Wear Status Recognition for Milling Cutter Based on Compressed Sensing and Noise Stacking Sparse Auto-encoder

作者：Hongkun Li, HAO Baitian, Yuebang Dai, YANG Rui · 发表于：Journal of Mechanical Engineering · 年份：2019 · DOI：10.3901/jme.2019.14.001 · 被引用次数：6 · 研究领域：Advanced machining processes and optimization、Industrial Vision Systems and Defect Detection、Gear and Bearing Dynamics Analysis

摘要： 数控机床在加工过程中，刀具磨损会对被加工零件的表面质量、尺寸精度产生巨大影响，而传统依靠切削力系数来分析刀具磨损的方法，需要在工作台上安装额外测力装置，这将干扰机床正常加工，限制被加工零件尺寸，引起加工质量降低等问题，限制了其在实际工业环境中的应用。针对上述问题，提出利用主轴电流结合深度学习网络识别铣刀磨损状态的监测方法。首先，理论论证利用主轴电流代替切削力识别刀具磨损的可行性；然后，利用压缩感知对电流信号的频域数据进行数据压缩，其中为提高网络的鲁棒性，对观测信号添加高斯白噪音；最后，将压缩后的数据输入堆栈稀疏自编码网络，利用有监督学习与无监督学习相结合的方法，提取刀具磨损所引起的特征信息，用于表征刀具磨损程度。试验结果表明，该方法可以有效对铣刀磨损程度进行识别。