轻量化CNN与时间序列融合识别刀具磨损方法

来源：机床与液压杂志2024年第17期北京时间：

作者：孔繁星，何腾飞，孙皓章

单位：吉林化工学院机电工程学院;海南科技职业大学机电工程学院；吉林化工学院机电工程学院；吉林化工学院机电工程学院

摘要：针对传统卷积神经网络刀具磨损程度识别方法网络模型体积大、结构复杂以及在线获取刀具磨损图像数据难的问题，提出一种将轻量卷积神经网络应用于刀具磨损程度识别的研究方法。将铣刀加工时产生的力信号与振动信号经格拉姆角场处理转化为图像数据集。再将图像数据分别输入到轻量级卷积神经网络MobilenetV2、MobilenetV3、ShuffleNet模型中进行对比分析。结果表明：在初期磨损和正常磨损阶段使用MobilenetV2，在急剧磨损阶段使用MobilenetV3对刀具磨损识别效果能够达到最佳。与一般卷积神经网络进行对比表明，轻量化卷积神经网络对刀具磨损识别效果优于一般卷积神经网络。该方法解决了刀具图像数据在线获取困难的问题，增加了信息处理的容错性，能有效减少模型体积和计算量，便于植入嵌入式系统并集成到机床系统中。

关键词：刀具磨损;深度学习;卷积神经网络;格拉姆角场

基金资助：吉林化工学院博士项目启动基金项目（吉化院博金合字2021第031号）