CN113126564B - 一种数字孪生驱动的数控铣削刀具磨损在线监测方法 - Google Patents
一种数字孪生驱动的数控铣削刀具磨损在线监测方法 Download PDFInfo
- Publication number
- CN113126564B CN113126564B CN202110452092.7A CN202110452092A CN113126564B CN 113126564 B CN113126564 B CN 113126564B CN 202110452092 A CN202110452092 A CN 202110452092A CN 113126564 B CN113126564 B CN 113126564B
- Authority
- CN
- China
- Prior art keywords
- data
- digital twin
- model
- numerical control
- control milling
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
- G05B19/4065—Monitoring tool breakage, life or condition
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/37—Measurements
- G05B2219/37616—Use same monitoring tools to monitor tool and workpiece
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
Abstract
本发明考虑数字孪生驱动下的数控铣削刀具磨损在线监测,首先提出了数字孪生驱动的在线监测方法架构,然后对数字孪生数据进行特征的提取和降维,考虑了数据的变偏差并建立了变偏差量化模型,基于此,采用一种神经网络方法建立了数字孪生驱动下的数控铣削刀具磨损在线预测模型。
Description
技术领域
本发明涉及机械切削加工领域,具体涉及数字孪生驱动的数控铣削刀具磨损在线监测方法。
背景技术
数控铣削是机械加工中常用的加工方式,随着加工的不断进行,铣刀磨损加剧甚至断裂,会增加刀具使用成本,影响工件的表面质量,降低生产效率。为了降低数控铣削的生产成本和提高机床的生产效率,需要监测刀具的磨损值来决策换刀的时机。但加工过程中动态数据难以在线监测,而数字孪生驱动下的在监测方法具有实时性与保真性,能够实时采集加工过程的动态数据。因此,数字孪生驱动的数控铣削的刀具磨损在线监测是一个亟需解决的问题。
发明内容
本发明提供了一种数字孪生驱动的数控铣削刀具磨损在线监测方法。
为实现本发明目的而采用的技术方案是这样的,即数字孪生驱动的数控铣削刀具磨损在线监测方法,包括以下步骤:
步骤1:构建数字孪生驱动的数控铣削刀具磨损在线监测方法框架;
步骤2:对实际采集的机床多源数据输入到数字孪生系统,进行孪生数据的特征提取和降维,经过提取和降维的数据为特征数据;
步骤3:基于步骤2的特征数据,采用一种代理方法建立刀具磨损时的变偏差量化模型;
步骤4:基于步骤2和步骤3的特征数据和变偏差量化模型,采用一种神经网络方法建立刀具磨损在线预测模型。
优选地,步骤1构建数字孪生驱动的数控铣削刀具磨损在线监测方法框架如图1所示。
优选地,步骤2对孪生数据的特征进行提取和降维遵循以下步骤:
在数字孪生系统中针对振动、切削力、主轴功率等不同的信号建立了不同的神经网络模型,将采集频率高的振动和切削力信号输入卷积神经网络进行特征提取,将采集频率低的主轴功率信号输入BP神经网络进行特征提取。具体提取过程如下:
基于数字孪生系统特征提取模块,采用卷积神经网络对信号数据集R1、R2自动进行特征提取。卷积神经网络的输入XR={R1X,R1Y,R1Z,R2X,R2Y,R2Z},其中R1X,R1Y,R1Z,R2X,R2Y,R2Z分别为振动信号、切削力信号X、Y、Z三个方向采样后的样本数据集,R1X数据为:
式中,s为每个样本数据点数,h为数据条数。
卷积神经网络包含卷积层、池化层以及全连接层。其中卷积层通过卷积计算对输入的数据进行特征提取,卷积运算公式如下:
经过数字孪生系统数据特征提取后,将数据集输入数字孪生系统特征降维模块,对数据进行降维,该模块的输入Xs为:
采用主成分分析法(PCA)对车间的孪生数据进行降维处理。通过正交变换,将n维数据映射到m维上(m<n,n=a+b+4)。其中输出特征的集合Xe={x1,x2,…,xm},假设Xe对应的特征值分别为{λ1,λ2,…,λm}。每个特征的贡献率J为:
优选地,步骤3采用一种径向基函数代理方法建立刀具磨损时的变偏差量化模型,其建立过程如下:
机床的逐步老化会对刀具的磨损造成影响,故基于历史数据的离线预测模型会有误差。因此,建立了变偏差拟合模型g(t,n,f,ap),变量为开始实验建立离线预测模型后机床连续切削时间t、主轴转速n、进给速度f和切削深度ap,响应值为与第一次实验的磨损差值△VB。具体采用径向基函数代理模型(RBF):
优选地,步骤4所述采用的支持回归向量机神经网络建立刀具磨损在线预测模型为:
经过数字孪生系统数据处理后,振动、切削力以及功率信号的特征集X={x1,x2,…,xk},构成新的数据集Q={(Xi,yi),=1,2,…,h}。其中Xi和yi分别为输入值和输出值。在高维特征空间中,基于历史数据训练的回归模型为:
本发明采用高斯白噪声来模拟刀具时变磨损中的不确定性。高斯白噪声的幅度服从高斯分布,记为ε~N(μ,σ2),μ为高斯分布的均值,σ2为方差,且功率谱密度服从均匀分布。
综合考虑基于历史数据训练的刀具磨损预测模型、刀具磨损时变偏差量化模型和考虑加工过程中不确定性的高斯白噪声,故数控铣削刀具磨损在线预测模型为:
Y=f(X)+g(t,n,f,ap)+ε
式中,f(X)为离线刀具磨损预测模型,g(t,n,f,ap)为三种代理模型中精度最高的一种,ε为噪声。在线预测模型过程如图2所示。
优选地,考虑一种数字孪生驱动的数控铣削刀具磨损在线监测方法,其特征在于:使用支持回归向量机预测算法进行预测,包括但不限于支持回归向量机算法。
附图说明
图1数控铣削刀具磨损在线监测方法框架
图2刀具磨损数字孪生在线预测模型
图3实验设备
图4超景深显微镜下刀具磨损图
图5预测结果图
具体实施方式
下面结合附图和实施案例对本发明作进一步说明,但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下,根据本领域普通技术知识和惯用手段,做出各种替换和变更,均应包括在本发明的保护范围内。
本案例以重庆某机床集团生产的VGC1500龙门型立式加工中心为平台,搭建刀具磨损在线预测实验环境,通过外加传感器、与机床的数控系统和电气柜连接通讯采集切削加工过程中的多源数据,其设备如图3所示。同时使用超景深三维显微系统测量车刀后刀面磨损值,磨损过程如图4所示。
本发明使用10mm的新合金铣刀进行切削实验,使用的工件尺寸大小为120×120×20mm,材料为45钢,设计了三因素四水平正交实验,采用16组加工参数进行加工实验,每次切削走刀120mm,每组加工参数走刀8次,每走刀一次,测量一次刀具磨损值,加工参数如表1所示。同时,为了拟合考虑机床老化的刀具磨损时变偏差量化模型,在6、8、11月初在相同条件下按上述加工步骤进行加工,得到3个数据集。
表1切削实验加工参数
在切削加工过程中,每走刀一次,使用超景深显微镜测量刀具磨损值。
数控铣削数字孪生系统采集的总数据集M={M0,M1,M2},其中M0,M1,M2分别是2020年6月、8月和11月在相同加工条件下采集的数据,每个月均包含128个数据文件,每个数据文件内容如表2所示。
表2刀具磨损数据集
预测过程如下:
(1)特征提取
将M0数据集的振动和切削力数据样本输入CNN中,其结构为4层卷积层、4层池化层和1层全连接层,卷积层参数如表3所示,池化核大小为3,全连接层节点数为64,CNN卷积步长为2。最后输出的特征值为{x1,x2,…,x64}。
表3卷积层参数
卷积层 | 卷积核个数 | 卷积核大小 | 通道数 | 激活函数 |
C1 | 16 | 3 | 6 | ReLU |
C2 | 64 | 3 | 16 | ReLU |
C3 | 128 | 3 | 64 | ReLU |
C4 | 64 | 3 | 128 | ReLU |
将功率信号数据样本输入BP神经网络中,由于数据样本较少,采用三层BP神经网络,包括一个输入层、隐含层和一个输出层。训练次数为300次,训练误差为0.001,输入层节点数为{i1,i2,…,i20},隐含层神经元个数为30个,输出层输出10个特征为{x65,x66,…,x74}。
(2)特征降维
将振动、切削力和功率信号提取的特征与加工参数融合,组成特征集{x1,x2,…,x64,x65,…,x74,n,f,ap,ae}。将特征集输入数字孪生数据降维模块,使用PCA降维,最后提取的特征数为20个,累计贡献率为91.7847%,可反应原特征集的信息。
(3)预测模型
①时变偏差量化模型
为了拟合出机床老化对刀具磨损的影响,计算M1、M2与M0在相同时段的刀具磨损差值,变量为t,n,f,ap,得到新的磨损差值数据集M3,如表4所示。
表4磨损差值的数据集M3
采用RSM、Kriging、RBF模型对实验数据进行拟合,将数据的15%作为测试集。三种代理模型的测试结果如表5所示。由表结果可知,RBF的RMSE、MAE最小,R2最大,即拟合精度最高,故将RBF函数作为考虑机床老化的时变模型。
表5代理模型测试结果
模型 | MAPE | RMSE | MAE | R2 |
RSM | 0.0425 | 6.8358 | 18.1900 | 0.9247 |
Kriging | 0.1047 | 9.5301 | 25.5348 | 0.8842 |
RBF | 0.0454 | 6.1847 | 17.9930 | 0.9512 |
②在线预测模型
M0数据集在经过数字孪生特征降维模块后,输入SVR预测模型的特征集为{t1,t2,…,t20},SVR的超参数有内核函数类型kernel type,惩罚因子Regularizationconstant C,核系数gamma。设置kernel type值为RBF,C的值为1000,gamma的值为0.01。
通过以上模型的建立,M0数据集使用本发明方法预测结果如图5所示。
由以上可知,数字孪生驱动的刀具磨损在线监测方法有效的实现了刀具磨损的在线预测,有利于对刀具状态进行实时的判断,对实际刀具的更换有着重要指导意义。
本发明提出一种数字孪生驱动的刀具磨损在线监测方法,实时对刀具磨损状态进行判断,不仅能延长刀具使用寿命,减少刀具使用数量,同时提高了工件的表面质量,节约了生产成本。相比于固定工艺参数加工方法,数字孪生驱动的刀具磨损在线监测方法能够实现刀具磨损的精确预测。
Claims (1)
1.一种数字孪生驱动的数控铣削刀具磨损在线监测方法,其特征在于,包括以下步骤:
