CN114367710A - 一种基于深度学习和声发射信号的电火花加工控制方法 - Google Patents

Abstract

本发明公开了一种基于深度学习和声发射信号的电火花加工控制方法，包括将声发射传感器分别安装在加工工件表面及机床本体上；启动数据采集卡同步采集两路声发射信号及工件与电极丝之间的电信号；利用深度学习模型建立声发射信号与电信号之间的关系，从而间接推理出电火花加工状态；根据该模型，实时调整加工工件进给速度，从而减少加工过程中非正常加工状态的占比，提高加工工艺。与传统的基于电信号的控制方法相比，本发明通过声发射信号，在保持高精度加工状态的识别下，降低采样设备的要求，提高控制的稳定性。

Description

一种基于深度学习和声发射信号的电火花加工控制方法

技术领域

本发明涉及加工控制领域，尤其涉及一种基于深度学习和声发射信号的电火花加工控制方法。

背景技术

电火花线切割加工是指在一定的介质中，通过工具电极和加工工件之间的脉冲放电的电蚀作用，对工件进行加工的方法，是一种利用电能与热能结合的技术，已广泛应用于模具生产、汽车制造及航空航天等领域。相比于传统的成形与切削加工技术，电火花线切割加工技术是一种非接触的加工技术，适用于加工低刚度、形状复杂和结构特殊的工件。

在电火花加工过程中，根据当前放电状态实时调整加工工件进给量，减少加工过程中非正常加工状态的占比，是保证加工工件表面质量的关键。传统的电火花线切割机床主要以电极丝与加工工件之间的电信号为采集对象，通过门槛电压阈值法判断当前放电状态，实时调整加工工件进给速度，维持正常电火花放电的有效间隙。然而，这种控制方法对采样设备的采样频率要求较高，导致在实际应用中控制的实时性及稳定性达不到理想的效果。

发明内容

本发明的目的在于公开种基于声发射信号的电火花加工控制方法，解决现有的电火花加工过程中，对采样频率要求较高，导致控制的实时性及稳定性达不到理想的效果的问题。

为了达到上述目的，本发明采用如下技术方案：

一种基于深度学习和声发射信号的电火花加工控制方法，包括：

第一步骤：将第一声发射传感器和第二声发射传感器分别安装在加工工件表面及机床本体上；

第二步骤：开启电火花线切割机对工件进行加工，并通过分别与第一声发射传感器、第二声发射传感器连接的数据采集卡同步地采集两路声发射信号及工件与电极丝之间的电信号；

第三步骤：建立上述采集的两路声发射信号与电信号之间的关系，对采集的声发射信号进行标签化，得到基于声发射信号的电火花状态预测模型的训练数据；

第四步骤：通过输入上述已标签化的声发射信号对模型进行训练，得到用于加工过程中的基于声发射信号的电火花状态预测模型；

第五步骤：在加工过程中，仅采集加工过程中的两路声发射信号，将两路声发射信号输入到上述电火花状态预测模型中，预测当前的电火花加工状态，并基于电火花加工状态实时调整加工工件进给速度，实现基于声发射信号的电火花加工控制。

优选地，所述第一步骤包括：

将第一声发射传感器安装至加工工件表面，使得第一声发射传感器获取火花爆炸产生的声发射信号的能量的期望值大于预设的第一期望值阈值；

将第二声发射传感器安装至机床本体上，使得第二声发射传感器获取的机床本体的背景噪声的声发射信号的能量的期望值大于预设的第二期望值阈值。

优选地，所述第三步骤包括：

采用基于脉冲面积统计分布标签化的方法对声发射信号进行标签化，得到基于声发射信号的电火花状态预测模型的训练数据。

优选地，所述电火花状态预测模型包括输入层、噪声提取层、主信号提取层、批信号产生层、编码层、批信号关联层、解码层和输出层；

噪声提取层用于通过带偏置的线性层和激活层对采集的背景噪声的声发射信号进行自适应的映射，获得经过自适应映射的背景噪声；

主信号提取层用于对火花爆炸产生的声发射信号与经过自适应映射的背景噪声处作差值运算，获取主信号的有效特征。

与现有技术相比，本发明的增益效果如下：

相比于传统的仅采用一个声发射传感器进行数据采集的方法不同，本发明采用了至少两个声发射传感器进行采集，将第一声发射传感器安装至加工工件表面，使得第一声发射传感器获取火花爆炸产生的声发射信号的能量的期望值大于预设的第一期望值阈值；

将第二声发射传感器安装至机床本体上，使得第二声发射传感器获取的机床本体的背景噪声的声发射信号的能量的期望值大于预设的第二期望值阈值，通过对第二声发射传感器获取的声发射信号进行线性偏置激活后与第一声发射传感器获取的声发射信号求差值，可更有效地从混合噪声中提取出有用的声信号特征。

相比于传统的基于声波强度阈值判断电火花加工状态的方法，本发明利用深度学习方法，提出一个基于声发射信号的电火花加工状态预测模型，其主干网络结构可分为八层，分别为输入层、噪声提取层、主信号提取层、批信号产生层、编码层、批信号关联层、解码层及输出层，具有更高的识别准确率。

在加工过程中产生的声发射信号具有周期振荡衰减的特征，因此加工状态相对于的声发射信号能维持一定时间，从而在较低的采样率下依然能实现特征捕捉，以便为后续的加工状态检测模型提供有效信息。

利用上述的预测模型，在加工过程中，可通过仅采集加工过程中的声发射信号，实现电火花放电状态的预测，从而实时地调整加工工件进给速度，实现了基于声发射信号的电火花控制。本发明在保持高精度加工状态的识别下，降低采样设备的要求，提高控制的稳定性。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1，为本发明一种基于深度学习和声发射信号的电火花加工控制方法的一种示例性实施例图。

图2，为本发明实现基于声发射信号的电火花加工控制方法的硬件系统结构的一种示例性实施例图。

图3，为本发明采用基于脉冲面积统计分布标签化的方法对声发射信号进行标签化的方法的一种示例性实施例图。

图4，为本发明电火花状态预测模型的一种示例性实施例图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

如图1所示的一种实施例，本发明提供了一种基于深度学习和声发射信号的电火花加工控制方法，包括：

第一步骤：将第一声发射传感器和第二声发射传感器分别安装在加工工件表面及机床本体上；

第二步骤：开启电火花线切割机对工件进行加工，并通过分别与第一声发射传感器、第二声发射传感器连接的数据采集卡同步地采集两路声发射信号及工件与电极丝之间的电信号；

第三步骤：建立上述采集的两路声发射信号与电信号之间的关系，对采集的声发射信号进行标签化，得到基于声发射信号的电火花状态预测模型的训练数据；

第四步骤：通过输入上述已标签化的声发射信号对模型进行训练，得到用于加工过程中的基于声发射信号的电火花状态预测模型；

第五步骤：在加工过程中，仅采集加工过程中的两路声发射信号，将两路声发射信号输入到上述电火花状态预测模型中，预测当前的电火花加工状态，并基于电火花加工状态实时调整加工工件进给速度，实现基于声发射信号的电火花加工控制。

这里的两路声发射信号不是指只有2个信号，而是两种类型的声发射信号。

图2为本发明实现基于声发射信号的电火花加工控制方法的硬件系统结构，包括电火花线切割机床、声发射传感器、电压传感器、电流环及数据采集卡。

将声发射传感器、电压传感器和电流环与数据采集卡相连，通过数据采集卡同步地采集两路声发射信号及工件与电极丝之间的电信号，以获取基于声发射信号的电火花状态预测模型的训练数据。

优选地，所述第一步骤包括：

将第一声发射传感器安装至加工工件表面，使得第一声发射传感器获取火花爆炸产生的声发射信号的能量的期望值大于预设的第一期望值阈值；

将第二声发射传感器安装至机床本体上，使得第二声发射传感器获取的机床本体的背景噪声的声发射信号的能量的期望值大于预设的第二期望值阈值。

需要注意的是，本发明的第一声发射传感器的数量至少有1个，第二声发射传感器的数量至少有1个。

在另一种实施方式中，第一声发射传感器的数量为N个，每个第一声发射传感器的安装要求均为获取火花爆炸产生的声发射信号的能量的期望值大于预设的第一期望值阈值；

第二声发射传感器的数量为N个，每个第二声发射传感器的安装要求均为获取的机床本体的背景噪声的声发射信号的能量的期望值大于预设的第二期望值阈值。

优选地，所述第三步骤包括：

采用基于脉冲面积统计分布标签化的方法对声发射信号进行标签化，得到基于声发射信号的电火花状态预测模型的训练数据。

优选地，如图3所示，所述采用基于脉冲面积统计分布标签化的方法对声发射信号进行标签化，包括：

步骤一：数据划分：将采集得到的N个电压数据样本等分成M份，其中M与N满足的关系为：M*电压脉冲周期＝N；

步骤二：中值滤波：将N个数据样本中的电压进行滑窗大小为3的中值滤波，以减少采集的电压噪声；

步骤三：上升沿检测：通过一阶差分算法，求出相邻点之间电压的差值，得到电压波形的上升沿信号的起点；

步骤四：电压积分：以每个上升沿为起点，分别计算M份放电脉冲的脉宽时间内的电压积分，该积分值即为对应放电脉冲的面积S，其中S最大值代表空载状态，S最小值代表短路状态，S由最大值到最小值的过渡值对应于加工状态由空载到短路的过渡状态；

步骤五：标签平滑：为了解决数据分布不均衡的问题，即单位样本集中正常放电脉冲占比远远小于空载脉冲占比的问题，对标签进行取对数运算，增大短路与正常加工状态的响应，减少空载状态的动态响应。然后对标签进行滑动窗为3的均值滤波，以降低加工状态在相邻组间受到噪声干扰而引起的跳变影响。

优选地，如图4所示，所述电火花状态预测模型包括输入层、噪声提取层、主信号提取层、批信号产生层、编码层、批信号关联层、解码层和输出层；

噪声提取层用于通过带偏置的线性层和激活层对采集的背景噪声的声发射信号进行自适应的映射，获得经过自适应映射的背景噪声；

主信号提取层用于对火花爆炸产生的声发射信号与经过自适应映射的背景噪声处作差值运算，获取主信号的有效特征。

在预测模型的输入层中，AE1代表安装至加工工件表面的第一声发射传感器获取的火花爆炸产生的声发射信号；AE2代表安装至机床本体上的第二声发射传感器获取的机床本体的背景噪声的声发射信号。

为了限制数据分布在网络的激活区中，需对采集得到的AE1与AE2信号进行标准化，对于输入信号X_n,其标准化结果Y_n有以下式子得到：

式中，mean(*)代表均值运算，std(*)代表方差运算。

在预测模型的噪声提取层中，通过线性层和激活层，对主要信号为背景噪声信号AE2进行自适应映射，其中线性偏置激活运算公式如下：

AE_2L＝tanh(W*AE2^T+b)

其中tanh为激活函数，W为权重，b为偏置，AE2^T表示对信号AE2进行转置；

在预测模型的主信号提取层中，通过上述得到的AE1与AE_2L信号作求差运算得到AE12dif,以表达主要信号成分。

在预测模型的批信号产生层中，将上述得AE1、AE2与AE12dif信号按采集时间拼接为三通道信号，并以单个脉冲周期为L，得到三维信号矩阵为(N，L，F)，其中F为3，表示信号特征维度为3，每个批信号之间在时间上属于相邻关系。

在预测模型的编码层中，对于每个批信号(L，F)进行编码操作，编码网络由TCN或者CNN或者CNN+GRU融合网络组成。

在预测模型的批信号关联层中，将编码层的编码结果(N，L,F2)进行特征融合得到(1,N,L*F2)，再通过GRU提取批信号之间的长短期关系。

在预测模型的解码层中，采用ELU为激活函数，使得网络输出回归正值，并且保证负数梯度依然有修正梯度。

在预测模型的输出层中，采用得损失函数为均方误差函数，公式如下：

上式中，损失函数J(θ)用于度量预测值和真实值的差距，N代表采集样本的数量，y_i代表基于脉冲面积统计分布的标签值，y′_i代表模型预测值。

与现有技术相比，本发明的增益效果如下：

相比于传统的仅采用一个声发射传感器进行数据采集的方法不同，本发明采用了至少两个声发射传感器进行采集，将第一声发射传感器安装至加工工件表面，使得第一声发射传感器获取火花爆炸产生的声发射信号的能量的期望值大于预设的第一期望值阈值；

将第二声发射传感器安装至机床本体上，使得第二声发射传感器获取的机床本体的背景噪声的声发射信号的能量的期望值大于预设的第二期望值阈值，通过对第二个声发射传感器获取的声发射信号进行线性偏置激活后与第一个声发射传感器获取的声发射信号求差值，可更有效地从混合噪声中提取出有用的声信号特征。

相比于传统的基于声波强度阈值判断电火花加工状态的方法，本发明利用深度学习方法，提出一个基于声发射信号的电火花加工状态预测模型，其主干网络结构可分为八层，分别为输入层、噪声提取层、主信号提取层、批信号产生层、编码层、批信号关联层、解码层及输出层，具有更高的识别准确率。

在加工过程中产生的声发射信号具有周期振荡衰减的特征，因此加工状态相对于的声发射信号能维持一定时间，从而在较低的采样率下依然能实现特征捕捉，以便为后续的加工状态检测模型提供有效信息。

利用上述的预测模型，在加工过程中，可通过仅采集加工过程中的声发射信号，实现电火花放电状态的预测，从而实时地调整加工工件进给速度，实现了基于声发射信号的电火花控制。本发明在保持高精度加工状态的识别下，降低采样设备的要求，提高控制的稳定性。

尽管已经示出和描述了本发明的实施例，本领域技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变形，本发明的范围由权利要求及其等同物限定。

需要说明的是，在本发明各个实施例中的各功能单元/模块可以集成在一个处理单元/模块中，也可以是各个单元/模块单独物理存在，也可以是两个或两个以上单元/模块集成在一个单元/模块中。上述集成的单元/模块既可以采用硬件的形式实现，也可以采用软件功能单元/模块的形式实现。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解应当理解，可以以硬件、软件、固件、中间件、代码或其任何恰当组合来实现这里描述的实施例。对于硬件实现，处理器可以在一个或多个下列单元中实现：专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、设计用于实现这里所描述功能的其他电子单元或其组合。对于软件实现，实施例的部分或全部流程可以通过计算机程序来指令相关的硬件来完成。

实现时，可以将上述程序存储在计算机可读介质中或作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是计算机能够存取的任何可用介质。计算机可读介质可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其他光盘存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质。

Claims (4)

1.一种基于深度学习和声发射信号的电火花加工控制方法，其特征在于，包括：

第一步骤：将第一声发射传感器和第二声发射传感器分别安装在加工工件表面及机床本体上；

第二步骤：开启电火花线切割机对工件进行加工，并通过分别与第一声发射传感器、第二声发射传感器连接的数据采集卡同步地采集两路声发射信号及工件与电极丝之间的电信号；

第三步骤：建立上述采集的两路声发射信号与电信号之间的关系，对采集的声发射信号进行标签化，得到基于声发射信号的电火花状态预测模型的训练数据；

第四步骤：通过输入上述已标签化的声发射信号对模型进行训练，得到用于加工过程中的基于声发射信号的电火花状态预测模型；

第五步骤：在加工过程中，仅采集加工过程中的两路声发射信号，将两路声发射信号输入到上述电火花状态预测模型中，预测当前的电火花加工状态，并基于电火花加工状态实时调整加工工件进给速度，实现基于声发射信号的电火花加工控制。

2.根据权利要求1所述的一种基于深度学习和声发射信号的电火花加工控制方法，其特征在于，所述第一步骤包括：

将第一声发射传感器安装至加工工件表面，使得第一声发射传感器获取火花爆炸产生的声发射信号的能量的期望值大于预设的第一期望值阈值；

将第二声发射传感器安装至机床本体上，使得第二声发射传感器获取的机床本体的背景噪声的声发射信号的能量的期望值大于预设的第二期望值阈值。

3.根据权利要求1所述的一种基于深度学习和声发射信号的电火花加工控制方法，其特征在于，所述第三步骤包括：

采用基于脉冲面积统计分布标签化的方法对声发射信号进行标签化，得到基于声发射信号的电火花状态预测模型的训练数据。

4.根据权利要求2所述的一种基于深度学习和声发射信号的电火花加工控制方法，其特征在于，所述电火花状态预测模型包括输入层、噪声提取层、主信号提取层、批信号产生层、编码层、批信号关联层、解码层和输出层；

噪声提取层用于通过带偏置的线性层和激活层对采集的背景噪声的声发射信号进行自适应的映射，获得经过自适应映射的背景噪声；

主信号提取层用于对火花爆炸产生的声发射信号与经过自适应映射的背景噪声处作差值运算，获取主信号的有效特征。

Images