CN114559298B - 基于物理信息融合的刀具磨损监测方法 - Google Patents

基于物理信息融合的刀具磨损监测方法 Download PDF

Info

Publication number
CN114559298B
CN114559298B CN202210178751.7A CN202210178751A CN114559298B CN 114559298 B CN114559298 B CN 114559298B CN 202210178751 A CN202210178751 A CN 202210178751A CN 114559298 B CN114559298 B CN 114559298B
Authority
CN
China
Prior art keywords
cutting
model
attention
cutter
physical information
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
Application number
CN202210178751.7A
Other languages
English (en)
Other versions
CN114559298A (zh
Inventor
朱锟鹏
郭浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei Institutes of Physical Science of CAS
Original Assignee
Hefei Institutes of Physical Science of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei Institutes of Physical Science of CAS filed Critical Hefei Institutes of Physical Science of CAS
Priority to CN202210178751.7A priority Critical patent/CN114559298B/zh
Publication of CN114559298A publication Critical patent/CN114559298A/zh
Application granted granted Critical
Publication of CN114559298B publication Critical patent/CN114559298B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Numerical Control (AREA)

Abstract

本发明公开了一种基于物理信息融合的刀具磨损监测方法，可在加工过程中精准诊断与预测当前刀具磨损状态，并提示加工系统及时更换刀具；其步骤包括：1采集加工信息并构建训练数据集；2构建并训练物理模型；3基于切削信号的频谱设计金字塔数据驱动模型；4构建物理信息模型并训练，通过多层注意力机制引入物理信息来指导模型的特征提取；5利用训练好的物理信息模型监测刀具磨损。本发明能在未知工况下稳定准确地监测刀具磨损，从而补偿加工误差并降低因刀具过磨损带来的损失。

Description

基于物理信息融合的刀具磨损监测方法
技术领域
本发明涉及刀具磨损监测领域，具体是涉及基于物理信息融合的刀具磨损监测方法。
背景技术
近年来，随着工艺的发展，加工的复杂度和精度有了很大的提高。刀具的健康状态直接影响铣削过程和产品的质量。为保证加工精度、加工可靠性和人员安全，需要在铣削过程中监测刀具磨损。虽然相关刀具磨损监测研究已十分广泛，但现有模型往往只能在已知的加工条件下取得出色的表现，而不能泛化到其他的加工场景，因此现有研究成果仍然不能应用到实际加工过程中。
根据理论基础不同，刀具磨损模型大致分为物理模型和数据驱动模型。物理模型可以根据物理规律来推断刀具磨损的演变，因此在假设前提下具有可解释性和可靠性。然而，现有的物理模型仅考虑了磨损的主导因素，很难建立多变量间的物理关系。而且，环境干扰以及刀具和工件的个体差异也没有被考虑。数据驱动模型是一种从大量加工样本中学习刀具磨损映射关系的方案。深度学习是典型的数据驱动模型。然而，深度学习很少独立应用于生产加工中。主要原因是无法获取足够的样本来覆盖复杂的加工环境和多样的铣削条件，因此训练出的模型通常对工况十分敏感。如何从有限工况的切削信号序列中提取有用的信息，并在合理的算力下缓解对已知铣削条件的过拟合是需要研究的问题。
发明内容
本发明是为了解决物理模型与数据驱动模型在刀具磨损监测中的不足之处，提出一种误差小、实时性好、容易部署的基于物理信息融合的刀具磨损监测方法，以期能在未知工况下稳定准确地监测刀具磨损，从而补偿加工误差并降低因刀具过磨损带来的损失。
本发明为解决技术问题采用如下技术方案：
本发明一种基于物理信息融合的刀具磨损监测方法的特点在于，包括如下步骤：
步骤1、在数控机床加工过程中，利用传感器测量在采样时间内的刀具与工件之间产生的切削信号序列x，并记录切削时间t；再从加工工艺中获取相应的切削参数p；然后通过离线观测法获取对应的刀具磨损值Wtrue，从而构建训练数据集；
步骤2、构建用于拟合从切削参数p和切削时间t到实际刀具磨损值Wtrue的映射关系的物理模型；并通过梯度下降法训练所述物理模型，直至训练误差下降到期望值为止，从而得到训练后的物理模型并输出相应的磨损估计值Wphy；
步骤3、对切削信号序列x进行傅里叶分析，确定谐波周期；再根据所述谐波周期、刀具旋转周期和切削信号序列x的长度分别确定每个注意力层的感受野，从而搭建由三个注意力层和多层感知机组成的金字塔数据驱动模型；
步骤4、构建由训练后的物理模型和金字塔数据驱动模型组成的物理信息模型并进行训练，从而拟合从切削信号序列x、切削参数p和物理模型的估计值Wphy到实际刀具磨损值Wtrue的映射关系；
步骤4.1、根据刀具旋转周期对切削信号序列x进行截断，得到初始相位一致且包含多个完整刀具旋转周期的切削信号序列x′；
步骤4.2、在切削参数p和物理模型的估计值Wphy的指导下，所述切削信号序列x′输入当前物理信息模型中，并经过首个注意力层后输出谐波特征序列s；所述特征序列s经过第二个注意力层后，输出刀具旋转周期特征序列l；所述刀具旋转周期特征序列l经过第三个注意力层后，输出切削信号序列x′的特征g；
步骤4.3、将所述切削信号序列x′的特征g输入多层感知机中用于拟合实际刀具磨损值Wtrue，从而得到刀具磨损预测值Wpre；
步骤4.4、比较所述磨损预测值Wpre和实际刀具磨损值Wtrue之间的训练误差，并通过梯度下降法更新当前物理信息模型的权重；当训练误差下降到期望值时，得到训练好的物理信息模型，执行步骤5，否则，返回步骤4.2；
步骤5、在加工过程中，实时采集切削信号序列x″、切削时间t″和切削参数p″并输入到训练好的物理信息模型中，从而输出当前刀具磨损预测值W″pre；
步骤6、若当前刀具磨损预测值W″pre达到临界值，则停机换刀，否则返回步骤5。
本发明所述的一种基于物理信息融合的刀具磨损监测方法的特点也在于，步骤3中的金字塔数据驱动模型是按如下步骤搭建：
