| 应申舜*,傅晨泰*,林绿胜**,吕晓敏**,张顺琦***,易凯*.基于深度学习的拉削刀具磨损状态识别模型[J].高技术通讯(中文),2022,32(10):1089~1100 |
| 基于深度学习的拉削刀具磨损状态识别模型 |
| Recognition model of broaching tool wear state based on deep learning |
| |
| DOI：10.3772/j.issn.1002-0470.2022.10.010 |
| 中文关键词: 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） |
| 英文关键词: deep learning, broaching process, tool wear, state recognition, densely connected network (DenseNet), long short-term memory (LSTM) |
| 基金项目: |
| 作者 | 单位 | | 应申舜* | （*浙江工业大学机械工程学院杭州 310032）
（**浙江畅尔智能装备股份有限公司缙云 321404）
（***上海大学机电工程与自动化学院上海200444） | | 傅晨泰* | （*浙江工业大学机械工程学院杭州 310032）
（**浙江畅尔智能装备股份有限公司缙云 321404）
（***上海大学机电工程与自动化学院上海200444） | | 林绿胜** | （*浙江工业大学机械工程学院杭州 310032）
（**浙江畅尔智能装备股份有限公司缙云 321404）
（***上海大学机电工程与自动化学院上海200444） | | 吕晓敏** | （*浙江工业大学机械工程学院杭州 310032）
（**浙江畅尔智能装备股份有限公司缙云 321404）
（***上海大学机电工程与自动化学院上海200444） | | 张顺琦*** | （*浙江工业大学机械工程学院杭州 310032）
（**浙江畅尔智能装备股份有限公司缙云 321404）
（***上海大学机电工程与自动化学院上海200444） | | 易凯* | （*浙江工业大学机械工程学院杭州 310032）
（**浙江畅尔智能装备股份有限公司缙云 321404）
（***上海大学机电工程与自动化学院上海200444） |
|
| 摘要点击次数: 741 |
| 全文下载次数: 735 |
| 中文摘要: |
| 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11ms。 |
| 英文摘要: |
| Broaching is a key processing technology for the tongue and groove of aero-engine turbine disks. If the abnormal state of the broach during the working process cannot be detected and intervened in time, it will cause serious damage. This paper proposes a model (DSBiLSTM) for identifying the wear status of broaching tools. In the proposed model, densely connected network (DenseNet)(3-2) is designed based on the DenseNet network to achieve spatial feature extraction and dimensionality reduction with the advantage of feature reuse, and a stacked Bi-directional long short-term memory (LSTM) network (SBiLSTM) is realized for time feature extraction. Features are extracted by multi-scale fusion and incorporated into multiple fully connected layers (FNN) and Softmax layers to realize tool wear status recognition. Based on the innovative recognition model, a broaching experiment of the tongue and groove of the turbine disk is designed, and the performance index system based on the confusion matrix is used to compare the proposed model with the single feature extraction model. The experimental results show that DSBiLSTM has outstanding performance in the prediction of tool wear status, and the recognition accuracy rate reaches 98.73%, and the recognition speed of a single sample is increased to 11ms. |
|
查看全文
查看/发表评论 下载PDF阅读器 |
| 关闭 |
|
|
|
