为提高刀具磨损的监测精度和效率,针对加工过程中刀具磨损状态监测出现的数据不均衡问题,提出一种基于深度迁移混合模型的刀具磨损状态监测方法。通过混合类平衡正则化、数据增强与批量归一化技术对经过图像编码的数据集进行图像预处理,再利用ResNet32残差神经网络从图像中自适应地提取相关重要特征,然后采用ResNet32残差神经网络作为分类器进行两阶段训练,采用标签感知平滑优化损失函数,通过参数迁移获得最优分类模型。结果表明所提方法有效改善了刀具磨损监测数据不均衡的问题,与目前的基于深度学习的刀具磨损监测方法相比,在准确率和计算效率方面均有较大提高。

为了解决复杂多工况下刀具磨损状态的监测问题,提出一种基于深度学习的刀具磨损状态监测方法,并构建敏感特征值提取函数。基于刀具磨损数据集,建立多种工况下刀具磨损状态的监测模型,进行多工况下刀具磨损状态监测研究。研究结果表明:当敏感值界限设置为0.3时,从声发射、振动和电流信号的特征值中可以提取出56个敏感特征值;以均方根误差作为评价函数,得到测试样本的评价函数均值为0.123;模型对严重磨损状态下的刀具磨损监测效果优于对正常磨损状态下的刀具磨损监测效果;多组重复性验证证明所提出的监测方法稳定有效。

刀具磨损状态监测的研究中,采用传统BP算法的神经网络识别切削过程中的刀具磨损量,具有局限性。文中提出了一种改进的BP神经网络结构,选取了新的BP算法,并对网络结构参数进行优化调整。对振动信号和AE信号分析后提取出刀具磨损特征量输入改进的BP神经网络,经过训练后用于识别刀具磨损状态。通过比较,改进的BP神经网络的收敛速度明显提高,且减小了识别误差。实验证实了其可行性和有效性。