行业分类-物理装置-基于度量学习的车削加工刀具磨损状态监测方法.zip

利用SolidWorks建立了三维车削模型,基于DEFORM-3D软件对车削过程进行了仿真模拟,得出了刀具在车削过程中的磨损数据,利用BP神经网络对数据进行了曲线拟合,得出了刀具磨损预测曲线图。

采用这一PLS算法预测的例子，可以应用到故障诊断领域

深度学习已逐渐应用于机械加工状态监测领域。但是，目前只能进行单任务预测，这会增加实验成本，浪费数据集，重复工作。提出了一种基于深度信念网络(DBN)的多任务学习方法，可用于刀具磨损状况和零件表面质量的预测。将DBN网络最后几个隐含层的单任务数据传输改进为多任务并行数据传输，使改进后的DBN能够实现多任务学习。多任务学习模型的损失函数定义为所有单个任务损失函数的加权和。通过改变损失函数的相应系数，可以调整相应任务的重要性。此外，多任务深度学习方法可以实现信息共享，抑制过拟合，提高预测精度，减少计算时间。结合上述改进，建立了刀具磨损与零件表面质量的多任务模型。在KVC850M三轴立式加工中心上进行了实验验证。结果表明，该多任务预测模型用于刀具磨损预测的准确率为97.59%，用于零件表面质量预测的准确率为92.66%。

ISO刀具磨损相关标准

基于深度学习的刀具磨损状态监测技术的研究，基于深度学习的刀具磨损状态监测技术的研究

针对刀具使用时加工参数多变的实际情况，提出使用最小二乘支持向量机(is—s、rIⅥ)建立模型并对刀具磨损进行预测：首先引入最小二乘支持向量机建立刀具磨损模型，然后针对具体实验数据，采用交叉验证的办法，选取优化的核参数。实验和仿真结果表明：该模型可以有效地学习刀具磨损中的非线性关系，刀具磨损的预测精度较高。因此该模型可以用作对实际加工中的刀具磨损进行有效预测，并为切削参数的实际选择提供依据。