CN109434564A - 一种基于深度神经网络的铣刀磨损状态监测方法 - Google Patents
一种基于深度神经网络的铣刀磨损状态监测方法 Download PDFInfo
- Publication number
- CN109434564A CN109434564A CN201811567849.1A CN201811567849A CN109434564A CN 109434564 A CN109434564 A CN 109434564A CN 201811567849 A CN201811567849 A CN 201811567849A CN 109434564 A CN109434564 A CN 109434564A
- Authority
- CN
- China
- Prior art keywords
- cutting force
- cutting
- cutter
- wear state
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
- B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
- B23Q17/0957—Detection of tool breakage
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本发明涉及一种基于深度神经网络的铣刀磨损状态监测方法,包括如下步骤:采集加工过程中切削力信号,利用6层db8小波对采集到的切削力信号进行小波包分解,使用64个子能量带作为DNN网络的输入。将多个DAE层层堆叠形成DNN隐层结构,通过逐层无监督的学习,实现故障信息的层层提取,完成预训练后,添加具有分类功能的输出层,使用BP算法,微调DNN的参数,最终预测刀具磨损状态。本发明可摆脱对信号处理专家经验的依赖,快速准确的识别出不同加工条件下的铣刀磨损状态,具有监测精度高,适应性强等特点。
Description
技术领域
本发明属于数控机床刀具磨损检测技术领域,更具体的说,涉及一种基于深度神经网络的铣刀磨损状态监测方法。
背景技术
刀具状态智能在线监测技术作为先进制造技术的重要组成部分,己经成为近年来该研究领域的主题;刀具作为切削过程的直接执行者,在工件的切削加工过程中不可避免地存在着磨损和破损等现象,刀具状态的变化直接导致切削力增加、切削温度升高、工件表面粗糙度上升、工件尺寸超出公差、切削颜色变化以及切削颤振的产生,因此,需要对刀具进行磨损状态监测。
刀具磨损状态智能监测技术是指在产品加工过程中,针对检测到的各类传感器信号进行数据处理,采用特征识别模型实时的预测刀具磨损和破损的状态,从而准确提醒刀具更换时间。研究表明,CNC机床配备刀具监测系统后可减少故障停机时间的75%,生产效率提高10-60%,机床利用率提高50%。
目前刀具磨损状态监测技术已经有了长足的发展,但是还没有能够应用与不同加工条件下的监测方法,现有的方法应用范围有限,而且主要依赖信号处理技术和诊断经验,远没有达到智能化的要求,在实际应用方面存在着一定的局限性。
发明内容
要解决的技术问题:
针对现有技术的缺陷或改进需求,本发明提出了一种基于深度神经网络的铣刀磨损状态监测方法,该发明能够摆脱对信号处理技术和诊断经验的依赖,实现刀具磨损特征的自适应提取,具有监测精度高,实时性强,适用性强等优点。
技术方案:
步骤1:在某一工况下,使用恒定的切削参数对材料进行加工,刀具在侧边上铣削加工,测量该过程中的切削力信号,同时测量每次加工后刀具的后刀面磨损量并将归一化处理后的刀面磨损值作为神经网络的输出值;
步骤2:利用MATLAB小波包函数工具箱将切削力在时频域下进行六层分解重构,得到每个频段的小波包系数,使用第6层的64个子能量带作为切削力特征;
步骤3:将步骤2得到的切削力特征输入到DNN网络中进行训练,通过多个自动编码器逐层训练,得到能够自适应的表征原始数据特征的特征向量,通过BP算法微调整个网络参数,最终输出刀具磨损状态。
编码网络通过编码函数将每一个训练样本变换成编码矢量,采用以下公式:
式中为编码函数,表示第m组的切削力特征,1≤m≤50,为编码网络的激活函数,为编码网络的参数集合, 。
编码矢量 通过解码函数 反向变换为的一种重构表示,采用以下公式:
式中为解码网络的激活函数:为解码网络的参数集合, 。
与的重构误差用表示,并且满足以下条件:
式中,通过最小化重构误差,表示编码矢量能很好的重构,也就认为它保留了训练样本数据中所含有的大部分信息。
采用Kistler9123C旋转式测力计测量该过程中的切削力信号。
有益效果:
本发明提出了一种基于深度神经网络的铣刀磨损状态监测方法,克服了传统刀具监测技术对信号处理技术和诊断经验的依赖,能够自适应的提取可以表征刀具磨损状态的传感器信息特征无须依靠专家经验,最大程度上减少人工特征对结果的影响。具有多层次的特征表达能力,获取更加抽象的数据特征,提高数据特征的有效性。
附图说明
图1为刀具磨损在线监测方法流程图;
图2为铣削力信号图;
图3为小波包分解结构图;
图4为小波包变换图;
图5为自动编码器的模型结构图;
图6为DNN预训练过程图;
图7为训练误差曲线图。
具体实施方式
现结合实施例、附图对本发明作进一步描述:
本发明基于深度神经网络的铣刀磨损状态监测方法的步骤为:
步骤一:在某一工况下,使用恒定的切削参数对钦合金材料进行加工,刀具在工件上侧边铣削加工70次,采用Kistler9123C旋转式测力计测量该过程中的切削力信号,同时测量每次加工后刀具的后刀面磨损状态,提取其中50组刀具磨损状态作为神经网络的输出用于训练;
步骤二:利用六层小波包分析将滤波后的切削力信号在时频域下进行分解重构,使用64个子能量带作为切削力特征用于后续DNN神经网络的训练;
步骤三:将从步骤二得到的50组切削力特征作为DNN网络的输入,将测量的50组刀具后刀面磨损状态作为DNN神经网络的输出端对网络进行训练,将其余的20组作为刀具磨损监测实验;输入的切削力特征经过稀疏自编码网络得到编码矢量,利用解码层对编码矢量进行重构获得重构数据,通过多个自动编码网路,逐层提取特征,直至重构误差小于预测值,然后通过BP算法微调整个网络参数,最终输出刀具磨损状态。
编码网络通过编码函数将每一个训练样本变换成编码矢量,采用以下公式:
式中为编码函数,表示第m组的切削力特征,1≤m≤50,为编码网络的激活函数,为编码网络的参数集合, 。
编码矢量 通过解码函数 反向变换为的一种重构表示,采用以下公式:
式中为解码网络的激活函数:为解码网络的参数集合, 。
与的重构误差用表示,并且满足以下条件:
式中,通过最小化重构误差,表示编码矢量能很好的重构,也就认为它保留了训练样本数据中所含有的大部分信息。
参照附图1,以铣削通用航空材料钛合金加工过程为例,对本发明的具体实施方式进行描述。
本发明提出一种基于深度神经网络的铣刀磨损状态监测方法,附图1表示该刀具磨损监测方法具体流程,主要包括三个步骤。
步骤一:在某一工况下,使用恒定的切削参数对零件进行加工,铣刀在钛合金工件上铣削加工径向距离1mm,轴向切深2mm的侧边70次,刀具从初始磨损变为磨钝磨损,测量每次加工后刀具的后刀面磨损量,提取其中50组刀具磨损测量值作为DNN神经网络的输出值进行训练,同时,采用KIStler9123C旋转式测力计测量该过程中的切削力,采取的原始切削力信号如图2所示。使用恒定切削参数可以减少变形量,降低计算难度,并且旋转测力仪具有测力信号稳定,安装方便,抗干扰能力强等优点。
步骤二:使用六层小波包分析将原始的切削力信号在时频域下进行分解重构:
其中,n为频率指标,k为位置指标,j为尺度指标, 称为关于 的正交小波包基,由一个标准正交化的尺度函数,,由双尺度差分递归方程组,生成函数组:
其中,,为 导出的一对共轭正交滤波器系数;
小波包可以随着分辨率2j的增加,其变宽的频谱窗口具有进一步分割变细的优良品质,对于给定的信号,通过一组低高通组合,正交滤波器hk、gk可以将信号划分至任意频段上,使其在低频和高频都具有较高的时间和频率分辨率;本发明专利首先通过对加工过程中的切削力信号进行六层小波包分解,从小波包系数重构图中提取与磨损相关的切削力特征和切削振动特征,小波包分解过程如附图3的结构进行划分,j表示分解层数;其作用是:六层小波包分解可以将采样频率8kHZ的切削力信号,在频域上细分为64段,在时域上将每个频段的小波包系数进行重构,如图4所示为切削力原始信号经小波包变换后的结果,通过求解重构信号能量值,提取出与刀具磨损相关的频段信号,并将此信号的能量值作为刀具磨损特征值。
步骤三:将从步骤二得到的50组切削力特征作为DNN网络的输入,将测量的50组刀具后刀面磨损状态作为DNN神经网络的输出端对网络进行训练,将其余的20组作为刀具磨损监测实验;输入的切削力特征经过稀疏自编码网络得到编码矢量,图5为自动编码器结构构图;利用解码层对编码矢量进行重构获得重构数据,通过多个自动编码网络,逐层提取特征,直至重构误差小于预测值,完成预训练,图6为预训练过程图;然后通过BP算法微调整个网络参数,最终输出刀具磨损状态,图7为训练误差曲线图,如图7所示,此刀具磨损监测方法在准确性上满足要求。
编码网络通过编码函数将每一个训练样本变换成编码矢量,采用以下公式:
式中为编码函数,表示第m组的切削力特征,1≤m≤50,为编码网络的激活函数,为编码网络的参数集合, 。
编码矢量 通过解码函数 反向变换为的一种重构表示,采用以下公式:
式中为解码网络的激活函数:为解码网络的参数集合, 。
与的重构误差用表示,并且满足以下条件:
式中,通过最小化重构误差,表示编码矢量能很好的重构,也就认为它保留了训练样本数据中所含有的大部分信息。
综上所述,提出的刀具磨损监测方法可以自适应的提取刀具磨损状况信号频谱中的磨损信息,摆脱了对大量信号处理知识和诊断工程经验的依赖,并取得了较高的监测精度;在面对复杂的加工环境时,可以更准确的识别刀具磨损状态。
Claims (2)
1.一种基于深度神经网络的铣刀磨损监测方法,其特征在于步骤如下:
步骤1:在某一工况下,使用恒定的切削参数对材料进行加工,刀具在侧边上铣削加工,测量该过程中的切削力信号,同时测量每次加工后刀具的后刀面磨损量并将归一化处理后的刀面磨损值作为神经网络的输出值;
步骤2:利用MATLAB小波包函数工具箱将切削力在时频域下进行六层分解重构,得到每个频段的小波包系数,使用第6层的64个子能量带作为切削力特征;
步骤3:将步骤2得到的切削力特征输入到DNN网络中进行训练,通过多个自动编码器逐层训练,得到能够自适应的表征原始数据特征的特征向量,通过BP算法微调整个网络参数,最终输出刀具磨损状态。
2.根据权利要求1所述基于深度神经网络的铣刀磨损状态监测方法,其特征在于:采用Kistler9123C旋转式测力仪测量加工过程的切削力信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811567849.1A CN109434564A (zh) | 2018-12-21 | 2018-12-21 | 一种基于深度神经网络的铣刀磨损状态监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811567849.1A CN109434564A (zh) | 2018-12-21 | 2018-12-21 | 一种基于深度神经网络的铣刀磨损状态监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109434564A true CN109434564A (zh) | 2019-03-08 |
Family
ID=65558580
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811567849.1A Pending CN109434564A (zh) | 2018-12-21 | 2018-12-21 | 一种基于深度神经网络的铣刀磨损状态监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109434564A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109822399A (zh) * | 2019-04-08 | 2019-05-31 | 浙江大学 | 基于并行深度神经网络的数控机床刀具磨损状态预测方法 |
CN110000610A (zh) * | 2019-04-17 | 2019-07-12 | 哈尔滨理工大学 | 一种基于多传感器信息融合及深度置信网络的刀具磨损监测方法 |
CN110472635A (zh) * | 2019-07-19 | 2019-11-19 | 西北工业大学 | 基于深度学习的刀具特征识别方法 |
CN111360582A (zh) * | 2020-01-17 | 2020-07-03 | 华中科技大学 | 一种刀具磨损状态辨识方法 |
CN111890125A (zh) * | 2020-06-30 | 2020-11-06 | 厦门嵘拓物联科技有限公司 | 一种刀具状态在线监测方法和管理系统 |
CN112247673A (zh) * | 2020-09-07 | 2021-01-22 | 博深普锐高(上海)工具有限公司 | 一种基于遗传bp神经网络的木工刀具磨损状态诊断方法 |
CN112372372A (zh) * | 2020-12-07 | 2021-02-19 | 哈尔滨理工大学 | 一种高效铣刀累积摩擦磨损边界识别与验证方法 |
CN113414638A (zh) * | 2021-06-04 | 2021-09-21 | 西北工业大学 | 一种基于铣削力时序图深度学习的变工况铣刀磨损状态预测方法 |
TWI763234B (zh) * | 2020-11-27 | 2022-05-01 | 財團法人工業技術研究院 | 刀具狀態評估系統及方法 |
CN114714146A (zh) * | 2022-04-08 | 2022-07-08 | 北京理工大学 | 一种同时预测表面粗糙度和刀具磨损的方法 |
CN116061004A (zh) * | 2022-10-14 | 2023-05-05 | 哈尔滨理工大学 | 振动作用下铣刀瞬态切削能效分布的变化特性的识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105834834A (zh) * | 2016-04-21 | 2016-08-10 | 四川大学 | 基于果蝇优化算法的铣刀磨损状态监测方法 |
