文献类型：期刊文章

作　　者：杨斌[1,2] 樊志刚[1,2] 王建国[1,2] 王民[3] 李志星[1,2]

YANG Bin;FAN Zhigang;WANG Jianguo;WANG Min;LI Zhixing(School of Mechanical Engineering,Inner Mongolia University of Science and Technology,Baotou 014010,Inner Mongolia,China;Inner Mongolia Key Laboratory of Intelligent Diagnosis and Control of Mechatronic Systems,Baotou 014010,Inner Mongolia,China;Beijing Key Laboratory of Advanced Manufacturing Technology,College of Mechanical Engineering and Applied Electronics Technology,Beijing University of Technology,Beijing 100124,China)

机构地区：[1]内蒙古科技大学机械工程学院,内蒙古包头014010 [2]内蒙古自治区机电系统智能诊断与控制重点实验室,内蒙古包头014010 [3]北京工业大学机械工程与应用电子技术学院先进制造技术北京重点实验室,北京100124

出　　处：《机械科学与技术》

基　　金：国家自然科学基金项目(51865045,51805275);内蒙古自然科学基金重大项目(2018ZD06);内蒙古自治区高等学校科学研究项目(NJZY21380)。

年　　份：2022

卷　　号：41

期　　号：11

起止页码：1746-1752

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、JST、RCCSE、ZGKJHX、核心刊

摘　　要：传统的机器学习方法对于刀具磨损进行监测时需要人为提取特征,并且在刀具磨损监测过程出现所需时间较长、精度低等问题。本文提出基于一维残差卷积神经网络的刀具磨损状态识别方法。对原始振动信号进行小波包阈值降噪、快速傅里叶变换处理后,将生成的频谱数据作为残差卷积神经网络模型的输入,通过卷积连接、残差连接和融合等操作自动进行特征提取,最后与刀具磨损状态进行匹配。结果表明:与目前常用的其它神经网络相比较,本文所提出的方法在多次测试中后平均准确率提高了0.6%,训练耗时对于频谱图输入降低30%,具有流程简单、准确率更高的特点,相比于其他方法更有优势。

关 键 词：振动信号 残差连接  刀具磨损 卷积神经网络

分 类 号：TG71]