数控机床铣刀磨损状态监测方法研究.pdf

摘要

摘要

随着制造业向智能化转型的不断深入，数控机床刀具的状态监测成为提升生

产效率的关键技术。本研究搭建了基于多传感器数据和深度学习算法的刀具状态

监测系统，研究了基于注意力机制的一维卷积神经网络铣刀磨损状态分类方法和

BP

遗传算法优化的神经网络铣刀剩余寿命预测模型，实现了对数控机床铣刀磨损

状态的精准评估。

本文首先数据预处理方面，通过数据清洗和特征工程技术，有效地从原始数

据中提取具有代表性的特征，为后续的数据分析和模型构建提供准确的输入。针

对时域、频域和时频域特征提取，提出一种结合皮尔曼相关系数的特征综合选择

方法，确保了选取的特征与刀具磨损状态高度相关。

在模型构建方面，研究了深度学习算法，如一维卷积神经网络，且将注意力

机制引入一维卷积神经网络，大幅提升了一维卷积神经网络的分类准确性。通过

与传统机器学习方法进行比较，证明了所提出模型在分类上的准确性和可靠性方

面的优势；针对数控机床刀具的寿命预测提供了一种新的解决方案，基于遗传算

法优化BP神经网络和支持向量回归机，实现了对刀具剩余寿命的精准预测。

在系统开发方面，搭建了集成多传感器的刀具加工信息采集平台，该平台能

够实时采集刀具加工过程中的多种关键参数，如切削力、振动、声发射等；并将

本研究提出的算法模型集成至刀具状态监测系统中，实现了对刀具磨损状态和剩

余使用寿命的实时监测功能在实现生产智能化管理方面具有潜在价值。

关键词：刀具状态监控；卷积神经网络；注意力机制；遗传算法；

I

盐城工学院硕士学位论文

Abstract

Asmanufacturingindustriescontinuetotransitiontowardsintelligence,the

conditionmonitoringofnumericalcontrolmachinetoolcuttingtoolshasbecomeakey

technologyforimprovingproductionefficiency.Thisstudyhasestablishedatool

conditionmonitoringsystembasedonmulti-sensordataanddeeplearningalgorithms,

aimingtoachievetheclassificationevaluationofmillingcutterwearstatuson

numericalcontrolmachinetoolsandpredicttheremainingservicelife,inorderto

promotethedevelopmentofintelligentmanufacturing.

Intermsofdatapre-processing,thisarticleeffectivelyextractsrepresentative

featuresfromrawdatathroughdatacleaningandfeatureengineeringtechniques,

providingaccurateinputsforsubsequentdataanalysisandmodelconstruction.

Regardingtime-domain,frequency-domain,andtime-frequencydomain