CN115169050A - 一种多模型融合的切削刀具磨损量动态预测方法 - Google Patents
一种多模型融合的切削刀具磨损量动态预测方法 Download PDFInfo
- Publication number
- CN115169050A CN115169050A CN202210901421.6A CN202210901421A CN115169050A CN 115169050 A CN115169050 A CN 115169050A CN 202210901421 A CN202210901421 A CN 202210901421A CN 115169050 A CN115169050 A CN 115169050A
- Authority
- CN
- China
- Prior art keywords
- wear
- tool
- data
- cutting
- model
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明涉及一种多模型融合的切削刀具磨损量动态预测方法,属于精益制造技术领域;解决了目前切削刀具磨损预测精度较差、实用性弱的技术问题。本发明方法包括选择切削过程机床工况数据采集方式、进行刀具磨损加工试验并采集刀具磨损退化量数据和相应的切削过程工况数据、对磨损退化数据预处理、建立磨损增量预测模型、建立磨损量预测模型、构建混合预测模型并预测刀具磨损量。本发明方法依据切削过程工况数据,通过混合预测模型得出多个时间段内的退化增量,依退化增量累积情况预测退化程度,实现了对切削刀具未来一段时间内刀具磨损量动态预测,模型更贴近实际情况。实施本发明方法无需添加外部传感器及另行布线,更具经济性、实用性和可行性。
Description
技术领域
本发明涉及精益制造技术领域,尤其涉及一种多模型融合的切削刀具磨损量动态预测方法。
背景技术
作为直接参与切削加工的重要设备,切削刀具的磨损状态对于工件的加工质量有着直接的影响关系,对其磨损状态进行预测,对于加工质量的保证具有重要的作用。目前对于刀具状态的预测主要有两种方式,一种是通过对加工完成后的刀具进行人工直接测量,利用获取的刀具磨损量来预测未来的刀具磨损状况,这种只有在切削过程是完全稳定的条件下,其预测的结果才具有一定的价值,忽视了复杂切削过程中异常状况对于刀具磨损的影响。另一种方法是通过在线采集切削过程中的动态工况参数,利用人工智能算法对当前的刀具磨损状态进行预测。这种方法大多采用基于“信号分析+特征提取”,再建立模型的方法,建模通常会使用时域特征,扩大了加工参数改变对模型预测的干扰,使得模型的泛化能力不够。另外,有效特征的选取也是一个较为困难的过程。另外,目前对于刀具磨损退化量的预测,基本上都是利用实时的信号,来拟合当前的退化程度,这种方法使得预测出来的刀具磨损退化量曲线存在非单调性的特点,与机械产品性能退化过程不符,且这种预测方法均忽略了时间效应,导致预测结果不够理想。在实际生产过程中,相比于预测长期的刀具磨损量,对未来一段加工时间内的刀具磨损状态进行预测更加切合实际也更具实用性。
因此,本发明考虑通过切削过程的工况数据去预测每一时间段内的退化增量,根据退化增量的累积情况来预测退化程度,提出了一种多模型融合的切削刀具磨损量动态预测方法,通过将卷积神经网络和BP神经网络相结合,并融合了机床数控系统获取的多源动态数据信息与少量人工测量的刀具磨损数据,实现对切削刀具未来一段时间内刀具磨损量的动态预测。
发明内容
鉴于上述的分析,本发明实施例旨在提供一种用多模型融合的切削刀具磨损量动态预测方法,以解决目前切削刀具磨损预测精度较差、实用性较弱的技术问题。
一种多模型融合的切削刀具磨损量动态预测方法,包括如下步骤:
S1、确定所要采集的切削过程机床工况数据,确定相应的数据采集方式;
S2、进行刀具磨损加工试验:
进行切削试验设计;进行切削加工;采集切削加工过程中刀具磨损退化量数据,以及采集同一时间内切削过程的机床工况数据;
S3、对S2中获取的刀具磨损退化量数据进行预处理,提取S2中稳定磨损期的刀具磨损退化量数据和相应的机床工况数据;根据时间序列建立多个数据样本集;制作刀具磨损量变化曲线;
S4、建立磨损增量预测模型:
