基于DNN的制造过程刀具工况视诊方法研究

doi:10.16731/j.cnki.1671-3133.2018.06.015

现代制造工程 ›› 2018, Vol. 453 ›› Issue (6): 81-85.doi: 10.16731/j.cnki.1671-3133.2018.06.015

基于DNN的制造过程刀具工况视诊方法研究

胡伟, 李鸣, 张宇, 王志鹏

南昌大学信息工程学院,南昌 330031

收稿日期:2017-02-18 出版日期:2018-06-18 发布日期:2018-07-20
作者简介:胡伟,硕士研究生在读,主要研究方向为图像识别、嵌入式系统。李鸣,博士,教授,主要研究方向为工业过程与装备先进控制技术。张宇,博士在读,主要研究方向为数控技术。王志鹏,硕士研究生在读,主要研究方向为嵌入式系统。E-mail:ihuwei8@qq.com

Research in tool condition visual diagnosis methods of manufacturing process based on DNN

Hu Wei, Li Ming, Zhang Yu, Wang Zhipeng

School of Information Engineering,Nanchang University,Nanchang 330031,China

Received:2017-02-18 Online:2018-06-18 Published:2018-07-20

摘要/Abstract

摘要： 制造过程的刀具工况监测是保证工件精确、高效及安全加工的重要环节。阐述了基于深度神经网络(Deep Neural Network,DNN)的刀具工况视诊方法的基本原理。在DNN结构和训练算法的基础上,研究了一种基于DNN的刀具工况识别方法。以CK6143\1000数控车床、KC5010车刀片以及奥氏体不锈钢304L的外圆车削加工过程为实验对象,采集了刀具图片进行实验,构建了一套用于刀具工况识别的DNN。结果表明:刀具工况识别准确率超过98 %,证明了方法的可行性和有效性,具有较好的工程应用价值。

关键词: 深度神经网络, 刀具工况, 视诊方法, 制造过程

Abstract: Tool state monitoring in manufacturing process is an important step to ensure accurate,efficient and safe machining of workpiece.The basic principle of tooling state diagnosis method based on Deep Neural Network (DNN) is described.Based on the study of DNN structure and training algorithm,a tool state recognition method based on DNN is studied.The cylindrical turning process of CK6143\1000 CNC lathe,KC5010 turning tool and austenitic stainless steel 304L is taken as the experiment object,and the tool image is collected to carry out experiment.A set of DNN for tool state recognition is realized.The result shows that the accuracy of tool state recognition is over 98 %,which proves the feasibility and validity of the method and has good engineering application value.

Key words: DNN, tool state, visual diagnosis method, manufacturing process

中图分类号:

TH16

胡伟, 李鸣, 张宇, 王志鹏. 基于DNN的制造过程刀具工况视诊方法研究[J]. 现代制造工程, 2018, 453(6): 81-85.

Hu Wei, Li Ming, Zhang Yu, Wang Zhipeng. Research in tool condition visual diagnosis methods of manufacturing process based on DNN[J]. Modern Manufacturing Engineering, 2018, 453(6): 81-85.

[1]	王蕾，何宸，曹建华，夏绪辉，张泽琳，. 考虑失效状态的废旧机械产品选择性拆卸序列规划方法[J]. 现代制造工程, 2022, 500(5): 145-152.
[2]	陈磊，王相柠，娄恒权，胡雨欣，贾记萌. 针对产能损失的生产线瓶颈辨识与转移预测[J]. 现代制造工程, 2022, 499(4): 21-28.
[3]	余淑均，宁莹珂，李胜强. 基于区块链的再制造工艺信息共享系统研究[J]. 现代制造工程, 2022, 499(4): 50-58.
[4]	周勇樟，王艳. 基于区间数聚类分析的多属性瓶颈区域识别方法[J]. 现代制造工程, 2022, 496(1): 1-9.
[5]	陈文洲. 模糊分布式柔性作业车间调度优化[J]. 现代制造工程, 2022, 496(1): 10-18.
[6]	苏军，孙鹏程，许小雷，张征，汪志斌，李军琪. 一种弱刚度件加固装夹技术研究[J]. 现代制造工程, 2022, 496(1): 67-71.
[7]	张喜庆,张爱梅. 加工误差和变形作用下的误差传递模型研究[J]. 现代制造工程, 2021, 495(12): 74-78.
[8]	陆家辉，吉卫喜，于俊杰，姜一啸. 改进混合Jaya优化算法求解柔性作业车间调度问题[J]. 现代制造工程, 2021, 494(11): 26-34.
[9]	吴雁，王晓军，何勇，黄新伟，肖礼军，郭立新. 数字孪生在制造业中的关键技术及应用研究综述[J]. 现代制造工程, 2021, 492(9): 137-145.
[10]	吴电建，张彪，周明刚. 面向排样方式中零件种类数约束的一维优化下料方法[J]. 现代制造工程, 2021, 491(8): 77-83.
[11]	夏绪辉，周诚，王蕾，张泽琳，刘翔. 废旧零/部件批量表面失效形式识别与分类方法研究[J]. 现代制造工程, 2021, 491(8): 147-154.
[12]	唐浩，黎向锋，张丽萍，王建明，叶磊，王子旋. 扰动机制下的遗传算法求解柔性作业车间调度[J]. 现代制造工程, 2021, 490(7): 1-9.
[13]	崔亚超，李义林. 高立柱群结构类零件精加工工艺优化设计[J]. 现代制造工程, 2021, 490(7): 83-87.
[14]	徐旭松，刘建，刘梦，吴德辉，孙志英. 装配虚拟边界及其仿真研究[J]. 现代制造工程, 2020, 474(3): 110-115.
[15]	郭文文,计明军,邓文浩. 矩形件优化排样算法研究[J]. 现代制造工程, 2020, 477(6): 86-93.

基于DNN的制造过程刀具工况视诊方法研究

Research in tool condition visual diagnosis methods of manufacturing process based on DNN

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics