本文主要研究内容
作者王光铭（2019）在《手机壳高精加工的刀具磨损状态识别与剩余寿命预测》一文中研究指出：高精加工过程中,由于刀具的磨损,使得加工工件出现各种质量问题。以手机壳倒角高光加工为例,会出现拉丝、崩膜以及发雾等现象。有效的刀具磨损状态监测模型可以降低废品率,提高生产效率,对实现自动化生产有重要贡献。针对高精加工过程中,刀具磨损量小,传感器信号中刀具磨损敏感特征不易提取等难题,本文提出了基于卷积神经网络（CNN）的多传感器信号特征提取技术并结合极端梯度下降算法（XGBoost）,多层长短时记忆网络-粒子滤波（Stacked-LSTM-PF）进行刀具的磨损状态监测。根据实际的精加工刀具磨损特点以及常见的工件异常质量形式设计模拟实验,确定利用主轴振动、工件振动以及切削力信号的多传感器融合技术进行状态监测的实验方案。利用短时能量方法对加工信号进行截取与小波降噪处理。提出了对信号进行时频域特征提取,利用CNN进行特征二次提取的特征提取方法,利用基于距离评价技术和基于信息增益的方法进行特征选择,获取刀具磨损的敏感特征。建立SVM、决策树以及XGBoost的刀具磨损状态识别模型,分别对比时频域特征、原始信号直接用CNN提取的特征和CNN二次提取特征的分类结果。证明了本文提出的特征提取方法有效性以及XGBoost算法的优越性,准确率达到97.52%。提出了基于Stacked-LSTM-PF的刀具剩余寿命预测模型,利用Stacked-LSTM进行刀具磨损值的定量预测以及粒子滤波（PF）的刀具磨损物理模型的参数辨识。对比不同LSTM网络参数对刀具磨损值预测误差的影响,确立了隐含层为36个节点,LSTM堆叠层数为3层的网络结构的剩余寿命预测模型,磨损值预测平均平方损失误差（MSE）仅为3.8968(10-3),剩余寿命预测相差在5件以内。通过在某企业实际生产现场应用,证明了本文提出的特征提取方法、基于XGBoost磨损状态识别模型（准确率达95%）和基于Stacked-LSTM-PF剩余寿命预测模型（剩余寿命相差1件）的有效性。
Abstract
gao jing jia gong guo cheng zhong ,you yu dao ju de mo sun ,shi de jia gong gong jian chu xian ge chong zhi liang wen ti 。yi shou ji ke dao jiao gao guang jia gong wei li ,hui chu xian la si 、beng mo yi ji fa wu deng xian xiang 。you xiao de dao ju mo sun zhuang tai jian ce mo xing ke yi jiang di fei pin lv ,di gao sheng chan xiao lv ,dui shi xian zi dong hua sheng chan you chong yao gong suo 。zhen dui gao jing jia gong guo cheng zhong ,dao ju mo sun liang xiao ,chuan gan qi xin hao zhong dao ju mo sun min gan te zheng bu yi di qu deng nan ti ,ben wen di chu le ji yu juan ji shen jing wang lao （CNN）de duo chuan gan qi xin hao te zheng di qu ji shu bing jie ge ji duan ti du xia jiang suan fa （XGBoost）,duo ceng chang duan shi ji yi wang lao -li zi lv bo （Stacked-LSTM-PF）jin hang dao ju de mo sun zhuang tai jian ce 。gen ju shi ji de jing jia gong dao ju mo sun te dian yi ji chang jian de gong jian yi chang zhi liang xing shi she ji mo ni shi yan ,que ding li yong zhu zhou zhen dong 、gong jian zhen dong yi ji qie xiao li xin hao de duo chuan gan qi rong ge ji shu jin hang zhuang tai jian ce de shi yan fang an 。li yong duan shi neng liang fang fa dui jia gong xin hao jin hang jie qu yu xiao bo jiang zao chu li 。di chu le dui xin hao jin hang shi pin yu te zheng di qu ,li yong CNNjin hang te zheng er ci di qu de te zheng di qu fang fa ,li yong ji yu ju li ping jia ji shu he ji yu xin xi zeng yi de fang fa jin hang te zheng shua ze ,huo qu dao ju mo sun de min gan te zheng 。jian li SVM、jue ce shu yi ji XGBoostde dao ju mo sun zhuang tai shi bie mo xing ,fen bie dui bi shi pin yu te zheng 、yuan shi xin hao zhi jie yong CNNdi qu de te zheng he CNNer ci di qu te zheng de fen lei jie guo 。zheng ming le ben wen di chu de te zheng di qu fang fa you xiao xing yi ji XGBoostsuan fa de you yue xing ,zhun que lv da dao 97.52%。di chu le ji yu Stacked-LSTM-PFde dao ju sheng yu shou ming yu ce mo xing ,li yong Stacked-LSTMjin hang dao ju mo sun zhi de ding liang yu ce yi ji li zi lv bo （PF）de dao ju mo sun wu li mo xing de can shu bian shi 。dui bi bu tong LSTMwang lao can shu dui dao ju mo sun zhi yu ce wu cha de ying xiang ,que li le yin han ceng wei 36ge jie dian ,LSTMdui die ceng shu wei 3ceng de wang lao jie gou de sheng yu shou ming yu ce mo xing ,mo sun zhi yu ce ping jun ping fang sun shi wu cha （MSE）jin wei 3.8968(10-3),sheng yu shou ming yu ce xiang cha zai 5jian yi nei 。tong guo zai mou qi ye shi ji sheng chan xian chang ying yong ,zheng ming le ben wen di chu de te zheng di qu fang fa 、ji yu XGBoostmo sun zhuang tai shi bie mo xing （zhun que lv da 95%）he ji yu Stacked-LSTM-PFsheng yu shou ming yu ce mo xing （sheng yu shou ming xiang cha 1jian ）de you xiao xing 。
论文参考文献
论文详细介绍
论文作者分别是来自华中科技大学的王光铭，发表于刊物华中科技大学2019-10-11论文，是一篇关于高精加工论文,刀具磨损论文,剩余寿命预测论文,状态识别论文,华中科技大学2019-10-11论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自华中科技大学2019-10-11论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：高精加工论文; 刀具磨损论文; 剩余寿命预测论文; 状态识别论文; 华中科技大学2019-10-11论文;