用数据样本集训练卷积神经网络模型,构建卷积神经网络的磨损增量预测模型;
S5、建立刀具磨损量预测模型:
根据S3中的数据样本,利用BP神经网络,建立基于BP神经网络的刀具磨损量预测模型;
S6、建立混合预测模型:
将S4的磨损增量预测模型与S5的刀具磨损量预测模型在预测结果匹配性检验准则的约束下相结合构成混合预测模型;用于对相同工艺条件下的刀具在未来一段时间的刀具磨损量进行预测。
进一步的,S1中与刀具磨损过程相关的切削过程机床工况数据为与切削力相关的数据,包括主轴负载、主轴扭矩和主轴功率。
进一步的,S1中的数据采集方式,包括RS-232协议的串口模式、TCP/IP协议的以太网模式和数据采集卡模式中的一种或任意组合。
进一步的,S2中关键工步中的工艺方法包括如下步骤:
S21、选择需要进行刀具磨损状态监控的关键切削工步;
S22、选取关键切削工步的工艺参数;
S23、进行切削试验,获取切削过程刀具磨损退化量数据和同一时间内的切削过程工况数据。
进一步的,S3中所述的“预处理”是指剔除S2中获取的切削过程机床工况数据中的异常数据、用异常数据相邻的正常数据的均值进行填充,并对测量数据进行平滑处理。
进一步的,S4中所述的数据样本集为在切削试验稳定磨损期采集的机床工况数据建立的数据样本集。
进一步的,S4中的“磨损增量预测模型”为采用卷积神经网络的方法,并以预处理后的数据信号为输入所构建的性能退化增量的预测模型。建立磨损增量预测模型的步骤包括:
S41、将一定时间内输入的工况数据映射为一个退化增量;
S42、在模型的各层均加入BN归一化层;
S43、将第一个池化层后的输出结果经过下采样,与第二次池化后的输出结果相加;
S44、重复S43,直至模型收敛;
S45、输出连接2个全连接层;
S46、输出退化增量S91.采用卷积神经网络对预处理后的数据信号构建性能退化增量的预测模型;
进一步的,S5中的刀具磨损量预测模型是通过BP神经网络构建的回归模型;回归模型的输入参数包括多个在先时刻的刀具磨损退化量、从上一时刻到当前时刻的切削时间以及通过磨损增量预测模型得出的当前切削时间段内的退化增量;回归模型用于预测下一时刻的刀具磨损退化量。
进一步的,S6中所述的“混合预测模型”是指将S4中卷积神经网络的磨损增量预测模型与基于BP神经网络的刀具磨损量预测模型相融合,构建混合预测模型。S91.采用卷积神经网络对预处理后的数据信号构建性能退化增量的预测模型;
S92.获取之前的退化数据,包括多个在先时刻的刀具磨损退化量,从上一时刻到当前时刻的切削时间,以及通过磨损增量预测模型得出的当前切削时间段内的退化增量刀具磨损退化量刀具磨损退化量;
S93.通过卷积神经网络模型,构建回归模型,输出预测时刻的刀具磨损退化量。
进一步的,S6中所述的“预测结果匹配性检验准则”是指训练好的混合预测模型所计算的退化量符合如下公式:
其中,
y(t)-当前t时刻的刀具磨损退化量预测值;
y(t-1)-上一时刻t-1时刀具磨损退化量的预测值或者由于预测结果不匹配通过人工测量得到的实际刀具磨损退化量值;
x(t)-利用(t-1)到(t)时刻的工况数据预测出来的这段时间内的退化增量;
q-退化增量的偏差阈值;其中,0<q<1。
与现有技术相比,本发明至少可实现如下有益效果之一:
1、本发明提出的多模型融合的切削刀具磨损量动态预测方法能够对切削刀具未来一段时间内刀具磨损量的动态预测,并通过少量人工测量和模型预测结进行融合,对预测结果进行实时校正,使结果具备一定的可信性;
2、本发明考虑时间的累积作用,通过卷积神经网络评估一段时间的退化增量,并以此为输入,利用基于BP神经的回归模型,对未来一段时间的刀具磨损退化量进行预测,使得预测结果单调增加,模型更加贴近实际情况;
3、本发明利用机床内部获取的工况数据对磨损状态进行预测,无需添加外部传感器,无需另行布线,使得本发明方法更具经济性、实用性和可行性。
本发明中,上述各技术方案之间还可以相互组合,以实现更多的优选组合方案。本发明的其他特征和优点将在随后的内容中阐述,并且,部分优点可从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过文字以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为本发明基于多模型融合的切削刀具磨损量动态预测流程框图;
图2为本发明卷积神经网络模型结构图;
图3为本发明混合模型的算法流程框图;
图4为本发明实施例种刀具的刀具磨损量测量曲线示意图;
图5为本发明实施例中训练得到的刀具磨损量预测模型的预测值与实际测量值;
图6为本发明实施例中人工智能模型间接测量刀具磨损量值离散点与人工直接测量刀具磨损量值离散点的对照示意图。
具体实施方式
下面结合图1-图6来具体描述本发明的优选实施例,其中,附图构成本发明一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
在切削过程中,切削刀具的磨损对于加工零件的质量有着直接的影响作用,在切削加工前对未来一段时间内的刀具磨损状态进行有效预测对于零件加工质量的保证有着重要的价值。基于此,本发明提供了一种多模型融合的切削刀具磨损量动态预测方法,通过将卷积神经网络和BP神经网络相结合,并融合了机床数控系统获取的多源动态数据信息与少量人工测量的刀具磨损数据,对刀具未来一段时间的刀具磨损量进行动态预测,使得操作人员能够基于预测结果判断当前的设备能否在未来一段时间内完成相应的加工任务,以便能提前做出是否更换刀具的判断,保证加工质量。
如图1所示,本发明的多模型融合的切削刀具磨损量动态预测方法具体实施步骤如下:
S1:确定与刀具磨损过程相关的切削过程机床工况数据,选择相应的数据采集方式。
具体的,在S1中所述的“与刀具磨损过程相关的切削过程机床工况数据”,主要指当切削工件时,刀具会变钝,引起刀具几何尺寸的变化,造成一些与加工状态相关的物理特性的异常波动,包括切削力、振动、噪声等等。对于目前国内生产厂的大多数数控机床来说,都需要借助于外部传感器获取这些数据。而考虑到外加传感器会影响正常的切削过程,而为了利用外接传感器对机床进行改造对于工厂来说是也是难以实现的。因此对于实际切削加工过程中的刀具状态监测,最理想的方式就是不外接任何传感器,利用机床内部产生的数据来监测当前的刀具磨损状态。因此选择对机床内部与刀具相关的工况数据进行采集与分析,主要包括一些与切削力相关的数据,如主轴负载、主轴扭矩、主轴功率等。
其中,在S1中所述的“数据采集方式”,主要指由于不同的数控系统,其数据开发接口协议各不相同,为了获取数控机床内的工况数据,需要根据不同的数控系统选择不同的通讯协议,一般包括RS-232协议的串口模式、TCP/IP协议的以太网模式以及数据采集卡等模式。其中,以太网方式的信息采集内容更加丰富,能够获取到与切削加工工况相关的数据,目前各个主要数控系统厂商大多配备了局域网口用于数据采集,比如对于西门子数控系统通过OPC采集机床数据,发那科系统通过FOCAS2采集机床数据。
由于切削刀具的磨损与切削力密切相关,关于切削力的信息可以通过主轴负载和主轴扭矩来表征。
优选的,本实施例采用OPC DA协议对西门子840Dsl数控系统中的主轴负载数据和主轴扭矩数据进行采集。
S2:进行刀具磨损加工试验,根据实际加工工艺,选择其中某一关键工步中的工艺方法,进行切削加工,采集刀具从新刀切削到旧刀的过程中相同时间间隔内的磨损刀具磨损退化量数据和同一时间内的切削过程工况数据。
具体的,在S2中所述的“某一关键工步中的工艺方法”具体为:
由于影响刀具磨损的因素较多,不同的切削参数以及不同的加工对象会导致不同的磨损速度;因此,本发明方法中的“某一关键工步中的工艺方法”具体包括如下步骤:
a1、选择固定的切削对象,比如切削对象为铝合金毛坯件;
a2、选择一个关键的工步,比如去除铝合金毛坯表层后进入稳定的面切削加工的工步;
a3、选择关键工步的切削参数,即选取在S2的整个切削过程中始终使用的相同切削参数(主轴转速,进给量,切削深度等);
a4、获取相应数据,即在不同的时刻、以相同的时间间隔获取相应刀具磨损退化量数据和同一时间内的切削过程工况数据。
优选的,本实施例进行刀具磨损加工试验时,是根据实际加工工艺,选择其中某一关键工步中的工艺方法,进行切削加工,采集刀具从新刀切削到旧刀的过程中的磨损刀具磨损退化量数据和同一时间内的切削过程工况数据。
举例说明如下:
1、在本实施例针对铝合金毛坯件;
