论文部分内容阅读
铣刀作为叶轮生产加工中的核心工具,其加工过程中的磨损状态评估是加工安全性以及成本节约的保证。本文以数控机床主轴电机电流信号为监测信号设计数据采集实验,搭建实验平台获取铣刀磨损信号数据集,通过深度学习算法对数据集进行数据验证测试,确定适合用于铣刀磨损状态评估的算法模型,并结合大数据平台以及LabVIEW编程实现数据流传递以及在线监测系统的开发。本课题的主要研究内容如下:(1)综合分析国内外文献并对刀具磨损机理进行研究,通过理论分析及公式推导,验证了使用机床主轴电流信号可代替切削力信号作为铣刀磨损状态分析和评定依据的可行性,设计了相应的数据采集试验方案,采集了圆鼻铣刀及球头铣刀数据集,并对实验数据集进行初步分析和处理。(2)基于CSSAE的铣刀磨损状态评估模型构建。结合CNN较强的数据压缩能力以及SSAE的高测试精度构建了卷积堆栈稀疏自动编码器(CSSAE)算法模型,并利用数据集验证调参,确定最优化网络参数,使其在拥有高精度测试能力的同时,样本训练速度也得到了有效的提高,可作为铣刀磨损状态评估的算法模型。(3)结合Hadoop与Spark构建Hadoop-Spark大数据框架,将采集获取的实验数据以数据集的形式分块存储在HDFS中以待调用,再于Spark中利用CSSAE算法程序调用数据集并分析,验证使用大数据平台分析的可行性。(4)基于LabVIEW编程对于数据采集存储及分析算法可嵌入兼容的优越性,开发铣刀磨损状态在线评估系统。利用训练好的CSSAE算法模型对铣刀磨损状态进行分析,实现在线监测;利用RNN进行磨损曲线拟合,预测铣刀磨损趋势。