一种基于数字孪生的刀具多工况状态监测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110317909A1 (en) * 2010-06-29 2011-12-29 General Electric Company Tool wear quantification system and method
US20160346609A1 (en) * 2015-05-28 2016-12-01 Nike, Inc. Wearable usb device assembly
CN107194427A (zh) * 2017-05-26 2017-09-22 温州大学 一种铣削刀具故障监测与识别方法及系统
CN107451373A (zh) * 2017-08-17 2017-12-08 安徽大学 一种刀具涂层和基体间结合面形状的仿生设计方法
CN107584334A (zh) * 2017-08-25 2018-01-16 南京航空航天大学 一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110317909A1 (en) * 2010-06-29 2011-12-29 General Electric Company Tool wear quantification system and method
US20160346609A1 (en) * 2015-05-28 2016-12-01 Nike, Inc. Wearable usb device assembly
CN107194427A (zh) * 2017-05-26 2017-09-22 温州大学 一种铣削刀具故障监测与识别方法及系统
CN107451373A (zh) * 2017-08-17 2017-12-08 安徽大学 一种刀具涂层和基体间结合面形状的仿生设计方法
CN107584334A (zh) * 2017-08-25 2018-01-16 南京航空航天大学 一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法

Cited By (48)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109048492B (zh) * 2018-07-30 2020-04-21 北京航空航天大学 基于卷积神经网络的刀具磨损状态检测方法、装置及设备
CN109048492A (zh) * 2018-07-30 2018-12-21 北京航空航天大学 基于卷积神经网络的刀具磨损状态检测方法、装置及设备
CN109063854A (zh) * 2018-08-23 2018-12-21 河南中裕广恒科技股份有限公司 智能运维云平台系统及其控制方法
CN108942409A (zh) * 2018-08-26 2018-12-07 西北工业大学 基于残差卷积神经网络的刀具磨损量的建模和监测方法
CN109158953A (zh) * 2018-09-04 2019-01-08 温州大学激光与光电智能制造研究院 一种刀具磨损状态在线监测方法及系统
CN109158953B (zh) * 2018-09-04 2019-07-02 温州大学激光与光电智能制造研究院 一种刀具磨损状态在线监测方法及系统
CN110877233A (zh) * 2018-09-05 2020-03-13 日本电产株式会社 磨损量估计系统及方法、校正系统、异常、寿命检测系统
CN109262368A (zh) * 2018-09-13 2019-01-25 成都数之联科技有限公司 一种刀具失效判定方法
CN109262369A (zh) * 2018-09-13 2019-01-25 成都数之联科技有限公司 一种刀具状态检测系统及方法
CN109590805B (zh) * 2018-12-17 2019-11-29 杭州国彪超声设备有限公司 一种车削刀具工作状态的确定方法及系统
CN109590805A (zh) * 2018-12-17 2019-04-09 杭州国彪超声设备有限公司 一种车削刀具工作状态的确定方法及系统
CN109753923A (zh) * 2018-12-29 2019-05-14 晋西车轴股份有限公司 刀具磨损量的监测方法、系统、设备及计算机可读存储介质
CN110006650A (zh) * 2019-03-18 2019-07-12 华中科技大学 一种基于栈式剪枝稀疏去噪自动编码器的故障诊断方法
CN109822398A (zh) * 2019-03-25 2019-05-31 华中科技大学 一种基于深度学习的数控机床断刀检测系统及方法
CN109822399B (zh) * 2019-04-08 2020-07-14 浙江大学 基于并行深度神经网络的数控机床刀具磨损状态预测方法
CN109822399A (zh) * 2019-04-08 2019-05-31 浙江大学 基于并行深度神经网络的数控机床刀具磨损状态预测方法
CN110222610A (zh) * 2019-05-27 2019-09-10 青岛海信网络科技股份有限公司 一种信号分类的方法及装置
CN110262463B (zh) * 2019-07-09 2021-12-10 河海大学常州校区 一种基于深度学习的轨道交通站台门故障诊断系统
CN110262463A (zh) * 2019-07-09 2019-09-20 河海大学常州校区 一种基于深度学习的轨道交通站台门故障诊断系统
CN112446266A (zh) * 2019-09-04 2021-03-05 北京君正集成电路股份有限公司 一种适合前端的人脸识别网络结构
CN112446266B (zh) * 2019-09-04 2024-03-29 北京君正集成电路股份有限公司 一种适合前端的人脸识别网络结构
WO2021046737A1 (zh) * 2019-09-11 2021-03-18 大连理工大学 基于ssae-lstm模型的深孔加工刀具磨损量监测方法
CN111325112A (zh) * 2020-01-31 2020-06-23 贵州大学 基于深度门控循环单元神经网络的刀具磨损状态监测方法
CN111325112B (zh) * 2020-01-31 2023-04-07 贵州大学 基于深度门控循环单元神经网络的刀具磨损状态监测方法
CN111562105A (zh) * 2020-03-25 2020-08-21 浙江工业大学 一种基于小波包分解和卷积神经网络的风电机组齿轮箱故障诊断方法
CN111461298A (zh) * 2020-03-26 2020-07-28 广西电网有限责任公司电力科学研究院 一种用于断路器故障识别的卷积神经网络及方法
CN111390648B (zh) * 2020-03-31 2021-12-28 江麓机电集团有限公司 基于对抗神经网络的车刀磨损判定方法
CN111390648A (zh) * 2020-03-31 2020-07-10 江麓机电集团有限公司 基于对抗神经网络的车刀磨损判定方法
CN111832432A (zh) * 2020-06-23 2020-10-27 华中科技大学 一种基于小波包分解和深度学习的刀具磨损实时预测方法
CN111571309A (zh) * 2020-07-01 2020-08-25 上海工具厂有限公司 用于集成加工过程监控的零点定位夹具
CN111976389A (zh) * 2020-08-03 2020-11-24 清华大学 轮胎磨损程度辨识方法及装置
CN111976389B (zh) * 2020-08-03 2021-09-21 清华大学 轮胎磨损程度辨识方法及装置
CN111898829A (zh) * 2020-08-04 2020-11-06 电子科技大学 一种基于稀疏异常感知的边缘设备下的电量预测方法
CN112571150B (zh) * 2020-12-09 2022-02-01 中南大学 一种用于监测薄板齿轮的薄板加工状态的非线性方法
CN112571150A (zh) * 2020-12-09 2021-03-30 中南大学 一种用于监测薄板齿轮的薄板加工状态的非线性方法
CN112634391B (zh) * 2020-12-29 2023-12-29 华中科技大学 一种基于压缩感知的灰度图像深度重建及故障诊断系统
CN112634391A (zh) * 2020-12-29 2021-04-09 华中科技大学 一种基于压缩感知的灰度图像深度重建及故障诊断系统
CN112749663A (zh) * 2021-01-15 2021-05-04 金陵科技学院 基于物联网和ccnn模型的农业果实成熟度检测系统
CN112749663B (zh) * 2021-01-15 2023-07-07 金陵科技学院 基于物联网和ccnn模型的农业果实成熟度检测系统
US20220276143A1 (en) * 2021-02-26 2022-09-01 Saudi Arabian Oil Company Method and system for automatic evaluation of cutting element during wear test
CN113352149A (zh) * 2021-08-11 2021-09-07 西安博澜数字科技有限公司 一种刀具工况参数监控方法和装置
CN113352149B (zh) * 2021-08-11 2021-11-02 西安博澜数字科技有限公司 一种刀具工况参数监控方法和装置
CN114833636B (zh) * 2022-04-12 2023-02-28 安徽大学 一种基于多特征空间卷积神经网络的刀具磨损监测方法
CN114833636A (zh) * 2022-04-12 2022-08-02 安徽大学 一种基于多特征空间卷积神经网络的刀具磨损监测方法
CN116867144A (zh) * 2023-09-04 2023-10-10 电子科技大学 一种基于神经网络的助航灯光亮度控制方法
CN116867144B (zh) * 2023-09-04 2024-01-26 电子科技大学 一种基于神经网络的助航灯光亮度控制方法
CN117086698A (zh) * 2023-10-19 2023-11-21 齐鲁工业大学(山东省科学院) 一种基于数字孪生的刀具多工况状态监测方法及系统
CN117086698B (zh) * 2023-10-19 2024-02-06 齐鲁工业大学(山东省科学院) 一种基于数字孪生的刀具多工况状态监测方法及系统