步骤3.1、对切削信号序列x进行傅里叶分析，将幅值最大的谐波频谱峰所对应的周期作为谐波周期；根据切削参数p确定刀具旋转周期；根据采样时间确定切削信号x的长度；
步骤3.2、令金字塔数据驱动模型包括三个注意力层，每个注意力层包含多个共享权重的注意力单元：第一个注意力层中每个注意力单元所接收的特征数量与谐波周期相一致；第二个注意力层中每个注意力单元所接收的特征数量与刀具旋转周期中包含的谐波周期数量相一致；第三个注意力层中每个注意力单元所接收的特征数量与切削信号段中包含的刀具旋转周期数量相一致；
假设每个注意力层的输入是由n个子周期特征组成的序列[h1,h2,…,hn]，则相应的输出为由n/m个周期特征组成的序列[z1,z2,…zn/m]；其中，hn表示第n个子周期特征，zn/m表示第n/m个周期特征；序列[h1,h2,…,hn]首先被拆分成n/m个长度为m的输入段特征h(1),h(2),…,h(i),…,h(n/m)；其中，h(i)表示第i个输入段特征，且h(i)＝[h(i-1)×m+1,h(i-1)×m+2,…,hi×m]；hi×m表示第i个输入段中的第m个子周期特征；第i个注意力单元从第i个输入段特征h(i)中提取特征zi＝f(h(i))，i∈[1,nm]，从而将n/m个注意力单元提取到的特征拼接组成序列z＝[z1,z2,…zn/m]；其中f(·)代表特征提取函数。
单个注意力单元中的特征提取函数f(·)是利用式(1)—式(5)进行提取：
kj＝gk(xj),j∈[1,m] (1)
q＝gq([p,Wphy]) (2)
ej＝uTkj+qTkj,j∈[1,m] (3)
Figure GDA0003903571320000031
Figure GDA0003903571320000032
式(1)-式(5)中，gk为从输入数据[x1,…,xm]中提取关键信息[k1,…,km]的全连接层操作；xj为第j个输入数据，kj为第j个输入数据的关键信息，gq为从切削参数p和物理模型的估计值Wphy中提取指导信息q的全连接层操作；u为通过误差反向传播学习到的权重矩阵；ej为第j个输入数据xj的未经归一化的注意力权重；αj为第j个输入数据xj的经归一化的注意力权重；z为单个注意力单元提取到的特征。
与现有技术相比，本发明的有益效果在于：
1、本发明提出了一种物理信息方法，能够根据切削过程中的切削信号序列、切削参数和切削时间在线监测刀具磨损，克服了物理方法和数据驱动方法各自的问题，由于有效利用了多元的物理信息，模型更容易掌握刀具磨损的本质原理。因此，模型的预测误差更低，预测波动更小，适用于多工况情境。在此基础上，能够准确补偿由刀具磨损带来的加工误差，并降低由刀具磨损带来的经济损失。
2、本发明不同于经典的堆叠网络结构，金字塔结构网络中的一层包含多个具有共享权重的特征提取单元。每一个单元具有局部感受野，专注于将一部分次级特征压缩为本层特征。摆脱了单个单元记忆能力对切削信号序列的长度限制。并且，通过减少单元数量，大大提高了处理切削信号序列的效率。
3、本发明提出了一种基于信号频谱构建深度学习网络结构的方式。根据信号频谱确定多个感兴趣的特征周期。这些特征周期从小到大排列，分别用于确定深度学习网络从浅层到深层的单元的感受野。学习到的特征模式受到基于频谱的结构的限制，简化了监测任务，降低了模型复杂度。
4、本发明提出了一种通过注意力机制将物理信息引入深度学习网络的方式。物理信息可以通过改变每个特征的注意力权重来影响特征提取。该方法不仅将各种物理信息无缝集成到数据驱动模型中，而且避免了物理信息和切削信号信息两者数据量和数据分布的差异所造成的影响，解决了物理信息被切削信号信息淹没的问题。另外，根据物理信息的重要性不同，可以将物理信息插入不同网络层，以更好地利用每种物理信息。相比于随机初始化，物理信息可以引导模型收敛，有助于在高维空间中进行解搜索。
附图说明
图1是本发明物理信息模型示意图；
图2是本发明金字塔结构模型的特征提取示意图；
图3是本发明基于注意力机制的物理信息融合示意图。
具体实施方式
