基于EEMDFK和注意力CNN网络的刀具磨损状态识别

• Published in: 计算机集成制造系统 Vol. 29; no. 10; pp. 3413 - 3424
• Main Authors: 吴继春, 阳广兴, 许可, 周灭旨, 胡柱, 范大鹏
• Format: Journal Article
• Language: Chinese
• Published: 湘潭大学机械工程学院,湖南 湘潭 411105%国防科技大学智能科学学院,湖南 长沙 410073 2023
• Subjects: 注意力机制; deep learning; 快速谱峭度; attention mechanism; 深度学习; 刀具磨损; tool wear; 集合经验模式分解; ensemble empirical mode decomposition; fast-Kurtogram
• ISSN: 1006-5911
• DOI: 10.13196/j.cims.2023.10.017

TP319.7; 针对加工数据采集存在数据量大且干扰信号复杂,导致刀具磨损状态识别方式复杂、识别精度低等问题,提出一种基于快速谱峭度图的集合经验模态分量选取(EEMDFK)与注意力机制的卷积神经网络(ACNN)相结合的识别方法.针对集合经验模态存在选取模态分量困难的情况,引用快速谱峭度图选择策略选取最优分量.通过集合经验模式分解从所采集的不同状况下的刀具振动信号分解出故障信号特征;通过快速谱峭度图选择策略选取内在模函数并进行HHT时频分析,生成时频图;将时频图输入所设计的识别模型进行学习,通过注意力机制提高特征提取效率,并使保存的模型在测试集中对不同刀具磨损状态进行了识别.实验结果表明,该方法对刀具不同状态下的识别率可达99.7％,实现了不同磨损状态下刀具的智能识别,并具有较好的泛化能力和鲁棒性.