CN115344951A - 基于时间卷积网络和辅助学习的刀具磨损量预测方法 - Google Patents

基于时间卷积网络和辅助学习的刀具磨损量预测方法 Download PDF

Info

Publication number
CN115344951A
CN115344951A CN202110520964.9A CN202110520964A CN115344951A CN 115344951 A CN115344951 A CN 115344951A CN 202110520964 A CN202110520964 A CN 202110520964A CN 115344951 A CN115344951 A CN 115344951A
Authority
CN
China
Prior art keywords
time
cutter
convolution
layer
machining
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
Application number
CN202110520964.9A
Other languages
English (en)
Inventor
黄亦翔
夏鹏程
刘成良
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.)
Shanghai Jiaotong University
Shanghai Platform For Smart Manufacturing Co Ltd
Original Assignee
Shanghai Jiaotong University
Shanghai Platform For Smart Manufacturing Co Ltd
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 Shanghai Jiaotong University, Shanghai Platform For Smart Manufacturing Co Ltd filed Critical Shanghai Jiaotong University
Priority to CN202110520964.9A priority Critical patent/CN115344951A/zh
Publication of CN115344951A publication Critical patent/CN115344951A/zh
Pending legal-status Critical Current

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Numerical Control (AREA)

Abstract

一种基于时间卷积网络和辅助学习的刀具磨损量预测方法，在数控加工过程中，通过布置在数控机床上的电流传感器采集主轴电机的电流信号，并测量每次加工过程后刀具的磨损量，同时记录加工过程使用的主要加工参数，并根据其中的稳定走刀阶段的时间对应截取主轴电机的电流信号生成训练样本用于训练神经网络，在在线测试阶段，采集并选取待预测刀具的走刀阶段主轴电机的电流信号作为待测样本，输入训练后的神经网络后即得到刀具当前的磨损量实时预测值。