本实施例中，一种基于物理信息融合的刀具磨损监测方法结合了物理模型与数据驱动模型，实现了实时高精度刀具磨损监测，包括：数控机床、力传感器、工业计算机和物理信息算法：
本实施例中，数控机床采用高速铣削加工中心Mikron HSM600U，其含有总线接口和传感器支架，力传感器安装在传感器支架上，所采用的铣刀均为三刃铣刀。工件采用AISI4340方模。工件在实验前经过粗铣，以保证工件平整度。工件表面由刀具从上边缘到下边缘呈锯齿形切削。每次横向切削后，通过LEICA MZ12显微镜测量两刃的磨损。在对工件的加工过程中，实时获取切削力信号。通过总线接口，利用Modbus通信协议与工业计算机进行交互，工业计算机通过物理信息算法计算出当前刀具磨损，改变加工工艺并控制数控机床停机换刀，从而保障了工件精度，减少了因刀具过磨损造成的损失。
本实施例中，力传感器采用Kistler 9265B，以24kHz的采样频率采集三个正交方向的力信号。力传感器采集到三向力信号后，通过RS-485接口，利用Modbus通信协议与工业计算机进行交互，为物理信息算法提供了切削力信号，从而使系统可以实时对切削刀具进行监控，提高了系统的工作效率，减少了频繁停机对工件加工精度的影响。
本实施例中，工业计算机采用SIMATIC IPC827C，工业计算机带有总线接口与RS-485接口，可以通过Modbus通信协议与力传感器和数控机床进行通信。工业计算机从力传感器获取实时三向切削力信号，通过物理信息算法在线监测刀具磨损，为工艺优化和停机换刀提供依据，再将最终决策发布至数控机床。
具体实施中，根据3向切削力信号、切削时间和切削参数预测两个刃口的平均磨损量。监测算法在i5-8400 8GB在Python 3.8-Anaconda 1.10.0-tensorflow 2.4.0平台上进行。
本实施例中，一种基于物理信息融合的刀具磨损监测方法应用于由数控机床、力传感器、工业计算机所组成的切削加工系统中，如图1所示，是按照如下步骤进行：
步骤1、在数控机床加工过程中，利用传感器测量在采样时间内的刀具与工件之间产生的切削信号序列x，并记录切削时间t；再从加工工艺中获取相应的切削参数p；然后通过离线观测法获取对应的刀具磨损值Wtrue，从而构建训练数据集；
步骤2、构建用于拟合从切削参数p和切削时间t到实际刀具磨损值Wtrue的映射关系的物理模型——扩展Taylor模型；并通过梯度下降法训练物理模型，直至训练误差下降到期望值为止，从而得到训练后的物理模型并输出相应的磨损估计值Wphy；扩展Taylor模型严格遵守磨损机理，给出的结果可靠性较高，但由于只考虑了主导因素，预测的误差较大，因此扩展Taylor模型的预测值被作为指导物理信息模型的特征；
步骤3、对切削信号序列x进行傅里叶分析，将幅值最大的频谱峰所对应的周期作为谐波周期(24采样点)；根据切削参数确定刀具旋转周期(192采样点)，根据采样时间和采样频率确定切削信号的长度(1536采样点)；再根据谐波周期、刀具旋转周期和切削信号序列长度分别确定第一层、第二层和第三层注意力层的感受野，从而搭建由三个注意力层和双层感知机组成的金字塔数据驱动模型。切削信号序列的频谱特性被隐式编码到网络结构中，来引导特征提取过程。每个注意力层包含多个具有共享权重的注意力单元。每层聚焦一个周期尺度，每层的每个单元聚焦一个完整的周期波动：第一个注意力层中每个单元所接收的特征数量与谐波周期相一致；第二个注意力层中每个单元所接收的特征数量与刀具旋转周期中包含的谐波周期数量相一致；第三个注意力层中每个单元所接收的特征数量与切削信号段中包含的刀具旋转周期数量相一致；金字塔数据驱动模型的每一层都包含多个注意力单元，切削信号被分段处理并被逐层压缩，因此可处理的切割信号的长度不再受限于单个注意力单元的记忆容量，处理切削信号的效率也被大大提高。
步骤4.1、根据刀具旋转周期对切削信号序列x进行截断，得到初始相位一致且包含多个完整刀具旋转周期的切削信号序列x′，每个切削序列x′包含1536个采样点。
