[1]刘胜辉,张人敬,张淑丽,等. 基于深度神经网络的切削刀具剩余寿命预测[J].哈尔滨理工大学学报,2019,(03):1-8.[doi:10.15938/j.jhust.2019.03.001]
 LIU Sheng hui,ZHANG Ren jing,ZHANG Shu li,et al. Prediction of Remaining Life of Cutting Tool Based on DNN[J].哈尔滨理工大学学报,2019,(03):1-8.[doi:10.15938/j.jhust.2019.03.001]
点击复制

 基于深度神经网络的切削刀具剩余寿命预测()
分享到:

《哈尔滨理工大学学报》[ISSN:1007-2683/CN:23-1404/N]

卷:
期数:
2019年03期
页码:
1-8
栏目:
数理科学
出版日期:
2019-06-24

文章信息/Info

Title:
 Prediction of Remaining Life of Cutting Tool Based on DNN
文章编号:
1007-2683(2019)03-0001-08
作者:
 刘胜辉张人敬张淑丽马超张宏国
 (哈尔滨理工大学 软件学院,黑龙江 哈尔滨 150080)
Author(s):
 LIU ShenghuiZHANG RenjingZHANG ShuliMA ChaoZHANG Hongguo
 (School of Software, Harbin University of Science and Technology, Harbin 150080, China)
关键词:
 深度神经网络 切削刀具 特征提取 刀具剩余寿命预测
Keywords:
 deep neural network cutting force feature extraction prediction of remaining useful life
分类号:
TP301
DOI:
10.15938/j.jhust.2019.03.001
文献标志码:
A
摘要:
 为了更好的解决切削刀具剩余寿命难以准确预测这一问题,从监控指标选取、数据特征提取以及预测模型建立等方面进行了深入的研究。首先,选取切削力和切削振动两项信号作为初始数据,两者可有效反映刀具的工作状态,为分析刀具磨损过程提供数据支持。其次,使用小波包分析方法进行数据降噪,实现特征提取,得到监控数据的熵值化结果。然后,将该结果作为预测模型的输入,训练和测试深度神经网络,建立刀具剩余寿命预测模型。最后,使用实际加工数据对该预测方法进行验证实验,验证结果表明该模型能有效的预测剩余寿命。
Abstract:
 In order to better solve the problem that the remaining life of cutting tool is difficult to predict accurately, this paper studies three aspects of the selection of monitoring indexes, the extraction of data features and the establishing of prediction models Firstly, Cutting force and vibration frequency were selected as the indirect monitoring indexes of cutting tool These two indexes can accurately reflect the state of cutting tool, and also can solve the problem that the selecting the direct monitoring indexes causes, the wear analysis results of cutting tool being too subjective in the traditional state monitoring method Secondly, feature extraction is carried out by using wavelet packet analysis, and then the entropy values of the monitoring data are obtained They are taken as the input data Thirdly, the input data are used as the training data and testing data of the prediction model based on Deep Neural Network (DNN) Finally, the simulation experiments of the prediction method are carried out by using the real data of the workshop The results show that the model can effectively predict the useful life

参考文献/References:

[1]谢规良, 孙树栋, 刘冉, 等. 基于关键设备的计划调度模型与应用[J]. 航空制造技术, 2003(5):37.
[2]李海清, 涂海宁, 刘建胜, 等. 制造执行系统中基于状态的关键设备预防性维护研究[J]. 机械设计与制造, 2006, 12(7): 178.
[3]刘献礼,刘强,岳彩旭, 等. 切削过程中的智能技术[J/OL]. 机械工程学报, 2017(6): 1.
[4]KRAMER B. M., VONTURKOVICH B. F. A Comprehensive Tool Wear Model[J]. Cirp AnnalsManufacturing Technology, 1986, 35(1):67.
[5]杨志波, 董明. 动态贝叶斯网络在设备剩余寿命预测中的应用研究[J]. 计算机集成制造系统, 2007, 13(9): 178.
[6]任淑红, 左洪福. 基于性能衰退的航空发动机剩余寿命组合预测方法[J]. 机械科学与技术, 2011, 30(1): 23.
[7]奚立峰, 黄润青, 李兴林, 等. 基于神经网络的球轴承剩余寿命预测[J]. 机械工程学报, 2007, 43(10): 137.
[8]赵敏, 高宏力, 许明恒, 等. 多变量灰色模型在滚珠丝杠剩余寿命预测中的应用[J]. 计算机集成制造系统, 2011, 17(4): 846.
[9]刘锐, 王玫, 陈勇. 铣刀磨损量检测和剩余寿命预测方法研究[J]. 现代制造工程, 2010(6): 102.
[10]徐玲, 杨丹, 王时龙, 等. 基于进化神经网络的刀具寿命预测[J]. 计算机集成制造系统, 2008, 14(1): 167.
[11]刘宇, 汪惠芬, 刘庭煜. 一种基于多特征和支持向量机的刀具磨损状态识别技术[J]. 制造业自动化, 2016, 38(5): 132.
[12]李威霖. 车铣刀具磨损状态监测及预测关键技术研究[D]. 成都:西南交通大学,2013.
[13]周喜寿. 基于小波包分析和BP神经网络的车牌识别算法的研究[D]. 成都:西南交通大学,2010.
[14]王登, 苗夺谦, 王睿智. 一种新的基于小波包分解的EEG特征抽取与识别方法研究[J]. 电子学报, 2013, 41(1): 193.
[15]何正友, 蔡玉梅, 钱清泉. 小波熵理论及其在电力系统故障检测中的应用研究[J]. 中国电机工程学报, 2005, 25(5): 38.
[16]张华荣. 基于小波熵的变形信号分析方法研究[D]. 淄博:山东理工大学,2012.
[17]QIU H, LEE J, LIN J, et al. Robust Performance Degradation Assessment Methods for Enhanced Rolling Element Bearings Prognostics[J]. Advanced Engineering Informatics, 2003,17(4):127.
[18]刘献礼,刘铭,何耿煌, 等. 重型切削过程硬质合金刀片的冲击破损行为[J]. 机械工程学报,2014,50(23):175.
[19]何耿煌,吴冲浒,刘献礼, 等. 可转位刀片断屑槽断屑性能及其槽构技术研究[J]. 哈尔滨理工大学学报,2015,20(3):13.
[20]袁帅. 环形铣刀铣削拼接淬硬钢模具切削性能研究[D].哈尔滨:哈尔滨理工大学,2017.

相似文献/References:

[1]孙永全,郭建英,陈洪科,等.AMSAA模型可靠性增长预测方法的改进[J].哈尔滨理工大学学报,2010,(05):49.
 SUN Yong-quan,GUO Jian-ying,CHEN Hong-ke,et al.An Improved Reliability Growth Prediction Algorithm Based on AMSAA Model[J].哈尔滨理工大学学报,2010,(03):49.
[2]滕志军,李晓霞,郑权龙,等.矿井巷道的MIMO信道几何模型及其信道容量分析[J].哈尔滨理工大学学报,2012,(02):14.
 TENG Zhi-jun,LI Xiao-xia,ZHENG Quan-long.Geometric Model for Mine MIMO Channels and Its Capacity Analysis[J].哈尔滨理工大学学报,2012,(03):14.
[3]李艳苹,张礼勇.新训练序列下的改进OFDM符号定时算法[J].哈尔滨理工大学学报,2012,(02):19.
 LI Yan-ping,ZHANG Li-yong.An Improved Algorithm of OFDM Symbol Timing Based on A New Training Sequence[J].哈尔滨理工大学学报,2012,(03):19.
[4]赵彦玲,车春雨,铉佳平,等.钢球全表面螺旋线展开机构运动特性分析[J].哈尔滨理工大学学报,2013,(01):37.
 ZHAO Yan-ling,CHE Chun-yu,XUAN Jia-ping,et al.[J].哈尔滨理工大学学报,2013,(03):37.
[5]李冬梅,卢旸,刘伟华,等.一类具有连续接种的自治SEIR传染病模型[J].哈尔滨理工大学学报,2013,(01):73.
 LI Dong-mei,LU Yang,LIU Wei-hua.[J].哈尔滨理工大学学报,2013,(03):73.
[6]华秀英,刘文德.奇Hamiltonian李超代数偶部的非负Z-齐次导子空间[J].哈尔滨理工大学学报,2013,(01):76.
 HUA Xiu-ying,LIU Wen-de.[J].哈尔滨理工大学学报,2013,(03):76.
[7]桂存兵,刘洋,何业军,等.基于LCC谐振电路阻抗匹配的光伏发电最大功率点跟踪[J].哈尔滨理工大学学报,2013,(01):90.
 GUI Cun-bing,LIU Yong,HE Ye-jun.[J].哈尔滨理工大学学报,2013,(03):90.
[8]翁凌,闫利文,夏乾善,等.PI/TiC@Al2O3复合薄膜的制备及其电性能研究[J].哈尔滨理工大学学报,2013,(02):25.
 WENG Ling,YAN Li-wen,XIA Qian-shan.[J].哈尔滨理工大学学报,2013,(03):25.
[9]姜彬,林爱琴,王松涛,等.高速铣刀安全性设计理论与方法[J].哈尔滨理工大学学报,2013,(02):63.
 JIANG Bin,LIN Ai-qin,WANG Song-tao,et al.[J].哈尔滨理工大学学报,2013,(03):63.
[10]李星纬,李晓东,张颖彧,等.EVOH 磺酸锂电池隔膜的制备及微观形貌[J].哈尔滨理工大学学报,2013,(05):18.
 LI Xing- wei,LI Xiao- dong,ZHANG Ying- yu,et al.The Preparation and Microcosmic Morphology oEVOH- SO Li Lithium Ion Battery Septum[J].哈尔滨理工大学学报,2013,(03):18.

备注/Memo

备注/Memo:
 收稿日期: 2017-06-29
基金项目: 国家自然科学基金(51375128);黑龙江省教育厅科学技术研究项目(12541159);黑龙江省普通高等学校青年创新人才培养计划项目(UNPYSCT-2016032)
作者简介:
张人敬(1993—),男,硕士研究生;
张淑丽(1969—),女,硕士
通信作者:
刘胜辉(1961—),男,博士,教授,E-mail:hrbust.lsh@126.com.
更新日期/Last Update: 2019-06-20