一維殘差卷積神經網絡的刀具磨損識別方法研究

楊斌,，樊志剛,，王建國,，王民，李志星,

（1.內蒙古科技大學機械工程學院，內蒙古包頭 014010；2.內蒙古自治區機電系統智能診斷與控制重點實驗室，內蒙古包頭 014010；3.北京工業大學機械工程與應用電子技術學院先進制造技術北京重點實驗室，北京 100124）

機床刀具作為數控機床的主要末端執行件對于工件表面加工質量、精度有著直接影響，研究表明，盡管機床刀具成本不到加工成本的4%[1]，但由刀具狀態異常導致的停機時間占據了總停機時間的10% ～40%[2]。因此，對于刀具磨損狀態進行預測對改善加工效率和提高經濟效益有著重要作用。同時由于制造過程中影響刀具磨損因素的復雜性、多變性，目前主要采用間接法對刀具磨損狀態進行預測，間接法主要是通過采集加工過程信號，對信號進行分析處理提取與刀具狀態相關特征信息后，建立與刀具磨損狀態的映射關系。常用信號包括切削力、振動、主軸電流以及功率信號等，由于間接法對加工過程的影響較小，在工業領域更受歡迎[3]。

目前深度學習在圖像識別[4]、電力負荷預測[5]和故障診斷[6]等工業領域被廣泛使用。相比于傳統機器學習，深度學習主要是對特征提取和分類過程進行強化，同時自動的從信號中對特征進行提取。近年來，以卷積神經網絡（Convolutional neural network，CNN）為代表的深度學習網絡目前在刀具磨損狀態監測領域已經開展了相關研究。Gouarir 等[7]基于格拉姆角和場（GASF）將力信號轉換為二維圖像，由分段聚類近似對圖像進行平滑和降維處理后使用卷積神經網絡對刀具磨損狀態進行預測。……