应用稀疏自编码器的刀具磨损状态监测分析.pdfVIP

总第262期机械管理开发Total262

2025年第2期MechanicalManagementandDevelopmentNo.2,2025

特性研究D0I:10.16525/14-1134/th.2025.02.007

应用稀疏自编码器的刀具香损状态监测分析

何宏伟，蒋新军

（开封技师学院智能制造学院，河南开封475000)

摘要：刀具磨损直接影响到制造车间的运行效率，为此开展应用稀疏自编码器的刀具磨损状态监测分析。实时采

集以及消除人为因素在参数选择方面造成影响的磨损检测技术，能够满足压缩感知和噪声环境中主轴电流需求。

研究结果表明：剥离掉自编码器的输出层信息，仅保留Encoder部分，利用这些特征参数作为新模型输入，构建出

稀疏自编码器。当磨损程度相近时，从主轴中测试的电机电流信号出现小幅改变，不能利用传统方式进行特征判

断，以本文方法对刀具磨损状态进行识别时实现98.6%的高准确率。该研究有助于提高刀具的使用效率，也可拓宽

到其他的工业监控领域。

关键词：刀具磨损；主轴电流；稀疏自编码器；状态监测

中图分类号：TH137文献标识码：A文章编号：1003-773X(2025)02-0020-03

0通过三相交流异步电机提供主轴动力，电机中形

引言

受到刀具磨损影响，除了会降低加工精度影响自成三相电流依次是i、i、iw，构建Im如下：

动对准性能外，还会引起工件直接损坏，导致生产效Im=V(i2+i2+i2)/3.(2)

率的显著降低,造成企业利润的下降[1-2]。传统形式的在上述式(1)中的转动惯量J与摩擦扭矩T属于

分析模式是以时域、频域进行综合判断来提取磨损数未知项。主轴在空转状态下铣削力F为O：

据[3],以力信号作为监测刀具磨损程度研究获得了较K,Im.,0=T,(3)

明显研究进展。张子盛等[4]建立基于EMD为PSO为△I=F,R/K,.(4)

HMM刀具磨损监控系统，采用EMD对加工过程中主式中：△I是铣削电流增加值。

轴电流信号特征提取，引人粒子群算法对模型输人参2刀具磨损状态监测

数进行全局搜索以达到最优值。郭润兰等[5]提出数据2.1压缩感知

驱动下深度堆叠稀疏降噪自编码网络的刀具磨损状深度学习在工业生产控制领域发挥很大作用，对

态识别方法，识别精度达到98%，并与最常用的刀具于生产过程状态监测起到关键效果，考虑到当前高精

磨损状态识别方法进行了对比。刘红军等[6提出基于度系统调控，为深度学习在这些领域应用推广起到极

快速谱峭度图的变分模态分解模态分量选取的卷积大推动作用[7]。

神经网络刀具磨损状态识别方法，该方法可准确清晰压缩感知(CS)的过程是在信号识别过程中采用

地展现刀具磨损状态的特征，实现对刀具不同磨损状一种创新波形映射策略，通过收集到的数据构建特有

态的实时智能识别。的波形投影矩阵[8]。基于压缩感知原理的分析，信号

本文根据上述研究结果开发了一种可以实现参在频域中展现出稀疏特性，运用测量矩阵对复杂高维

数实时采集以及消除人为因素在参数选择方面造成信号进行高效压缩映射，实现维度的有效降低。之后

影响的磨损检测技术，能够满足压缩感知和噪声环境利用算法获得最优结果并重构得到初始信号，由此验

中主轴电流分析。证在观测信号内可以全面反映初始信号特征。

1电流监测2.2稀疏自编码器