Also Published As

Publication number Publication date
CN108319962B (zh) 2021-11-23

Similar Documents

Publication Publication Date Title
CN108319962A (zh) 一种基于卷积神经网络的刀具磨损监测方法
Zhu et al. A review of the application of deep learning in intelligent fault diagnosis of rotating machinery
CN110502991B (zh) 基于随机卷积神经网络结构的内燃机健康监测方法及系统
Salehi et al. On-line analysis of out-of-control signals in multivariate manufacturing processes using a hybrid learning-based model
Liu et al. Data fusion generative adversarial network for multi-class imbalanced fault diagnosis of rotating machinery
CN111626361B (zh) 一种改进胶囊网络优化分层卷积的轴承亚健康识别方法
CN106980822A (zh) 一种基于选择性集成学习的旋转机械故障诊断方法
CN111753891B (zh) 一种无监督特征学习的滚动轴承故障诊断方法
CN111914883A (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
Wang et al. Gear fault diagnosis based on variational modal decomposition and wide+ narrow visual field neural networks
CN110399846A (zh) 一种基于多通道肌电信号相关性的手势识别方法
Kurek et al. Transfer learning in recognition of drill wear using convolutional neural network
CN105787488A (zh) 由全局向局部传递的图像特征提取方法及装置
CN113919220A (zh) 一种振动图像驱动的滚动轴承智能故障诊断方法
CN117315328B (zh) 一种注意力机制下改进卷积神经网络的齿轮故障诊断方法
Fu et al. Unsupervised rolling bearing fault diagnosis method across working conditions based on multiscale convolutional neural network
CN114295967A (zh) 一种基于迁移神经网络的模拟电路故障诊断方法
CN117369418A (zh) 数控机床进给系统故障诊断方法、系统、存储介质及设备
CN114764538A (zh) 一种设备声音信号模式识别模型
CN117574109A (zh) 一种基于磨损时序缓变规律的刀具状态监测模型在线学习方法
CN116644273A (zh) 基于可释性乘法卷积网络的故障诊断方法及系统
Chaleshtori Data fusion techniques for fault diagnosis of industrial machines: a survey
CN111783941A (zh) 一种基于概率置信度卷积神经网络的机械设备诊断分类方法
CN116958701A (zh) 一种基于改进vgg16与图像增强的网络异常流量检测方法
Ma Summary of research on application of deep learning in image recognition

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant