基于一维卷积长短时记忆网络的多信号融合刀具磨损评估

摘要：

为实现刀具磨损状态的有效在线监测,提出一种基于一维卷积长短时记忆网络的多信号融合刀具磨损评估模型.该模型综合使用加工过程中主轴和工作台的振动和声发射信号,以实现信号间的优势互补,弥补单一信号的不足;基于一维卷积的特征学习能力和长短时记忆网络的时序特征分析能力,充分挖掘信号中包含的刀具磨损状态信息;最后通过全连接层和softmax分类器对刀具磨损状态进行评估.试验结果表明,该模型在各单一工况下对刀具磨损状态的识别准确率均可达93.8％以上,整体工况下识别准确率达95.3％,具有很好的稳定性和多工况通用性.

关键词：刀具磨损、状态评估、多信号融合、一维卷积、长短时记忆网络

所属期刊栏目：39

分类号：TG71;TP183(刀具、磨料、磨具、夹具、模具和手工具)

资助基金：上海市人工智能创新发展专项2019-RGZN-01026

在线出版日期：2021-06-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：8-14