步骤4.2、在切削参数p和物理模型的估计值Wphy的指导下，切削信号序列x′输入当前物理信息模型中，并经过首个注意力层后输出谐波特征序列s；切削参数p包括进给速率、切削深度和切削速度；特征序列s经过第二个注意力层后，输出刀具旋转周期特征序列l；刀具旋转周期特征序列l经过第三个注意力层后，输出切削信号序列x′的特征g；第一个注意力层的感受野小，侧重于小周期特征的提取；而第三个注意力层的感受野大、信息粒度粗，侧重于大周期特征的提取；每一层关注一个单一的周期尺度，而每个单元关注一个单一的周期波动。多尺度特征提取丰富了特征的多样性，从而提高了刀具磨损监测的鲁棒性。
假设每个注意力层的输入是由n个子周期特征组成的序列[h1,h2,…,hn]，则相应的输出为由n/m个周期特征组成的序列[z1,z2,…zn/m]；其中，hn表示第n个子周期特征，zn/m表示第n/m个周期特征；序列[h1,h2,…,hn]首先被拆分成n/m个长度为m的输入段特征h(1),h(2),…,h(i),…,h(n/m)；其中，h(i)表示第i个输入段特征，且h(i)＝[h(i-1)×m+1,h(i-1)×m+2,…,hi×m]；hi×m表示第i个输入段中的第m个子周期特征；该层第i个注意力单元的输入是第i个输入段特征h(i)以及切削参数p和物理模型的估计值Wphy，输出是该层所关注的周期尺度的特征zi，如图2所示。该层第i个注意力单元的特征提取过程如图3所示，可表示为式(6)-式(10)：
ki,j＝gk(h(i-1)×m+j),i∈[1,n/m],j∈[1,m] (6)
q＝gq([p,Wphy]) (7)
ei,j＝uTki,j+qTki,j,i∈[1,n/m],j∈[1,m] (8)
Figure GDA0003903571320000061
Figure GDA0003903571320000062
式(6)-式(10)中，gk为从输入数据[x1,…,xm]中提取关键信息[k1,…,km]的全连接层操作；xj为第j个输入数据，kj为第j个输入数据的关键信息，gq为从切削参数p和物理模型的估计值Wphy中提取指导信息q的全连接层操作；u为通过误差反向传播学习到的权重矩阵；ej为第j个输入数据xj的未经归一化的注意力权重；αj为第j个输入数据xj的经归一化的注意力权重；z为单个注意力单元提取到的特征。切削参数p和物理模型的估计值Wphy通过影响hi的权重αi来指导特征提取。该层提取到的特征为由n/m个注意力单元提取的特征拼接组成序列z＝[z1,z2,…zn/m]。由于切削信号基于频谱被逐层分解为多个段，因此每个段的波动是相似的。通过具有共享权重的内核以相似的模式处理每个周期，可以保持周期信息的完整性。权重共享相当于通过信号的周期相似性来限制假设空间，从而简化问题，降低模型复杂度。如果铣削条件的多样性不够，可以缓解算法的过拟合问题。另外，物理信息被通过注意力机制引入到多个网络层中，来提供额外的信息指导模型收敛。虽然额外的信息不是最优特征，但它比随机初始化的特征更容易引导模型收敛。由于利用了多种物理信息，模型更容易掌握刀具磨损的本质原理。
步骤4.3、将切削信号序列x′的特征g输入多层感知机中用于拟合实际刀具磨损值Wtrue，从而得到刀具磨损预测值Wpre；
步骤4.4、比较磨损预测值Wpre和实际刀具磨损值Wtrue之间的训练误差，并通过梯度下降法更新当前物理信息模型的权重；当训练误差下降到期望值时，得到训练好的物理信息模型，执行步骤5，否则，返回步骤4.2；
步骤5、在加工过程中，实时采集切削信号序列x″、切削时间t″和切削参数p″并输入到训练好的物理信息模型中，并输出当前刀具磨损预测值W″pre；
步骤6、若当前刀具磨损预测值W″pre达到临界值，停机换刀，否则返回步骤5。
综上所述，本发明解决了加工中刀具磨损在线监测问题；解决了样本多样性对算法性能制约的问题；解决了刀具监测算法无法泛化到多工况的问题；解决了刀具磨损影响加工精度的问题；解决了深度学习处理的切削信号序列的长度有限的问题。此方法具有监测准确度高、结果波动小、适用于未知工况、执行速度快、易于收敛等优点。