步骤1:构建数字孪生驱动的数控铣削刀具磨损在线监测方法框架;
步骤2:对实际采集的机床多源数据输入到数字孪生系统,进行孪生数据的特征提取和降维,经过提取和降维的数据为特征数据;
步骤3:基于步骤2的特征数据,采用一种代理方法建立刀具磨损的时变偏差量化模型;
步骤4:基于步骤2和步骤3的特征数据和时变偏差量化模型,采用一种神经网络方法建立刀具磨损在线预测模型;
步骤2对实际采集的机床多源数据输入到数字孪生系统,进行孪生数据的特征提取和降维,过程如下:
在数字孪生系统中针对振动、切削力、主轴功率不同的信号建立了不同的神经网络模型,将采集频率高的振动和切削力信号输入卷积神经网络进行特征提取,将采集频率低的主轴功率信号输入BP神经网络进行特征提取,经过数字孪生系统数据特征提取后,将数据集输入数字孪生系统特征降维模块,对孪生数据进行降维处理,步骤4建立在线预测模型,其具体过程如下:
(1)离线刀具磨损预测模型为:
(2)考虑刀具磨损时变偏差量化模型和考虑加工过程中不确定性的高斯白噪声;
(3)建立最终刀具磨损在线预测模型,并输出预测结果:
Y=f(X)+g(t,n,f,ap)+ε
式中,g(t,n,f,ap)为时变偏差量化模型,t为切削时间、n为主轴转速、f为进给速度和ap为切削深度,ε为噪声。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110452092.7A CN113126564B (zh) | 2021-04-23 | 2021-04-23 | 一种数字孪生驱动的数控铣削刀具磨损在线监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110452092.7A CN113126564B (zh) | 2021-04-23 | 2021-04-23 | 一种数字孪生驱动的数控铣削刀具磨损在线监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113126564A CN113126564A (zh) | 2021-07-16 |
CN113126564B true CN113126564B (zh) | 2023-03-21 |
Family
ID=76780349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110452092.7A Active CN113126564B (zh) | 2021-04-23 | 2021-04-23 | 一种数字孪生驱动的数控铣削刀具磨损在线监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113126564B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113586028B (zh) * | 2021-07-21 | 2024-03-29 | 太原理工大学 | 基于数字孪生的反井钻机扩孔刀盘的智能监控系统 |
CN114169108B (zh) * | 2021-12-29 | 2022-07-08 | 广东工业大学 | 一种基于数字孪生的减材加工实时仿真方法 |
TWI826127B (zh) * | 2022-11-17 | 2023-12-11 | 國立中正大學 | 運用數位孿生法之加工監測系統及其方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111774931A (zh) * | 2020-06-16 | 2020-10-16 | 中译语通科技(青岛)有限公司 | 数控车削批量加工刀具磨损在线监测方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3208757A1 (en) * | 2016-02-17 | 2017-08-23 | Plataine Ltd. | Tracking production in a production facility, using searchable digital threads |
CN107186547A (zh) * | 2017-05-25 | 2017-09-22 | 重庆大学 | 基于切削功率的数控车削批量加工刀具磨损在线监测方法 |
CN109814937A (zh) * | 2017-11-20 | 2019-05-28 | 广东欧珀移动通信有限公司 | 应用程序预测模型建立、预加载方法、装置、介质及终端 |
CN108356606B (zh) * | 2018-03-19 | 2020-05-01 | 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 |
CN109571141A (zh) * | 2018-11-01 | 2019-04-05 | 北京理工大学 | 一种基于机器学习的刀具磨损状态监测方法 |
CN109615113B (zh) * | 2018-11-19 | 2022-12-30 | 江苏科技大学 | 一种基于数字孪生的船用柴油机关重件加工质量预测方法 |
EP3792709A1 (de) * | 2019-09-10 | 2021-03-17 | Avalance UG (haftungsbeschränkt) | Analysevorrichtung für betriebsgeräusche einer werkzeugmaschine |
