利用TensorFlow机器学习框架建立了前馈神经网络模型,以三个切削参数作为输入变量,分别是刀具切削深度ap、切削速度vc和进给量f,输出变量是表征工件表面粗糙度的三个指标,即轮廓算数平均偏差Ra、轮廓最大高度Ry或微观不平度十点高度Rz。利用数控车床加工数据对神经网络进行训练,训练好的网络可以用来预测工件的表面粗糙度。预测结果表明基于TensorFlow框架的表面粗糙度预测方法具有建模方便和精度高的特点,因此提出的方法对车削工艺的智能化编制有一定的参考价值。

随着人工智能与制造业深度融合,制造过程的智能化必然对工件检测提出了更高的要求。为了提高工件检测的准确率和普适性,这里在研究深度学习相关理论的基础上,提出了一种基于深度学习工件检测方法。首先,对深度学习主流的模型结构YOLO与Faster-RCNN检测算法进行分析,构建基于深度学习的工件检测模型;然后,针对深度学习检测模型结构存在的问题,提出了API-MASK算法,优化了工件检测模型;在此基础上,采用深度学习框架Tensorflow对工件定位、分类及表面缺陷检测。实验表明,推荐的工件检测方法不仅具有较高的准确率,而且有较强的检测适应性,为工件柔性检测提供了一种途径。