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

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

一种数字孪生驱动的数控铣削刀具磨损在线监测方法

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X_R＝{R_1X,R_1Y,R_1Z,R_2X,R_2Y,R_2Z}，其中R_1X,R_1Y,R_1Z,R_2X,R_2Y,R_2Z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，R_1X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：

式中，

为一维卷积运算，X_i为每一次卷积输入的第i条数据，N_l-1为第l-1层神经元个数，K_i为卷积内核，b_i为偏差。

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X_s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X_e＝{x₁,x₂,…,x_m}，假设X_e对应的特征值分别为{λ₁,λ₂,…,λ_m}。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,a_p)，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a_p，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):

式中，n为输入值的个数，α_i为线性叠加权系数，

为径向函数，p为形状参数。

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,…,x_k}，构成新的数据集Q＝{(X_i,y_i),＝1,2,…,h}。其中X_i和y_i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：

式中，w^T为决策面的法向量，c为偏置量，

为特征集从低维到高维的映射。

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,a_p)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,a_p,a_e}。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,a_p，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：

式中，f(X)为离线刀具磨损预测模型，w^T为决策面的法向量，c为偏置量，

为特征集从低维到高维的映射；

(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,a_p)+ε

式中，g(t,n,f,a_p)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a_p为切削深度，ε为噪声。

Images