CN106124212A (zh) * | 2016-06-16 | 2016-11-16 | 燕山大学 | 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法 |
CN106271881A (zh) * | 2016-08-04 | 2017-01-04 | 华中科技大学 | 一种基于SAEs和K‑means的刀具破损监测方法 |
CN107877262A (zh) * | 2017-11-13 | 2018-04-06 | 华中科技大学 | 一种基于深度学习的数控机床刀具磨损监测方法 |
CN108356606A (zh) * | 2018-03-19 | 2018-08-03 | 西北工业大学 | 基于小波包分析与rbf神经网络的刀具磨损在线监测方法 |
-
2018
- 2018-12-21 CN CN201811567849.1A patent/CN109434564A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105834834A (zh) * | 2016-04-21 | 2016-08-10 | 四川大学 | 基于果蝇优化算法的铣刀磨损状态监测方法 |
CN106124212A (zh) * | 2016-06-16 | 2016-11-16 | 燕山大学 | 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法 |
CN106271881A (zh) * | 2016-08-04 | 2017-01-04 | 华中科技大学 | 一种基于SAEs和K‑means的刀具破损监测方法 |
CN107877262A (zh) * | 2017-11-13 | 2018-04-06 | 华中科技大学 | 一种基于深度学习的数控机床刀具磨损监测方法 |
CN108356606A (zh) * | 2018-03-19 | 2018-08-03 | 西北工业大学 | 基于小波包分析与rbf神经网络的刀具磨损在线监测方法 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109822399A (zh) * | 2019-04-08 | 2019-05-31 | 浙江大学 | 基于并行深度神经网络的数控机床刀具磨损状态预测方法 |
CN109822399B (zh) * | 2019-04-08 | 2020-07-14 | 浙江大学 | 基于并行深度神经网络的数控机床刀具磨损状态预测方法 |
CN110000610A (zh) * | 2019-04-17 | 2019-07-12 | 哈尔滨理工大学 | 一种基于多传感器信息融合及深度置信网络的刀具磨损监测方法 |
CN110472635A (zh) * | 2019-07-19 | 2019-11-19 | 西北工业大学 | 基于深度学习的刀具特征识别方法 |
CN111360582A (zh) * | 2020-01-17 | 2020-07-03 | 华中科技大学 | 一种刀具磨损状态辨识方法 |
CN111360582B (zh) * | 2020-01-17 | 2021-07-27 | 华中科技大学 | 一种刀具磨损状态辨识方法 |
CN111890125B (zh) * | 2020-06-30 | 2021-06-22 | 厦门嵘拓物联科技有限公司 | 一种刀具状态在线监测方法和管理系统 |
CN111890125A (zh) * | 2020-06-30 | 2020-11-06 | 厦门嵘拓物联科技有限公司 | 一种刀具状态在线监测方法和管理系统 |
CN112247673A (zh) * | 2020-09-07 | 2021-01-22 | 博深普锐高(上海)工具有限公司 | 一种基于遗传bp神经网络的木工刀具磨损状态诊断方法 |
TWI763234B (zh) * | 2020-11-27 | 2022-05-01 | 財團法人工業技術研究院 | 刀具狀態評估系統及方法 |
CN112372372A (zh) * | 2020-12-07 | 2021-02-19 | 哈尔滨理工大学 | 一种高效铣刀累积摩擦磨损边界识别与验证方法 |
CN112372372B (zh) * | 2020-12-07 | 2022-09-02 | 哈尔滨理工大学 | 一种高效铣刀累积摩擦磨损边界识别与验证方法 |
CN113414638A (zh) * | 2021-06-04 | 2021-09-21 | 西北工业大学 | 一种基于铣削力时序图深度学习的变工况铣刀磨损状态预测方法 |
CN114714146A (zh) * | 2022-04-08 | 2022-07-08 | 北京理工大学 | 一种同时预测表面粗糙度和刀具磨损的方法 |
CN116061004A (zh) * | 2022-10-14 | 2023-05-05 | 哈尔滨理工大学 | 振动作用下铣刀瞬态切削能效分布的变化特性的识别方法 |
