基于深度学习的拉削刀具磨损状态识别模型

摘要：

拉削是航空发动机涡轮盘榫槽的关键加工工艺,拉刀在工作过程中的异常状态若不能被及时发现并加以干预,将引起严重的破坏,目前尚无先进的人工智能方法解决这一问题.本文提出了一种拉削刀具磨损状态识别模型(DSBiLSTM),该模型基于具有特征重用优势的稠密连接网络(DenseNet)设计了DenseNet(3-2),实现空间特征提取和降维,并设计了堆叠的双向长短期记忆网络(SBiLSTM),实现时序特征提取,两者优势互补,将多尺度融合提取特征纳入到多个全连接层(FNN)和Softmax层,实现刀具磨损状态识别.基于创新的识别模型,设计了涡轮盘榫槽拉削加工实验,采用了基于混淆矩阵的性能指标体系,将所提出的模型与单个特征提取模型进行比较.实验结果表明,DSBiLSTM模型在刀具磨损状态预测中具有突出性能,识别准确率达到98.73％,单个样本的识别速度提高到11 ms.

关键词：深度学习、拉削加工、刀具磨损、状态识别、稠密连接网络(DenseNet)、长短期记忆网络(LSTM)

所属期刊栏目：32

分类号：TP391.41;TP183;V263.5

资助基金：国家自然科学基金;浙江省基础公益研究计划资助项目

在线出版日期：2023-02-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：1089-1100