2、以铣削其上表面为“关键工艺”;首先,除铝合金毛坯表层,然后后进入稳定的面切削加工的关键工步;
3、选择相应试验工艺参数为“设定主轴转速为6000r/min,进给速度为2000mm/min,切削深度为1mm”;此步骤对应上述的S3步;
4、设定数据集:用一把新的铣刀去切削工件。每切完一个面,用显微镜测量刀具磨损量,并选择其中一个刀刃的刀具磨损量进行记录。同时,从机床数控系统采集切削全过程的主轴负载和主轴扭矩等切削工况数据,并以切削每个面为一次试验划分切削工况数据,并与相应的刀具磨损量进行对应,形成设定数据集。
S3:对获取的磨损退化数据进行预处理,并画出刀具磨损量变化曲线。
具体的,在S3中所述的“预处理,”是指对所测量的性能退化数据在不影响评估结果的情况下,进行合理的人工处理。由于设备以及人为的测量误差,导致测量结果有一定的误差,比如后一次测量的刀具磨损退化量比前几次测量的刀具磨损退化量要小,这是不符合实际情况的,因此需要对这种情况进行处理,剔除这类异常数据,并取前后正常的数据的均值进行填充,以对测量数据进行平滑处理,计算每一段时间的退化增量。
优选的,本实施例在刀具磨损量的测量过程中,由于设备以及人为的测量误差,导致测量结果有一定的误差,比如后一次测量的刀具磨损量比前几次测量的刀具磨损量要小,这是不符合实际情况的,因此需要对这种情况进行处理,剔除这类异常数据,并取前后正常的数据的均值进行填充,并对测量数据进行平滑处理。由于本例的评估结果是在一个相对较大的刀具磨损量波动区间内计算出来的,而数据的预处理方式对于测量数据的调整较小,在0.001mm的波动范围内,因此该测量数据的预处理方法对于最终的评估结果并不会造成明显的影响,只是便于后续建模。
如图4所示为本实施例第一次试验测量得到的刀具磨损量变化曲线。由于磨损前期磨损率较高,磨损后期刀具已无法正常使用,本实施例考虑采用稳定磨损期的数据建模。同时,考虑到早期数据量较少会影响模型的预测效果,考虑从获取到30个测量数据后开始计算。
S4:提取稳定磨损期的刀具磨损退化量数据和相应的工况数据,根据时间序列建立多个数据样本集,并对这些样本,利用卷积神经网络,建立磨损增量预测模型。
如图2所示,在S4中所述的“稳定磨损期”,是指刀具的磨损过程中的中间的一个阶段。通常,刀具的磨损过程分为三个阶段:初期磨损阶段、稳定磨损阶段和剧烈磨损阶段。新刀刚开始切削时,切削刃较为锋利,刀具磨损速率很快,导致切削加工系统的振动较为显著,工件表面的粗糙度随着后刀面刀具磨损量的增大在一定的范围内起伏变化,同时由于刀具磨损量的增大使得粗糙度的变化幅度增大。经历了初期磨损阶段后,刀具的刀具磨损量也随之增加,工件与后刀面的接触面积增大,单位面积上承受的压力逐渐减小,磨损进入稳定期,磨损速度变慢,切削过程比较平稳,这一阶段也是刀具有效工作的阶段。刀具此阶段进行加工,工件的加工精度会随着刀具磨损程度的加剧而逐步上升。当刀具的刀具磨损量增加到一定程度时,切削刃变钝,切削力、切削温度急剧升高,刀具进入剧烈磨损阶段,磨损速率急剧上升,系统趋向于不稳定。在剧烈磨损阶段让刀具继续工作是一件得不偿失的事情,既加速消耗了刀具材料,又无法保证加工质量,如果出现崩刃的情况,损失则会更大。因此为了保证切削加工质量,在刀具进入剧烈磨损阶段之前达到磨钝标准时必须更换刀具。因此,考虑到磨损前期磨损率较高,磨损后期刀具已无法正常使用,本发明所提方法采用稳定磨损期的数据建模并进行预测。
具体的,在S4中所述的“磨损增量预测模型”,是指通过切削过程的工况数据去预测每一时间段内的退化增量,根据退化增量的累积情况来预测退化程度。本发明所提方法采用卷积神经网络的方法直接针对预处理后的数据信号构建性能退化增量的预测模型。本研究建立的卷积神经网络要完成的工作是将一定时间内输入的工况数据映射为一个退化增量,所使用的卷积神经网络模型结构采用残差网络的设计思路,残差网络的具体结构如图2所示,具体来说,考虑到BN(batch normalization)归一化层具有防止过拟合、加快模型收敛速度等优点,在模型的各层都加入了BN归一化层。BN归一化层后的“ReLU”表示对特征矩阵进行非线性变换,增大了网络的稀疏性,使提取出来的特征更具代表性,泛化能力更强。池化层特征矩阵的每个值对应BN归一化层特征矩阵中相邻2个位置元素中的较大值。对BN层中的特征矩阵进行操作时,各区域是不重叠的,因此池化后的特征矩阵的大小缩小了一倍。在第一个池化层后出现了残差网络结构,池化后的输出结果经过下采样,与第二次池化后的输出结果直接相加,加快模型的收敛,防止梯度消失。后续卷积与池化过程与上述描述类似,在执行完卷积和池化操作后,输出连接2个全连接层,最终输出为退化增量。
优选的,本实施例以稳定期的刀具磨损数据以及对应的主轴负载与扭矩为训练样本来训练卷积神经网络模型,设置每个样本的输入向量是一个32×2的矩阵,代表着采集周期是0.1s,3.2s的时长内共采集32组主轴负载与扭矩信号(该矩阵中的32);其模型的输出为该对应的32×2的矩阵输入下的相应的磨损增量。虽然相比于通过利用加速度传感器采集到的振动信号进行计算的速度较慢,但对于工程应用来说,通过每3.2s的数据来预测一次当前刀具的磨损程度对于操作人员是有一定指导意义的。在训练过程中,每次随机取30个样本进行训练,用剩余的样本进行验证,直到模型满足精度要求时结束训练,得到最优的磨损增量预测模型。
S5:在S3中建立的数据样本的基础上,利用BP神经网络,建立刀具磨损量预测模型。
具体的,在S5中所述的“刀具磨损量预测模型”,是以前几个时刻(多个在先时刻)的刀具磨损退化量,从上一时刻到当前时刻的切削时间,以及通过磨损增量预测模型预测出来的当前切削时间段内的退化增量为输入,通过BP神经网络构建的回归模型,用于预测下一时刻的刀具磨损退化量。BP神经网络是误差反向传播神经网络的简称,一般由一个输入层、一个或者多个隐含层和一个输出层构成。优选的,本发明采用一个三层的BP神经网络来构建刀具磨损量预测模型。
本实施例中利用磨损增量、前4个测量时刻的刀具磨损量、磨损增量所经历的切削间隔时间(6个参数),建立刀具磨损量预测模型,输出为下一个测量时刻的刀具磨损量,为了保证模型的准确性,这里建模所用的磨损增量数据为实际测量数据,而在实际预测过程中,磨损增量数据是通过磨损增量预测模型得到的。本案例利用BP神经网络来预测刀具磨损量,设置每个样本的输入向量是一个6×1的矩阵,其模型的输出为相应的刀具磨损量。在模型训练过程中,70%的样本用于训练,15%的样本用于验证,15%的样本用于测试。
如图5所示为模型预测结果与实际测量结果的对比情况。刀具磨损量预测模型能够较好地预测出下一时刻的刀具磨损量。同时,也发现在136个预测结果中,有7个预测结果是不符合实际情况的,即下一时刻的刀具磨损量等于或小于上一时刻的刀具磨损量。
S6:在预测结果匹配性检验准则的约束下,将基于卷积神经网络的磨损增量预测模型与基于BP神经网络的刀具磨损量预测模型相结合构成混合预测模型,对相同工艺条件下的刀具在未来一段时间的刀具磨损量进行预测。
如图3所示,“混合预测模型”是指将S4的磨损增量预测模型与S5的刀具磨损量预测模型在预测结果匹配性检验准则的约束下相结合构成混合预测模型;用于对相同工艺条件下的刀具在未来一段时间的刀具磨损量进行预测。
将卷积神经网络与BP神经网络相融合,构建混合预测模型。具体构建过程为:
首先,采用卷积神经网络直接对预处理后的数据信号构建性能退化增量的预测模型此为第一个模型;然后,考虑时间的累积作用,将之前几个时刻的刀具磨损退化量,从上一时刻到当前时刻的切削时间,以及通过卷积神经网络模型预测出来的当前切削时间段内的退化增量为输入,在卷积神经网络模型的基础上,增加一个BP神经网络预测回归模型,此为第二个模型,利用2个模型形成混合预测模型,实现对刀具磨损退化量的预测
使用混合预测模型属于长期累积的预测方法,使用前提是必须已获取之前的退化数据,当没有上一时刻的退化数据时,直接用一段时间的信号是无法预测出性能刀具磨损退化量的。所提算法框图如图3所示。在该流程中,已知t时刻以及之前的刀具磨损退化量数据Y0:t(预测得来的或者实际测量的),利用t时刻到s时刻的信号v(s-t),通过卷积神经网络模型,预测出这段时间内的退化增量x(s-t),并将t时刻和t时刻之前d个刀具磨损退化量,即y(t),y(t-1),…,y(t-d),以及时间间隔(s-t)作为输入,构建回归模型,输出为s时刻的刀具磨损退化量y(s)。
其中,在S6中所述的“预测结果匹配性检验准则”,就是指在预测时,通过采集切削过程中的实时工况数据,利用训练好的模型计算出当前的性能刀具磨损退化量,比之前的预测结果要小,并不符合实际的退化情况。因此需要对预测出来的性能刀具磨损退化量进行检验。当预测结果比之前时刻的刀具磨损退化量小时,或者预测结果与之前时刻的刀具磨损退化量的差值与基于卷积神经网络预测的退化增量相比偏差较大时,则说明预测结果不匹配,则需要停机,人工测量性能刀具磨损退化量,更新数据并再次训练模型。这样一方面能够减少停机测量次数,同时也能够不断对数据进行补充更新,提高预测模型的可靠性。
如下所示为预测结果匹配性检验准则:
其中,y(t)与y(t-1)分别为当前t时刻的刀具磨损退化量预测值、上一时刻t-1时刀具磨损退化量的预测值或者由于预测结果不匹配通过人工测量得到的实际刀具磨损退化量值;x(t)为利用t-1到t时刻的工况数据预测出来的这段时间内的退化增量,q为退化增量的偏差阈值,其值取0到1之间,且越接近于0说明检验标准越严格,该模型的预测性能越好,但也会导致人工测量的次数增多,需要根据实际情况选择合适的值。
本实施例优选将基于卷积神经网络的磨损增量预测模型与基于BP神经网络的刀具磨损量预测模型结合起来,并根据公式(1)所示的预测结果匹配性检验标准,利用第一次试验的机床数据进行刀具磨损量的预测,当人工智能模型的预测结果不匹配时,则用该时刻的真实刀具磨损量来代替预测得到的刀具磨损量,并对模型进行更新校准。
如图6所示为利用人工智能模型间接测量刀具磨损与人工直接测量刀具磨损相结合的方法描绘的刀具磨损变化曲线以及真实的磨损变化曲线。在136个预测结果中,有26个预测结果是不符合实际情况的,当出现这种情况时,则需要停机进行测量,利用实际的测量数据代替不理想的预测数据,并更新模型。
以上,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭示的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种多模型融合的切削刀具磨损量动态预测方法,其特征在于,包括如下步骤:
S1、确定所要采集的切削过程机床工况数据,确定相应的数据采集方式;
S2、进行刀具磨损加工试验:
进行切削试验设计;进行切削加工;采集切削加工过程中刀具磨损退化量数据,以及采集同一时间内切削过程的机床工况数据;
S3、对S2中获取的刀具磨损退化量数据进行预处理,提取S2中稳定磨损期的刀具磨损退化量数据和相应的机床工况数据;根据时间序列建立多个数据样本集;制作刀具磨损量变化曲线;
S4、建立磨损增量预测模型:
用数据样本集训练卷积神经网络模型,构建卷积神经网络的磨损增量预测模型;
S5、建立刀具磨损量预测模型:
根据S3中的数据样本,利用BP神经网络,建立基于BP神经网络的刀具磨损量预测模型;
S6、建立混合预测模型:
将S4的磨损增量预测模型与S5的刀具磨损量预测模型在预测结果匹配性检验准则的约束下相结合构成混合预测模型;用于对相同工艺条件下的刀具在未来一段时间的刀具磨损量进行预测。
2.根据权利要求1所述的多模型融合的切削刀具磨损量动态预测方法,其特征在于,S1中与刀具磨损过程相关的切削过程机床工况数据为与切削力相关的数据,包括主轴负载、主轴扭矩和主轴功率。
3.根据权利要求1所述的多模型融合的切削刀具磨损量动态预测方法,其特征在于,S1中的数据采集方式,包括RS-232协议的串口模式、TCP/IP协议的以太网模式和数据采集卡模式中的一种或任意组合。
4.根据权利要求1所述的多模型融合的切削刀具磨损量动态预测方法,其特征在于,S2中关键工步中的工艺方法包括如下步骤:
S21、选择需要进行刀具磨损状态监控的关键切削工步;
S22、选取关键切削工步的工艺参数;
S23、进行切削试验,获取切削过程刀具磨损退化量数据和同一时间内的切削过程工况数据。
5.根据权利要求1所述的多模型融合的切削刀具磨损量动态预测方法,其特征在于,S3中所述的“预处理”是指剔除S2中获取的切削过程机床工况数据中的异常数据、用异常数据相邻的正常数据的均值进行填充,并对测量数据进行平滑处理。
6.根据权利要求1所述的多模型融合的切削刀具磨损量动态预测方法,其特征在于,S4中所述的数据样本集为在切削试验稳定磨损期采集的机床工况数据建立的数据样本集。
7.根据权利要求1所述的多模型融合的切削刀具磨损量动态预测方法,其特征在于,S4中的磨损增量预测模型为采用卷积神经网络的方法,并以预处理后的数据信号为输入所构建的性能退化增量的预测模型。
8.根据权利要求1所述的多模型融合的切削刀具磨损量动态预测方法,其特征在于,S5中的刀具磨损量预测模型是通过BP神经网络构建的回归模型;回归模型的输入参数包括多个在先时刻的刀具磨损退化量、从上一时刻到当前时刻的切削时间以及通过磨损增量预测模型得出的当前切削时间段内的退化增量;回归模型用于预测下一时刻的刀具磨损退化量。
9.根据权利要求8所述的多模型融合的切削刀具磨损量动态预测方法,其特征在于,S6中所述的混合预测模型是指将S4中卷积神经网络的磨损增量预测模型与基于BP神经网络的刀具磨损量预测模型相融合,构建混合预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210901421.6A CN115169050A (zh) | 2022-07-28 | 2022-07-28 | 一种多模型融合的切削刀具磨损量动态预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210901421.6A CN115169050A (zh) | 2022-07-28 | 2022-07-28 | 一种多模型融合的切削刀具磨损量动态预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115169050A true CN115169050A (zh) | 2022-10-11 |
Family
ID=83477194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210901421.6A Pending CN115169050A (zh) | 2022-07-28 | 2022-07-28 | 一种多模型融合的切削刀具磨损量动态预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115169050A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115540759A (zh) * | 2022-11-16 | 2022-12-30 | 南京科天力电子科技有限公司 | 一种基于图像识别技术修饰金属的检测方法及检测系统 |
CN116629097A (zh) * | 2023-04-17 | 2023-08-22 | 中国北方车辆研究所 | 一种惯性负载摩擦元件的综合磨损性能评价方法 |
CN117520825A (zh) * | 2024-01-04 | 2024-02-06 | 东北大学 | 基于多尺度特征融合的工业母机加工工件质量预测方法 |
CN117520825B (zh) * | 2024-01-04 | 2024-05-10 | 东北大学 | 基于多尺度特征融合的工业母机加工工件质量预测方法 |
-
2022
- 2022-07-28 CN CN202210901421.6A patent/CN115169050A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115540759A (zh) * | 2022-11-16 | 2022-12-30 | 南京科天力电子科技有限公司 | 一种基于图像识别技术修饰金属的检测方法及检测系统 |
CN115540759B (zh) * | 2022-11-16 | 2023-05-09 | 江西滕创洪科技有限公司 | 一种基于图像识别技术修饰金属的检测方法及检测系统 |
CN116629097A (zh) * | 2023-04-17 | 2023-08-22 | 中国北方车辆研究所 | 一种惯性负载摩擦元件的综合磨损性能评价方法 |
CN116629097B (zh) * | 2023-04-17 | 2024-03-15 | 中国北方车辆研究所 | 一种惯性负载摩擦元件的综合磨损性能评价方法 |
CN117520825A (zh) * | 2024-01-04 | 2024-02-06 | 东北大学 | 基于多尺度特征融合的工业母机加工工件质量预测方法 |
CN117520825B (zh) * | 2024-01-04 | 2024-05-10 | 东北大学 | 基于多尺度特征融合的工业母机加工工件质量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115169050A (zh) | 一种多模型融合的切削刀具磨损量动态预测方法 | |
CN109822399B (zh) | 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 | |
CN102929210B (zh) | 基于特征的数控加工过程控制和优化系统及方法 | |
CN101477351B (zh) | 具有三级加工自优化功能的智能数控方法 | |
Čuš et al. | Real-time cutting tool condition monitoring in milling | |
CN111178553A (zh) | 一种基于arima和lstm算法的工业设备健康趋势分析方法及系统 | |
CN112692646B (zh) | 一种刀具磨损状态智能评估方法及装置 | |
CN113664612A (zh) | 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 | |
CN110472800A (zh) | 一种基于lstm+cnn的机床刀具剩余寿命预测方法 | |
CN113305645B (zh) | 一种基于混合神经模型的数控机床刀具剩余寿命预测方法 | |
CN113146359A (zh) | 一种智能监测和诊断切削状态的数控机床控制系统 | |
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 | |
Jemielniak | Contemporary challenges in tool condition monitoring | |
CN112192319A (zh) | 无监督模型的刀具磨损监测方法及系统 | |
CN114905336B (zh) | 基于切削力成分解耦的变工况刀具磨损监测方法及系统 | |
CN114800040B (zh) | 工艺-状态数据关联的刀具磨损监测方法及系统 | |
Oberle et al. | A use case to implement machine learning for life time prediction of manufacturing tools | |
CN114326593A (zh) | 一种刀具寿命预测系统及方法 | |
CN113199304A (zh) | 一种基于扩展卡尔曼滤波与切削力模型的换刀监测方法 | |
CN116871978A (zh) | 基于多传感器融合的钻削刀具状态监测方法 | |
Zuperl et al. | Intelligent cutting tool condition monitoring in milling | |
EP3869286A1 (en) | System and method for detecting turbine underperformance and operation anomaly | |
CN111993158B (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
US20230120046A1 (en) | Machining diagnosis device, learning device, inference device, machining diagnosis method and recording medium | |
KR20210100399A (ko) | 인공 지능을 이용한 가공품질 예측 시스템 및 방법 |
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 |