CN116061004B (zh) * | 2022-10-14 | 2023-08-08 | 哈尔滨理工大学 | 振动作用下铣刀瞬态切削能效分布的变化特性的识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109434564A (zh) | 一种基于深度神经网络的铣刀磨损状态监测方法 | |
CN108356606B (zh) | 基于小波包分析与rbf神经网络的刀具磨损在线监测方法 | |
CN110000610A (zh) | 一种基于多传感器信息融合及深度置信网络的刀具磨损监测方法 | |
Liu et al. | Recent advancements in empirical wavelet transform and its applications | |
CN109916628B (zh) | 基于改进多尺度幅值感知排列熵的滚动轴承故障诊断方法 | |
Shao et al. | Power signal separation in milling process based on wavelet transform and independent component analysis | |
CN107702922B (zh) | 基于lcd与堆叠自动编码器的滚动轴承故障诊断方法 | |
Gharavian et al. | Comparison of FDA-based and PCA-based features in fault diagnosis of automobile gearboxes | |
CN103345200B (zh) | 一种基于广义区间的切削加工颤振辨识方法 | |
CN107877262A (zh) | 一种基于深度学习的数控机床刀具磨损监测方法 | |
CN113420691A (zh) | 一种基于皮尔逊相关系数的混合域特征轴承故障诊断方法 | |
Liao et al. | An automatic filtering method based on an improved genetic algorithm—with application to rolling bearing fault signal extraction | |
CN104330258A (zh) | 一种基于特征参量的滚动轴承故障灰色关联度辨识方法 | |
CN109632312A (zh) | 基于多约束非负矩阵分解算法的轴承复合故障诊断方法 | |
CN105865784A (zh) | 基于局部均值分解和灰色关联的滚动轴承检测方法 | |
Lin et al. | Fault diagnosis of aero-engine bearing using a stacked auto-encoder network | |
Wang et al. | A deep neural network based on kernel function and auto-encoder for bearing fault diagnosis | |
CN104708497A (zh) | 一种基于电流与声发射复合信号的刀具磨损监测系统 | |
CN106553084B (zh) | 一种基于小波包变换和近似熵特征的机床颤振在线监测方法 | |
Imoru et al. | Diagnosis of stator shorted-turn faults in induction machines using discrete wavelet transform | |
Li et al. | Gear multi-faults diagnosis of a rotating machinery based on independent component analysis and fuzzy k-nearest neighbor | |
Deng et al. | Fault diagnosis of rolling bearing using the hermitian wavelet analysis, KPCA and SVM | |
CN113225089A (zh) | 一种工业机器人多通道监测数据压缩方法及系统 | |
Feng et al. | Multiscale singular value manifold for rotating machinery fault diagnosis | |
Li et al. | A new method of nonlinear feature extraction for multi-fault diagnosis of rotor systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190308 |