Claims (3)

1.一种基于物理信息融合的刀具磨损监测方法，其特征在于，包括如下步骤：
步骤1、在数控机床加工过程中，利用传感器测量在采样时间内的刀具与工件之间产生的切削信号序列x，并记录切削时间t；再从加工工艺中获取相应的切削参数p；然后通过离线观测法获取对应的刀具磨损值Wtrue，从而构建训练数据集；
步骤2、构建用于拟合从切削参数p和切削时间t到实际刀具磨损值Wtrue的映射关系的物理模型；并通过梯度下降法训练所述物理模型，直至训练误差下降到期望值为止，从而得到训练后的物理模型并输出相应的磨损估计值Wphy；
步骤3、对切削信号序列x进行傅里叶分析，确定谐波周期；再根据所述谐波周期、刀具旋转周期和切削信号序列x的长度分别确定每个注意力层的感受野，从而搭建由三个注意力层和多层感知机组成的金字塔数据驱动模型；
步骤4、构建由训练后的物理模型和金字塔数据驱动模型组成的物理信息模型并进行训练，从而拟合从切削信号序列x、切削参数p和物理模型的估计值Wphy到实际刀具磨损值Wtrue的映射关系；
步骤4.1、根据刀具旋转周期对切削信号序列x进行截断，得到初始相位一致且包含多个完整刀具旋转周期的切削信号序列x′；
步骤4.2、在切削参数p和物理模型的估计值Wphy的指导下，所述切削信号序列x′输入当前物理信息模型中，并经过首个注意力层后输出谐波特征序列s；所述特征序列s经过第二个注意力层后，输出刀具旋转周期特征序列l；所述刀具旋转周期特征序列l经过第三个注意力层后，输出切削信号序列x′的特征g；
步骤4.3、将所述切削信号序列x′的特征g输入多层感知机中用于拟合实际刀具磨损值Wtrue，从而得到刀具磨损预测值Wpre；
步骤4.4、比较所述磨损预测值Wpre和实际刀具磨损值Wtrue之间的训练误差，并通过梯度下降法更新当前物理信息模型的权重；当训练误差下降到期望值时，得到训练好的物理信息模型，执行步骤5，否则，返回步骤4.2；
步骤5、在加工过程中，实时采集切削信号序列x″、切削时间t″和切削参数p″并输入到训练好的物理信息模型中，从而输出当前刀具磨损预测值W″pre；
步骤6、若当前刀具磨损预测值W″pre达到临界值，则停机换刀，否则返回步骤5。
2.根据权利要求1所述的一种基于物理信息融合的刀具磨损监测方法，其特征在于，步骤3中的金字塔数据驱动模型是按如下步骤搭建：
步骤3.1、对切削信号序列x进行傅里叶分析，将幅值最大的谐波频谱峰所对应的周期作为谐波周期；根据切削参数p确定刀具旋转周期；根据采样时间确定切削信号x的长度；
步骤3.2、令金字塔数据驱动模型包括三个注意力层，每个注意力层包含多个共享权重的注意力单元：第一个注意力层中每个注意力单元所接收的特征数量与谐波周期相一致；第二个注意力层中每个注意力单元所接收的特征数量与刀具旋转周期中包含的谐波周期数量相一致；第三个注意力层中每个注意力单元所接收的特征数量与切削信号段中包含的刀具旋转周期数量相一致；
假设每个注意力层的输入是由n个子周期特征组成的序列[h1,h2,…,hn]，则相应的输出为由n/m个周期特征组成的序列[z1,z2,…zn/m]；其中，hn表示第n个子周期特征，zn/m表示第n/m个周期特征；序列[h1,h2,…,hn]首先被拆分成n/m个长度为m的输入段特征h(1),h(2),…,h(i),…,h(n/m)；其中，h(i)表示第i个输入段特征，且h(i)＝[h(i-1)×m+1,h(i-1)×m+2,…,hi×m]；hi×m表示第i个输入段中的第m个子周期特征；第i个注意力单元从第i个输入段特征h(i)中提取特征zi＝f(h(i))，i∈[1,n/m]，从而将n/m个注意力单元提取到的特征拼接组成序列z＝[z1,z2,…zn/m]；其中f(·)代表特征提取函数。
3.根据权利要求2所述的一种基于物理信息融合的刀具磨损监测方法，其特征在于，单个注意力单元中的特征提取函数f(·)是利用式(1)—式(5)进行提取：
kj＝gk(xj),j∈[1,m] (1)
q＝gq([p,Wphy]) (2)
ej＝uTkj+qTkj,j∈[1,m] (3)
Figure FDA0003903571310000021
Figure FDA0003903571310000022
式(1)-式(5)中，gk为从输入数据[x1,…,xm]中提取关键信息[k1,…,km]的全连接层操作；xj为第j个输入数据，kj为第j个输入数据的关键信息，gq为从切削参数p和物理模型的估计值Wphy中提取指导信息q的全连接层操作；u为通过误差反向传播学习到的权重矩阵；ej为第j个输入数据xj的未经归一化的注意力权重；αj为第j个输入数据xj的经归一化的注意力权重；z为单个注意力单元提取到的特征。
CN202210178751.7A 2022-02-25 2022-02-25 基于物理信息融合的刀具磨损监测方法 Active CN114559298B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210178751.7A CN114559298B (zh) 2022-02-25 2022-02-25 基于物理信息融合的刀具磨损监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210178751.7A CN114559298B (zh) 2022-02-25 2022-02-25 基于物理信息融合的刀具磨损监测方法

Publications (2)

Publication Number Publication Date
CN114559298A CN114559298A (zh) 2022-05-31
CN114559298B true CN114559298B (zh) 2022-12-06

Family

ID=81716128

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210178751.7A Active CN114559298B (zh) 2022-02-25 2022-02-25 基于物理信息融合的刀具磨损监测方法

Country Status (1)

Country Link
CN (1) CN114559298B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115446663B (zh) * 2022-10-14 2023-10-20 常州先进制造技术研究所 基于物理指导的深度学习网络的刀具磨损状态监测方法及应用
CN115562161B (zh) * 2022-10-17 2024-02-02 南京航空航天大学 一种基于在线监测的刀具切削路径加工误差补偿方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107717631B (zh) * 2017-10-31 2019-07-16 中国科学院合肥物质科学研究院 一种高速铣削刀具磨损自动监测方法
FR3106770B1 (fr) * 2020-02-03 2022-02-11 Airbus Systeme d’estimation indirecte de l’état d’usure d’un outil coupant
CN113199304B (zh) * 2021-04-27 2022-03-15 中国科学院合肥物质科学研究院 一种基于扩展卡尔曼滤波与切削力模型的换刀监测方法
CN113378725B (zh) * 2021-06-15 2023-06-06 山东大学 一种基于多尺度-通道注意力网络的刀具故障诊断方法、设备及存储介质
CN113664612A (zh) * 2021-08-24 2021-11-19 沈阳工业大学 一种基于深度卷积神经网络的数控机床铣削刀具磨损实时监测方法
CN113780153B (zh) * 2021-09-07 2024-08-02 北京理工大学 一种刀具磨损监测和预测方法

Also Published As

Publication number Publication date
CN114559298A (zh) 2022-05-31

Similar Documents

Publication Publication Date Title
CN114559298B (zh) 基于物理信息融合的刀具磨损监测方法
Li et al. A novel method for accurately monitoring and predicting tool wear under varying cutting conditions based on meta-learning
Zhou et al. Intelligent diagnosis and prognosis of tool wear using dominant feature identification
Ou et al. Intelligent analysis of tool wear state using stacked denoising autoencoder with online sequential-extreme learning machine
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
Li et al. An integrated feature-based dynamic control system for on-line machining, inspection and monitoring
CN102929210A (zh) 基于特征的数控加工过程控制和优化系统及方法
CN103192292B (zh) 基于加工工件曲面形貌信息的数控机床误差辨识分离方法
CN112192319A (zh) 无监督模型的刀具磨损监测方法及系统
CN115409067A (zh) 一种数控机床组件剩余寿命预测方法
Peng et al. A tool wear condition monitoring method for non-specific sensing signals
Huang et al. Cross-domain tool wear condition monitoring via residual attention hybrid adaptation network
Zhou et al. Milling cutter wear prediction based on bidirectional long short-term memory neural networks
Li et al. Physics-guided deep learning method for tool condition monitoring in smart machining system
Xiang et al. Research of tool wear monitoring and tool life prediction models
Elbestawi et al. Tool condition monitoring in machining
Li et al. Tool fault diagnosis based on improved multiscale network and feature fusion
Li et al. Tool Wear Monitoring Technology Based on Deep Learning of Machining State Features
Pappachan et al. Parameter Prediction Using Machine Learning in Robot-Assisted Finishing Process
Liu et al. Vibration Signal-based Tool Condition Monitoring Using Regularized Sensor Data Modelling and Model Frequency Analysis
Liang et al. Construction and application of digital twin model for tool wear monitoring and life prediction
Gao et al. Research on tool condition monitoring (TCM) using a novel unsupervised deep neural network (DNN)
Di et al. Tool Fault Diagnosis Method Based on Multiscale-Channel Attention Network
KR20240105637A (ko) 가공 모니터링 데이터와 기계학습을 이용한 가공공정 절삭력 예측 시스템 및 방법
CN116540627B (zh) 基于深度迁移学习的机床热误差预测补偿群控方法及系统

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