基于DCVAE-ELM的立铣刀磨损状态识别方法
作者:
作者单位:

大连理工大学机械工程学院 大连,116024

作者简介:

通讯作者:

李宏坤,男,1974年9月生,博士、教授。主要研究方向为机械系统动态测控、微弱信号特征提取、故障诊断及可靠性分析。E-mail:lihk@dlut.edu.cn

中图分类号:

TH165+.3;TP206

基金项目:

国家自然科学基金资助项目(U1808214);大连市科技创新基金资助项目(2021JJ12GX011)


Author:
Affiliation:

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    在立铣刀铣削过程中,由于工件较硬、切削深度较大、采用摆线铣加工方式使刀具磨损较快、空刀段较多,无法准确识别刀具磨损状态。针对这种情况,提出了一种利用深度约束变分自编码器(deep-constrained variational auto-encoder,简称DCVAE)和极限学习机(extreme learning machine,简称ELM)的刀具磨损状态识别方法。首先,将电流有效值信号、加速度信号和声压信号进行融合,将其转化为三维彩色图像;其次,采用DCVAE模型对彩色图像中包含的数据进行降维处理,提取其中的隐藏特征信息,增加编码器以增强提取数据特征的能力,利用约束条件使特征分布进一步集中;然后,使用特征可视化技术直观表现刀具不同磨损状态的特征类聚;最后,采用极限学习机对特征进行分类识别,得到刀具磨损状态的识别准确率为95.07%。通过实验分析及模型对比表明,本研究方法抗干扰能力强、稳定性好,能够准确识别刀具磨损状态。

    Abstract:

    参考文献
    相似文献
    引证文献
引用本文
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:2022-12-13
  • 最后修改日期:2023-06-25
  • 录用日期:
  • 在线发布日期: 2025-09-03
  • 出版日期:
您是第位访问者
振动、测试与诊断 ® 2025 版权所有
技术支持:北京勤云科技发展有限公司