刀具磨损监测
问题和对治措施
原材料损耗和机器停机是导致机械加工制造业经济损失的主要原因，而机器停机主要是由于加工设备持续的刀具磨损引起的[1]。为避免对加工工件的表面质量以及对加工设备造成有害影响，有必要对刀具磨损进行实时监测，以期刀具在磨损损坏前能够被即时更换。
刀具磨损监测方法
刀具磨损的监测方法分为直接测量和间接测量[1]。
SRE实战 互联网时代守护先锋，助力企业售后服务体系运筹帷幄！一键直达领取阿里云限量特价优惠。直接测量包括光学测量、计算机视觉、X射线等；
间接测量是用相应的传感器测量与刀具磨损相关的信号，通过对信号的处理分析得到刀具的磨损量。由于间接方法具有安装方便等优点，更适合于工业现场在线监测。
在间接测量中，主要使用切削力[2]、振动[3]、声发射E4]等传感器，实现对加工刀具的实时监测。
目前，主要通过以下机器学习方法进行传感器数据的处理以及预测模型建立：隐马尔可夫模型(HiddenMarkov Model，HMM)[s-6]、小波转换(WaveletTransformation，WT)[7|、模糊回归模型[8]、神经网络(Neural Network，NN)[9]、模糊神经网络(FuzzyNeural Networks，FNN)[to-n]、贝叶斯网络[12]和支持向量机(Support Vector Machine，SVM)D3]等。
方法评价
一方面，这些方法在对模型进行训练与测试前，需要对采集到的传感器数据进行预处理，并提取和刀具磨损相关的特征，往往费时费力，而且要依赖于以往的经验知识；另一方面，样本数据训练使用浅层学习模型，由于浅层模型的收敛速度不可控以及容易造成局部最优，当神经网络的层数多于两层时很难用传统的梯度下降法优化。
深度学习相比传统机器学习的优点
相较于传统的机器学习方法，深度学习具有很多优点：
①完全可以省略数据的预处理，直接应用原始数据进行模型训练与测试；
②具有多层神经网络，完全克服了浅层模型在收敛速度和优化方法中的缺陷。