Description

基于时间卷积网络和辅助学习的刀具磨损量预测方法
技术领域
本发明涉及的是一种机械加工领域的技术，具体是一种基于时间卷积网络和辅助学习的刀具磨损量预测方法。
背景技术
现有的刀具磨损监测方法基于离线的刀具磨损量直接测量，需采取停机测量的方式，需要一定的时间成本且无法实现实时的磨损监测，无法满足现代高效高可靠性的生产需求。因此，基于传感信号的间接监测方法被广泛研究与应用。间接监测方法一般采集加工过程的传感信号，如主轴电流、振动、声发射等，提取一系列与刀具磨损情况相关的特征，再采用回归模型预测当前的刀具磨损量，实现在线的刀具磨损量预测。机床加工过程的传感信号中包括着大量的信息，如何获取到与刀具磨损情况高度相关的特征是决定磨损量预测准确度的关键。现有技术针对时序建模时并不具有特殊的时序处理性质，因而传感信号中包括的一些时序特性可能无法被很好利用且无法保证当刀具处于变工况状态下磨损量的预测准确度。
发明内容
本发明针对现有刀具磨损量预测方法难以适应变加工工况，预测准确度不高等问题，提出一种基于时间卷积网络和辅助学习的刀具磨损量预测方法，根据原始传感信号进行变工况适应性刀具磨损量实时预测，有效提升了预测的准确性和通用性。
本发明是通过以下技术方案实现的：
本发明涉及一种基于时间卷积网络和辅助学习的刀具磨损量预测方法，在数控加工过程中，通过布置在数控机床上的电流传感器采集主轴电机的电流信号，并测量每次加工过程后刀具的磨损量，同时记录加工过程使用的主要加工参数，并根据其中的稳定走刀阶段的时间对应截取主轴电机的电流信号生成训练样本用于训练神经网络，在在线测试阶段，采集并选取待预测刀具的走刀阶段主轴电机的电流信号作为待测样本，输入训练后的神经网络后即得到刀具当前的磨损量实时预测值。
所述的训练样本是将采集的主轴电流信号中稳定走刀阶段信号划分为的多个相同长度的信号样本。
所述的神经网络，具体为基于时间卷积网络与辅助学习的神经网络，由多个依次连接的时间卷积残差块以及并联的主任务模块和辅助任务模块构成，其中：时间卷积残差块根据输入电流信号输出多通道序列；主任务模块根据最后一个时间卷积残差模块输出的多通道序列中的最后一个元素构成的h维向量yT，通过一层回归层获得预测的刀具磨损量，具体为：磨损量实时预测值
Figure BDA0003063936350000021
其中：Wo和bo分别为回归层的权重矩阵和偏置矩阵；辅助任务模块根据最后一个时间卷积残差模块输出的多通道序列中的最后一个元素构成的h维向量yT，通过一个全连接层后再通过一层回归层得到预测的加工参数，具体为：
Figure BDA0003063936350000022
Figure BDA0003063936350000023
其中：Wz和bz分别为全连接层的权重矩阵和偏置矩阵，
Figure BDA0003063936350000024
为非线性激活函数，z为全连接层的输出；Wc和bc分别为回归层的权重矩阵和偏置矩阵，
Figure BDA0003063936350000025
为回归层的输出，即预测的加工参数。
所述的训练，具体通过将训练样本输入神经网络后得到的网络输出，与刀具磨损量的测量值以及加工参数记录值建立损失函数，迭代优化损失函数值，达到预设迭代步数后停止。
所述的刀具磨损量的测量值是指：测量刀具后刀面的磨损值VB。
所述的损失函数采用但不限于均方误差函数，具体为：
Figure BDA0003063936350000026
Figure BDA0003063936350000027
其中：M为样本数量，
Figure BDA0003063936350000028
和
Figure BDA0003063936350000029
分别为第j个样本的主任务模块输出和辅助任务模块输出，oj为第j个样本的真实磨损量，cj为第j个样本的加工参数记录值构成的向量，α为辅助任务的权重参数，||·||2为向量的2-范数。
所述的加工参数记录包括：数控加工过程中记录的进给量、切削深度、主轴转速。即在加工开始前记录下本次加工过程设定的切削进给量、切削深度、主轴转速，参数均可从加工过程的数控代码中获得。仅需记录主要加工参数，即在多次加工中有明显变化的参数，以简化计算量。
所述的时间卷积残差块包括：两个依次连接且完全相同的时间卷积模块，该时间卷积残差块的输出等于第一时间卷积模块的输入与第二时间卷积模块的输出之和。
所述的时间卷积模块依次包括：扩张因果卷积层、权重归一化层、ReLU层和dropout层，其中：扩张因果卷积层对输入序列x进行扩张因果卷积操作，得到输出序列，输出序列的第n个元素
Figure BDA00030639363500000210
其中：[f(0)，f(1)，…，f(k-1)]为一个卷积核，k为卷积核大小，d为扩张因子；权重归一化层对扩张因果卷积层中卷积核的权重向量进行归一化，即
Figure BDA00030639363500000211
Figure BDA00030639363500000212
其中：w为权重向量，v和g分别为参数向量和参数标量；ReLU层使用ReLU函数作用于扩张因果卷积层的输出序列，该ReLU函数为f(x)＝max{0，x}；dropout层在每轮训练过程中随机将部分通道数据置为0以提高泛化性能。
所述的扩张因果卷积层包括h个执行扩张因果卷积操作的通道，因而输出序列也包括h个通道。
所述的权重向量可以用新参数v和g替代。
所述的预测的加工参数的维度与加工参数记录的维度相同。
所述的训练样本与待预测样本长度相同。
本发明涉及一种实现上述方法的系统，包括：信号采集单元、刀具磨损量预测模型训练单元、刀具磨损量实时预测单元，其中：信号采集单元与主轴电机上布置的电流传感器相连并采集稳定走刀阶段的主轴电流信号，刀具磨损量预测模型训练单元获取信号采集单元采集的主轴电流信号并截取为多个相同长度的训练样本，结合刀具磨损量的测量值和加工参数，对单元中的基于时间卷积网络和辅助学习的神经网络进行训练，将训练完成的神经网络布置在刀具磨损量实时预测单元，刀具磨损量实时预测单元获取信号采集单元采集的实时走刀信号，截取为与训练样本相同长度的待预测样本后输入单元中布置好的神经网络，得到刀具磨损量实时预测值。
技术效果
本发明整体解决了现有技术未考虑传感器信号的时序特性或未考虑方法在变加工工况下的适应性，导致的刀具磨损量预测准确度不高的问题，提升了变工况下刀具磨损量的预测准确度；与现有技术相比，本发明通过时间卷积网络充分提取主轴电流信号中的时序特征，并通过构建基于加工参数识别的辅助学习任务使得方法能够更好适应变工况环境，具有更好的变工况刀具磨损量预测准确度。
附图说明
图1为本发明方法流程图；
图2为实施例神经网络的结构示意图。
具体实施方式
本实施例涉及一种基于时间卷积网络和辅助学习的刀具磨损量预测方法，使用NASA的铣削实验数据进行本发明提出的刀具磨损量实时预测方法的验证。实验采用两种不同材料的刀具，即铸铁和不锈钢，在数控机床上进行变工况下的铣削加工实验。每组实验中，用一把全新刀具进行多次重复性铣削加工，采集加工过程中主轴电机电流、主轴振动、主轴声发射等信号，每次加工结束后在显微镜下测量刀具的磨损量VB。铣削加工时的主轴转速为826转/分钟，切削深度与进给量在不同组实验中有不同的选择.本实施例选择前12组实验进行验证，每组实验具体参数设置如表1所示。
表1每组实验具体参数设置
Figure BDA0003063936350000031
Figure BDA0003063936350000041
如图1所示，本实施例具体步骤包括：
步骤1：进行数控加工，从布置在数控机床上的电流传感器中采集主轴电机的电流信号，记录加工过程使用的主要加工参数；
步骤2：在显微镜下测量每次加工过程后刀具的磨损量；
步骤3：从采集的主轴电流信号中截取稳定走刀阶段信号，并划分为多个相同长度N的数据样本用于训练；
步骤4：构建一个基于时间卷积网络与辅助学习的神经网络，包括多个依次连接的时间卷积残差块，主任务模块，辅助任务模块，将用于训练的数据样本作为网络输入；
步骤5：将训练样本输入基于时间卷积网络与辅助学习的神经网络后得到的网络输出，与刀具磨损量的真实测量值以及加工参数记录值建立损失函数，迭代优化损失函数值，达到预设迭代步数后停止，得到训练完成的网络；
步骤6：采集待预测刀具的走刀阶段主轴电流信号，选取一定长度的数据样本输入到训练完成的网络中，得到的主任务模块的输出即为刀具当前的磨损量实时预测值。
优选地，步骤1中的主要加工参数一般包括进给量、切削深度、主轴转速等。
本实施例中，因各组实验主轴转速保持不变，选择切削深度和进给量作为后续考虑的主要加工参数。
本实施例中，步骤2中磨损量测量选用刀具后刀面的磨损值VB。
本实施例中，步骤3具体实施如下：每次加工过程采集到的主轴电流信号可明显反映出刀具在接触工件时的信号幅值明显增大以及在离开工件时信号幅值明显减小的阶段，去除这两个阶段的信号，选取每次加工中幅值稳定阶段的信号。本实施例中，选取每次加工过程的第3500-5500个数据点，划分为长度为N＝100的数据样本。
优选地，步骤4中的基于时间卷积网络与辅助学习的神经网络包括多个依次连接的时间卷积残差块、主任务模块、辅助任务模块，主任务模块和辅助任务模块共享最后一个时间卷积残差模块的输出作为模块输入。
如图2所示，该网络包括5个依次连接的时间卷积残差块，该时间卷积残差块包括两个完全相同的时间卷积模块并依次连接，时间卷积残差块的输出为输入与第二时间卷积模块的输出之和。
所述的时间卷积模块依次包括：扩张因果卷积层、权重归一化层、ReLU层和dropout层，其中：扩张因果卷积层对输入序列x进行扩张因果卷积操作，得到输出序列，输出序列的第n个元素
Figure BDA0003063936350000051
其中：[f(0)，f(1)，…，f(k-1)]为一个卷积核,k为卷积核大小，d为扩张因子；权重归一化层对扩张因果卷积层中卷积核的权重向量进行归一化以提高训练速度，具体为
Figure BDA0003063936350000052
其中：w为权重向量，v和g分别为参数向量和参数标量，权重向量可以用新参数v和g替代；ReLU层使用ReLU函数作用于扩张因果卷积层的输出序列，ReLU函数的表达式为f(x)＝max{0，x}；dropout层在每轮训练过程中随机将一定比例的通道数据置为0以提高泛化能。
本实施例中，所述的扩张因果卷积层包括h个执行扩张因果卷积操作的通道，因而输出序列也包括h个通道。实施例中，扩张因果卷积层的通道数h为32，卷积核大小k为7，扩张因子d随着时间卷积残差块的次序以2的倍数递增，即第一个时间卷积残差块中d＝1，第二个时间卷积残差块中d＝2，第三个时间卷积残差块中d＝4，依此类推。
本实施例中，所述的dropout层每轮训练过程中将某些通道数据置0的比例为0.1。
所述的主任务模块采用最后一个时间卷积残差模块输出的多通道序列作为输入，选取序列的最后一个元素构成一个h维的向量yT，通过一层回归层获得预测的刀具磨损量
Figure BDA0003063936350000053
Figure BDA0003063936350000054
其中：Wo和bo分别为回归层的权重矩阵和偏置矩阵。
所述的辅助任务模块同样采用最后一个时间卷积残差模块输出的多通道序列作为输入，选取序列的最后一个元素构成一个h维的向量yT,先通过一个全连接层
Figure BDA0003063936350000055
Figure BDA0003063936350000056
其中：Wf和bf分别为全连接层的权重矩阵和偏置矩阵,
Figure BDA0003063936350000057
表示非线性激活函数。之后再通过一层回归层得到预测的加工参数，输出的维度设置为与步骤1中记录的主要加工参数的个数相同
Figure BDA0003063936350000058
其中：Wc和bc分别为回归层的权重矩阵和偏置矩阵。
实施例中，全连接层的输出维度设为8，回归层的输出维度与选取的主要加工参数的个数一致，为2。全连接层的非线性激活函数为ReLU函数。
优选地，所述的网络输出包括主任务模块的输出
Figure BDA0003063936350000059
和辅助任务模块的输出
Figure BDA00030639363500000510
优选地，所述的损失函数一般选为均方误差函数
Figure BDA00030639363500000511
Figure BDA0003063936350000061
其中：M为样本数量，
Figure BDA0003063936350000062
和
Figure BDA0003063936350000063
分别为第j个样本的主任务模块输出和辅助任务模块输出，oj为第j个样本的真实磨损量，cj为第j个样本的加工参数记录值构成的向量，α为辅助任务的权重参数，||·||2为向量的2-范数。
本实施例中，辅助任务的权重参数设为0.5，使用Adam优化算法迭代优化损失函数值，学习率为0.001，迭代20轮后停止训练。
优选地，步骤6将待预测刀具的主轴电流信号按步骤3中相同的样本长度N＝100选取信号样本。
实施例中，选择加工参数不同的第2和第10组实验用作磨损量实时预测的测试，其他10组实验数据用于模型的训练。将测试实验采集到的主轴电流信号同样截取为长度为100的测试样本，输入到已训练完成的网络中得到刀具的磨损量预测值。使用预测结果与真实值的均方根误差(Root-mean-squared-error,RMSE)以及绝对平均误差(Mean-absolute-error,MAE)来衡量预测结果的准确程度，表2给出了第2组和第10组实验的测试样本在使用本发明提供方法以及卷积神经网络、长短时记忆神经网络得到的预测结果的均方根误差与绝对平均误差。
表2本方法以及卷积神经网络、长短时记忆神经网络得到的预测结果的均方根误差与绝对平均误差
Figure BDA0003063936350000064
表2的结果显示，本发明提供方法预测的铣刀磨损量与真实值相比误差较小，且相比两种现有技术方法，在两组实验中都均具有更低的预测误差，即更高的刀具磨损量预测准确度。
综上，本发明使用时间卷积网络对主轴电流信号进行时序处理进而进行刀具磨损量预测，同时通过构建基于加工工况识别的辅助学习任务来提升方法在变工况下的适应性，通过构建基于时间卷积网络和辅助学习的神经网络，使用多个依次连接的时间卷积残差块提取时序特征，并包括一个辅助任务模块用于识别加工工况。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。

Claims (10)

1.一种基于时间卷积网络和辅助学习的刀具磨损量预测方法，其特征在于，在数控加工过程中，通过布置在数控机床上的电流传感器采集主轴电机的电流信号，并测量每次加工过程后刀具的磨损量，同时记录加工过程使用的主要加工参数，并根据其中的稳定走刀阶段的时间对应截取主轴电机的电流信号生成训练样本用于训练神经网络，在在线测试阶段，采集并选取待预测刀具的走刀阶段主轴电机的电流信号作为待测样本，输入训练后的神经网络后即得到刀具当前的磨损量实时预测值。
2.根据权利要求1所述的基于时间卷积网络和辅助学习的刀具磨损量预测方法，其特征是，所述的训练样本是将采集的主轴电流信号中稳定走刀阶段信号划分为的多个相同长度的信号样本。
3.根据权利要求1所述的基于时间卷积网络和辅助学习的刀具磨损量预测方法，其特征是，所述的神经网络，具体为基于时间卷积网络与辅助学习的神经网络，由多个依次连接的时间卷积残差块以及并联的主任务模块和辅助任务模块构成，其中：时间卷积残差块根据输入电流信号输出多通道序列；主任务模块根据最后一个时间卷积残差模块输出的多通道序列中的最后一个元素构成的h维向量yT，通过一层回归层获得预测的刀具磨损量，具体为：磨损量实时预测值
Figure FDA0003063936340000011
其中：Wo和bo分别为回归层的权重矩阵和偏置矩阵；辅助任务模块根据最后一个时间卷积残差模块输出的多通道序列中的最后一个元素构成的h维向量yT，通过一个全连接层后再通过一层回归层得到预测的加工参数，具体为：
Figure FDA0003063936340000012
Figure FDA0003063936340000013
其中：Wz和bz分别为全连接层的权重矩阵和偏置矩阵，
Figure FDA0003063936340000014
为非线性激活函数，z为全连接层的输出；Wc和bc分别为回归层的权重矩阵和偏置矩阵，
Figure FDA0003063936340000015
为回归层的输出，即预测的加工参数。
4.根据权利要求1所述的基于时间卷积网络和辅助学习的刀具磨损量预测方法，其特征是，所述的训练，具体通过将训练样本输入神经网络后得到的网络输出，与刀具磨损量的测量值，即测量刀具后刀面的磨损值VB以及加工参数记录值建立损失函数，迭代优化损失函数值，达到预设迭代步数后停止。
5.根据权利要求1所述的基于时间卷积网络和辅助学习的刀具磨损量预测方法，其特征是，所述的损失函数采用均方误差函数，具体为：
Figure FDA0003063936340000016
其中：M为样本数量，
Figure FDA0003063936340000021
和
Figure FDA0003063936340000022
分别为第j个样本的主任务模块输出和辅助任务模块输出，oj为第j个样本的真实磨损量，cj为第j个样本的加工参数记录值构成的向量，α为辅助任务的权重参数，||·||2为向量的2-范数。
6.根据权利要求1所述的基于时间卷积网络和辅助学习的刀具磨损量预测方法，其特征是，所述的加工参数记录包括：数控加工过程中记录的进给量、切削深度、主轴转速，即在加工开始前记录下本次加工过程设定的切削进给量、切削深度、主轴转速，参数均可从加工过程的数控代码中获得，仅需记录主要加工参数，即在多次加工中有明显变化的参数，以简化计算量。
7.根据权利要求1所述的基于时间卷积网络和辅助学习的刀具磨损量预测方法，其特征是，所述的时间卷积残差块包括：两个依次连接且完全相同的时间卷积模块，该时间卷积残差块的输出等于第一时间卷积模块的输入与第二时间卷积模块的输出之和。
8.根据权利要求1所述的基于时间卷积网络和辅助学习的刀具磨损量预测方法，其特征是，所述的时间卷积模块依次包括：扩张因果卷积层、权重归一化层、ReLU层和dropout层，其中：扩张因果卷积层对输入序列x进行扩张因果卷积操作，得到输出序列，输出序列的第n个元素
Figure FDA0003063936340000023
其中：[f(0)，f(1)，…，f(k-1)]为一个卷积核，k为卷积核大小，d为扩张因子；权重归一化层对扩张因果卷积层中卷积核的权重向量进行归一化，即
Figure FDA0003063936340000024
Figure FDA0003063936340000025
其中：w为权重向量，v和g分别为参数向量和参数标量；ReLU层使用ReLU函数作用于扩张因果卷积层的输出序列，该ReLU函数为f(x)＝max{0，x}；dropout层在每轮训练过程中随机将部分通道数据置为0以提高泛化性能。
9.根据权利要求1所述的基于时间卷积网络和辅助学习的刀具磨损量预测方法，其特征是，所述的预测的加工参数的维度与加工参数记录的维度相同；所述的训练样本与待预测样本长度相同。
10.一种实现上述任一权利要求所述的基于时间卷积网络和辅助学习的刀具磨损量预测方法的系统，其特征在于，包括：信号采集单元、刀具磨损量预测模型训练单元、刀具磨损量实时预测单元，其中：信号采集单元与主轴电机上布置的电流传感器相连并采集稳定走刀阶段的主轴电流信号，刀具磨损量预测模型训练单元获取信号采集单元采集的主轴电流信号并截取为多个相同长度的训练样本，结合刀具磨损量的测量值和加工参数，对单元中的基于时间卷积网络和辅助学习的神经网络进行训练，将训练完成的神经网络布置在刀具磨损量实时预测单元，刀具磨损量实时预测单元获取信号采集单元采集的实时走刀信号，截取为与训练样本相同长度的待预测样本后输入单元中布置好的神经网络，得到刀具磨损量实时预测值。
CN202110520964.9A 2021-05-13 2021-05-13 基于时间卷积网络和辅助学习的刀具磨损量预测方法 Pending CN115344951A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110520964.9A CN115344951A (zh) 2021-05-13 2021-05-13 基于时间卷积网络和辅助学习的刀具磨损量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110520964.9A CN115344951A (zh) 2021-05-13 2021-05-13 基于时间卷积网络和辅助学习的刀具磨损量预测方法

Publications (1)

Publication Number Publication Date
CN115344951A true CN115344951A (zh) 2022-11-15

Family

ID=83977943

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110520964.9A Pending CN115344951A (zh) 2021-05-13 2021-05-13 基于时间卷积网络和辅助学习的刀具磨损量预测方法

Country Status (1)

Country Link
CN (1) CN115344951A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117086698A (zh) * 2023-10-19 2023-11-21 齐鲁工业大学(山东省科学院) 一种基于数字孪生的刀具多工况状态监测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117086698A (zh) * 2023-10-19 2023-11-21 齐鲁工业大学(山东省科学院) 一种基于数字孪生的刀具多工况状态监测方法及系统
CN117086698B (zh) * 2023-10-19 2024-02-06 齐鲁工业大学(山东省科学院) 一种基于数字孪生的刀具多工况状态监测方法及系统

Similar Documents

Publication Publication Date Title
Huang et al. An enhanced deep learning-based fusion prognostic method for RUL prediction
CN110153801B (zh) 一种基于多特征融合的刀具磨损状态辨识方法
Udmale et al. Application of spectral kurtosis and improved extreme learning machine for bearing fault classification
Wang et al. CHMM for tool condition monitoring and remaining useful life prediction
Liu et al. Diagnosis and prognosis of degradation process via hidden semi-Markov model
CN111300146A (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
CN112692646B (zh) 一种刀具磨损状态智能评估方法及装置
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
CN112171376B (zh) 一种基于电流信号分割的机床工件实时统计方法
Godreau et al. Continuous improvement of HSM process by data mining
CN113534741A (zh) 一种铣削加工薄壁件的控制方法及系统
CN110096036A (zh) 一种设备状态的确定方法、装置及设备
CN112207631B (zh) 刀具检测模型的生成方法、检测方法、系统、设备及介质
CN113762182A (zh) 基于深度网络自适应的铣削刀具磨损状态预测方法及装置
JP2022074890A (ja) 異常判定装置、学習装置及び異常判定方法
CN115373370A (zh) 一种可编程控制器运行状态监测方法及系统
CN115344951A (zh) 基于时间卷积网络和辅助学习的刀具磨损量预测方法
CN114326593B (zh) 一种刀具寿命预测系统及方法
CN113110961B (zh) 设备异常检测方法、装置、计算机设备及可读存储介质
Massol et al. An exTS based neuro-fuzzy algorithm for prognostics and tool condition monitoring
Gao et al. New tool wear estimation method of the milling process based on multisensor blind source separation
Xia et al. Tool wear prediction under varying milling conditions via temporal convolutional network and auxiliary learning
CN111061581A (zh) 一种故障检测方法、装置及设备
WO2021111936A1 (ja) 予測システム、情報処理装置および情報処理プログラム
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