CN110900307B (zh) * | 2019-11-22 | 2020-12-15 | 北京航空航天大学 | 一种数字孪生驱动的数控机床刀具监控系统 |
CN111178456B (zh) * | 2020-01-15 | 2022-12-13 | 腾讯科技(深圳)有限公司 | 异常指标检测方法、装置、计算机设备和存储介质 |
-
2021
- 2021-04-23 CN CN202110452092.7A patent/CN113126564B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111774931A (zh) * | 2020-06-16 | 2020-10-16 | 中译语通科技(青岛)有限公司 | 数控车削批量加工刀具磨损在线监测方法 |
Non-Patent Citations (1)
Title |
---|
李聪波.基于切削功率的数控车削批量加工刀具磨损在线监测.2017,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113126564A (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113126564B (zh) | 一种数字孪生驱动的数控铣削刀具磨损在线监测方法 | |
CN111300146B (zh) | 基于主轴电流和振动信号的数控机床刀具磨损量在线预测方法 | |
CN111633467B (zh) | 一种基于一维深度卷积自动编码器的刀具磨损状态监测方法 | |
CN106842922B (zh) | 一种数控加工误差优化方法 | |
CN111563301A (zh) | 一种薄壁件铣削加工参数优化方法 | |
CN111660141B (zh) | 一种工况无关的基于主轴驱动电流的铣刀磨损状态识别方法 | |
CN112247674B (zh) | 一种刀具磨损预测方法 | |
CN110263474A (zh) | 一种数控机床的刀具寿命实时预测方法 | |
CN111475921A (zh) | 一种基于边缘计算和lstm网络的刀具剩余寿命预测方法 | |
CN114619292B (zh) | 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法 | |
CN113798920A (zh) | 一种基于变分自动编码器与极限学习机的刀具磨损状态监测方法 | |
Yao et al. | Tool remaining useful life prediction using deep transfer reinforcement learning based on long short-term memory networks | |
Quintana et al. | Prediction, monitoring and control of surface roughness in high-torque milling machine operations | |
CN111126255A (zh) | 基于深度学习回归算法的数控机床刀具磨损值预测方法 | |
CN111881860B (zh) | 滚刀磨损在位识别模型建模方法及滚刀磨损在位识别方法 | |
CN117250912A (zh) | 一种多神经网络融合的机床工艺参数自适应控制方法 | |
CN114326593B (zh) | 一种刀具寿命预测系统及方法 | |
Samhouri et al. | Surface roughness in grinding: on-line prediction with adaptive neuro-fuzzy inference system | |
CN112372371B (zh) | 数控机床刀具磨损状态评估方法 | |
Xie et al. | A generic evolutionary ensemble learning framework for surface roughness prediction in manufacturing | |
Bılgıc et al. | A study on prediction of surface roughness and cutting tool temperature after turning for s235jr steel | |
CN114918736B (zh) | 一种适用于难加工材料的智能工艺系统 | |
CN116372665A (zh) | 一种基于opc ua的航空数控机床刀具健康监测方法 | |
Reser et al. | Grinding burn prediction with artificial neural networks based on grinding parameters | |
Zou et al. | Development of a tool wear online monitoring system for dry gear hobbing machine based on new experimental approach and DAE-BPNN-integrated mathematic structure |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |