CN115446663A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN115446663A CN115446663A CN202211260504.8A CN202211260504A CN115446663A CN 115446663 A CN115446663 A CN 115446663A CN 202211260504 A CN202211260504 A CN 202211260504A CN 115446663 A CN115446663 A CN 115446663A
- Authority
- CN
- China
- Prior art keywords
- milling force
- tool wear
- formula
- wear
- 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.)
- Granted
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
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种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,该方法包括以下步骤,步骤一:采集数控机床的加工数据;步骤二:对步骤一得到的原始数据进行预处理;步骤三:建立基于物理指导的数据模型的刀具磨损状态估计方法;步骤四:对步骤三所建立的模型的预测性能进行评估;步骤五:采集在线加工数据,输入训练好的模型进行实时预测。本发明通过在刀具磨损的数据模型中添加物理约束,来构建的基于物理指导的数据模型对刀具磨损状态估计,从而能提升刀具磨损预测模型的预测效果,实现快速且准确的预测刀具的磨损状态。
Description
技术领域
本发明属于机械加工制造领域,具体为涉及一种基于物理指导的数据模型的刀具磨损状态状态估计方法及其应用。
背景技术
在机械加工过程中,刀具的磨损会对加工工件的质量和加工过程的安全性有着重要的影响。因此加工过程中状态的监测和故障的诊断对提高加工系统运行的可靠性和降低停机维护成本至关重要。有研究表明在微铣削加工中刀具的故障停机时间占了整个机床停机时间的20%,通过对加工过程中刀具的磨损状态进行在线监测,可以节省约40%的刀具成本。所以刀具磨损状态的在线监测对加工过程至关重要。相比于传统的故障诊断方法,智能故障诊断方法摆脱了过分依赖专家经验,通过分析监测信号获取故障特征来识别故障模式。
虽然当前基于深度学习方法的数据模型有大量的研究,但是在实际的生产过程中基于数据驱动的模型确很少被应用。这是因为对于数据驱动的模型有两个主要缺陷:首先,数据驱动模型属于黑箱模型,它直接利用采集的传感器信号预测刀具的磨损值,无法对模型进行物理解释并存在物理不一致性。其次,为了保证模型预测的准确性,需要大量完整寿命实验数据用于模型训练,这不仅需要花费昂贵的成本还产生大量的浪费。相比于数据驱动的模型,物理模型虽然在实际生产中得到成功的应用,但是物理模型本身存在建模过程中对系统的不充分理解以及复杂过程的简化建模的缺点,使得其预测性能并不理想。
发明内容
本发明是为了解决上述现有技术存在的不足之处,提出一种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,以期能在刀具磨损的数据模型中添加物理约束,从而能提升刀具磨损预测模型的预测效果,实现快速且准确的预测刀具的磨损状态。
本发明为达到上述发明目的,采用如下技术方案:
本发明一种基于物理指导的深度学习网络的刀具磨损状态监测方法的特点在于,是按照以下步骤进行:
步骤1、采集数控机床的加工信息,并通过安装在工作台上的力传感器在线采集刀具在三个方向上的铣削力信号{Fd(t)|d=x,y,z},其中,Fd(t)表示刀具在t时段的第d个方向上的铣削力信号;然后通过电子显微镜来离线获取对应t时段的刀具磨损信息ωtrue(t)并作为标签值;
步骤2、对三个方向上的铣削力信号{Fd(t)|d=x,y,z}进行标准化处理,得到标准化后的三个方向上的铣削力信号,记为第t时间段的铣削力信号从而得到t时段开始到t+N时段的铣削力信号Xt={St+1,St+2,…,St+i,…,St+N},且Xt∈D,D表示刀具磨损状态监测数据集,表示刀具在t时段的第d个方向上标准化后的铣削力信号;St+i表示第t+i时间段的铣削力信号;
步骤3、构建基于物理指导的深度学习网络的刀具磨损状态监测模型,包括:特征提取模块、刀具磨损预测模块、损失函数模块;
步骤3.1、所述特征提取模块由N个权值共享的特征提取块组成,N个权值共享的特征提取块分别记为EFeatureBlock1,EFeatureBlock2,…,EFeatureBlockn,…,EFeatureBlockN;其中,EFeatureBlockn表示第n个特征提取块,n=1,2…,N;所述第n个特征提取块EFeatureBlockn由X个二维卷积层以及X个GRU层以及一个多层感知机MLP1串联组成;
所述N段连续的铣削力信号Xt∈D输入所述特征提取模块中,并分别对应经过N个权值共享的特征提取块EFeatureBlock1,EFeatureBlock2,…,EFeatureBlockn,…,EFeatureBlockN的处理后,相应得到对应的基于时间序列的铣削力特征Ft={ft+1,ft+2,…,ft+i,…,ft+N};其中,ft+i表示第t+i时段的铣削力信号St+i经过第i个权值共享的特征提取块EFeatureBlocki处理后得到的铣削力特征;
步骤3.2、所述刀具磨损预测模块包含基于物理指导GRU层和一个多层感知机MLP2;
所述基于时间序列铣削力特征Ft={ft+1,ft+2,…,ft+i,…,ft+N}输入基于物理指导GRU层中进行处理,得到基于时间序列的刀具磨损特征其中,表示ft+i经过基于物理指导GRU层后得到的刀具磨损特征;
步骤3.3、所述损失函数模块用于建立数据项Loss_data和物理损失项Loss_Phy之和的损失函数;
所述数据项Loss_data为标签值与预测值之间的误差,并使用均方误差MSE测量误差的平均大小,记作Loss_data=MSE(ωtrue,ωpre);
所述物理损失项模型Loss_Phy为预测值与刀具磨损机理模型的一致性程度Inc,记作Loss_Phy=Inc(ωpre);
通过梯度下降法对所述刀具磨损状态监测模型进行训练,并计算损失函数以更新模型权重;当损失函数下降到指定阈值的时,得到训练好的刀具磨损状态监测模型;
步骤4、实时采集加工过程中的铣削力信号,并按照步骤2的处理后输入训练好的刀具磨损状态监测模型中,从而预测当前刀具磨损预测值;
步骤5、如果当前刀具磨损预测值达到刀具磨损临界状态,则停机换刀,否则返回步骤4。
本发明所述的一种基于物理指导的深度学习网络的刀具磨损状态监测方法的特点也在于,
所述基于物理指导的GRU层包括:更新门Zj、重置门Rj、单调门Mj以及Relu激活函数;
所述基于时间序列铣削力特征Ft={ft+1,ft+2,…,ft+i,…,ft+N}作为输入特征{fj|j=t+1,…,t+N}输入基于物理指导的GRU层中进行前向传播时,当前第j个时刻的特征fj分别经过更新门Zj的处理后,得到更新门在第j个时刻的输出zj,再经过重置门Rj的处理后,得到重置门在第j个时刻的输出rj,再输入所述单调门Mj中,从而利用式(1)得到当前第j个时刻网络的输出预测状态
式(1)中,hj-1表示第j-1个时刻的状态;hj表示当前第j个时刻的状态,并由式(2)得到;
所述步骤3.3中的刀具磨损机理模型如式(4)所示:
ωphy(j)=ωphy(j-1)+τ(1/6K1+2/6K2+2/6K3+1/6K4) (4)
式(4)中,ωphy(j)表示当前第j个时刻的磨损值,ωphy(j-1)表示第j-1个时刻的磨损值;τ表示当前第j个时刻与第j-1个时刻之间的时间段;K1,K2,K3,K4为中间变量,并由式(5)-式(8)得到:
K1=G(j,ωphy(j)) (5)
K4=G(j+τ,ωphy(j)+τK3) (8)
式(5)-式(8)中,G(j,ωphy(j))表示关于时间j与刀具磨损值ωphy(j)之间的关系,并由式(9)得到:
式(9)中,A,B,C,D是一组关于刀具磨损模型的系数。
本发明一种电子设备,包括存储器以及处理器,其特点在于,所述存储器用于存储支持处理器执行所述刀具磨损状态监测方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
本发明一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,其特点在于,所述计算机程序被处理器运行时执行所述刀具磨损状态监测方法的步骤。
与现有技术相比,本发明的有益效果在于:
1、本发明通过采用基于物理指导的深度学习网络的刀具磨损状态监测方法,通过在刀具磨损时间序列分析层中加入单调性约束以及在模型训练过程中引入物理损失项,不但可以快速准确对刀具磨损状态进行实时预测,而且还降低模型预测结果的物理不一致性,使其预测结果具有较好的鲁棒性和泛化能力。
2、本发明是将加工过程中的铣削力信号作为输入,不需要进行人工特征提取。对于传统的深度学习特征提取方法,通过神经网络对输入信号做高维映射的黑箱模型,本发明的方法是利用多个权值共享的特征提取模块,使得输入信号经过处理后仍然具有时间序列信息,充分的利用了信号所包含的信息。
3、本发明考虑到基于数据驱动的黑箱模型物理解释性差的缺陷,基于刀具磨损过程连续递增的特点,在刀具磨损预测模块中添加单调性约束,使得本发明模型的预测过程具有一定的物理解释并提高模型物理一致性。
4、本发明的损失函数模块包含数据项和物理损失项,对于传统神经网络模型的损失函数只是包含了数据项,这样就会导致为了保证模型预测的准确性,需要大量完整寿命实验数据用于模型训练,这不仅需要花费昂贵的成本还产生大量的浪费。而本发明中的物理损失项通过磨损机理模型产生物理标签,再通过物理标签去计算模型预测的物理不一致性,这样通过给网络反馈更多的信息,来提高模型的训练速度,降低了实验成本。
附图说明
图1是本发明提供的基于物理指导的数据模型的刀具磨损状态监测方法流程图;
图2是本发明提供的实验平台示意图;
图3是本发明提供的物理指导的数据模型网络结构图;
图4是本发明提供的物理损失函数结构示意图。
具体实施方式
本实施例中,一种基于物理指导的深度学习网络的刀具磨损状态监测方法,具体流程如图1所示,是按照以下步骤进行:
步骤1、采集数控机床的加工信息,本实施例中实验平台如图2所示,通过安装在工作台上的力传感器在线采集刀具在三个方向上的铣削力信号{Fd(t)|d=x,y,z},其中,Fd(t)表示刀具在t时段的第d个方向上的铣削力信号;然后通过电子显微镜来离线获取对应t时段的刀具磨损信息ωtrue(t)并作为标签值;本实施例中,所采用的机床是HSM600U五轴联动高速加工中心,刀具为日本佑能生产的直径为0.5mm的两刃硬质合金微端铣刀,铣削工件材料为AISI4340。共进行9组实验,每组实验包含120个样本,单个样本的大小为10000×3,其中10000是时间序列数,3是通道数;
步骤2、对三个方向上的铣削力信号{Fd(t)|d=x,y,z}进行标准化处理,得到标准化后的三个方向上的铣削力信号,记为第t时间段的铣削力信号从而得到t时段开始到t+N时段的铣削力信号Xt={St+1,St+2,…,St+i,…,St+N},且Xt∈D,D表示刀具磨损状态监测数据集,表示刀具在t时段的第d个方向上标准化后的铣削力信号;St+i表示第t+i时间段的铣削力信号;本实施例中,对上述采集的数据机床加工信息构建刀具磨损状态监测数据集样本,其样本Xt的大小为10×10000×3,并对铣削力信号进行标准化处理;
步骤3、构建基于物理指导的深度学习网络的刀具磨损状态监测模型,包括:特征提取模块、刀具磨损预测模块、损失函数模块,其网络结构如图3所示;
步骤3.1、特征提取模块由N个权值共享的特征提取块组成,N个权值共享的特征提取块分别记为EFeatureBlock1,EFeatureBlock2,…,EFeatureBlockn,…,EFeatureBlockN;其中,EFeatureBlockn表示第n个特征提取块,n=1,2…,N;第n个特征提取块EFeatureBlockn由M个二维卷积层以及M个GRU层以及一个多层感知机MLP1串联组成,本实施例中,N=10,M=2,对于第一个二维卷积层卷积核为240×3,卷积步长为10×1,输出通道数为64,对于第二个二维卷积层卷积核为120×1,卷积步长为10×1,输出通道数为64,对于第一个GRU层的输出为序列,输出通道数为64,对于第二个GRU层的输出为单一值,输出通道数为32,多层感知机层MLP1由2个全连接层构成,输出通道数为16;
N段连续的铣削力信号Xt∈D输入特征提取模块中,并分别对应经过N个权值共享的特征提取块EFeatureBlock1,EFeatureBlock2,…,EFeatureBlockn,…,EFeatureBlockN的处理后,相应得到对应的基于时间序列的铣削力特征Ft={ft+1,ft+2,…,ft+i,...,ft+N};其中,ft+i表示第t+i时段的铣削力信号St+i经过第i个权值共享的特征提取块EFeatureBlocki处理后得到的铣削力特征,本实施例中,对于输出的铣削力特征的大小为10×16×1;
步骤3.2、刀具磨损预测模块包含基于物理指导GRU层和一个多层感知机MLP2,本实施例中,对于物理指导GRU层的输出为序列,输出通道数为16,多层感知机层MLP2由2个全连接层构成,最终输出通道数为1;
基于时间序列铣削力特征Ft={ft+1,ft+2,…,ft+i,…,ft+N}输入基于物理指导GRU层中进行处理,得到基于时间序列的刀具磨损特征其中,表示ft+i经过基于物理指导GRU层后得到的刀具磨损特征,本实施例中对于输出的刀具磨损特征的大小为10×16×1;
本实施例中,基于物理指导的GRU层包括:更新门Zj、重置门Rj、单调门Mj以及Relu激活函数;
基于时间序列铣削力特征Ft={ft+1,ft+2,…,ft+i,...,ft+N}作为输入特征{fj|j=t+1,…,t+N}输入基于物理指导的GRU层中进行前向传播时,当前第j个时刻的特征fj分别经过更新门Zj的处理后,得到更新门在第j个时刻的输出zj,再经过重置门Rj的处理后,得到重置门在第j个时刻的输出rj,再输入所述单调门Mj中,从而利用式(1)得到当前第j个时刻网络的输出预测状态
式(1)中,hj-1表示第j-1个时刻的状态;hj表示当前第j个时刻的状态,并由式(2)得到;
步骤3.3、损失函数模块用于建立数据项Loss_data和物理损失项Loss_Phy之和的损失函数,其网络结构如图4所示;
数据项Loss_data为标签值与预测值之间的误差,并使用均方误差MSE测量误差的平均大小,记作Loss_data=MSE(ωtrue,ωpre);
物理损失项模型Loss_Phy为预测值与刀具磨损机理模型的一致性程度Inc,记作Loss_Phy=Inc(ωpre);
该刀具磨损机理模型如式(4)所示:
ωphy(j)=ωphy(j-1)+τ(1/6K1+2/6K2+2/6K3+1/6K4) (4)
式(4)中,ωphy(j)表示当前第j个时刻的磨损值,ωphy(j-1)表示第j-1个时刻的磨损值;τ表示当前第j个时刻与第j-1个时刻之间的时间段;K1,K2,K3,K4为中间变量,并由式(5)-式(8)得到:
K1=G(j,ωphy(j)) (5)
K4=G(j+τ,ωphy(j)+τK3) (8)
式(5)-式(8)中,G(j,ωphy(j))表示关于时间j与刀具磨损值ωphy(j)之间的关系,如式(9)所示:
式(9)中,A,B,C,D是一组关于刀具磨损模型的系数。
通过梯度下降法对刀具磨损状态监测模型进行训练,并计算损失函数以更新模型权重;当损失函数下降到指定阈值的时,得到训练好的刀具磨损状态监测模型,本实施例中,采用Adam优化器,初始学习率为0.01,其中每迭代10次学习率降低30%,训练共迭代200次,损失误差阈值到0.5;
步骤4、实时采集加工过程中的铣削力信号,并按照步骤2的处理后输入训练好的刀具磨损状态监测模型中,从而预测当前刀具磨损预测值;
步骤5、如果当前刀具磨损预测值达到刀具磨损临界状态,则停机换刀,否则返回步骤4。
本实施例中,一种电子设备,包括存储器以及处理器,该存储器用于存储支持处理器执行该刀具磨损状态监测方法的程序,该处理器被配置为用于执行该存储器中存储的程序。
本实施例中,一种计算机可读存储介质,是在计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行改该刀具磨损状态监测方法的步骤。
Claims (5)
1.一种基于物理指导的深度学习网络的刀具磨损状态监测方法,其特征在于,是按照以下步骤进行:
步骤1、采集数控机床的加工信息,并通过安装在工作台上的力传感器在线采集刀具在三个方向上的铣削力信号{Fd(t)|d=x,y,z},其中,Fd(t)表示刀具在t时段的第d个方向上的铣削力信号;然后通过电子显微镜来离线获取对应t时段的刀具磨损信息ωtrue(t)并作为标签值;
步骤2、对三个方向上的铣削力信号{Fd(t)|d=x,y,z}进行标准化处理,得到标准化后的三个方向上的铣削力信号,记为第t时间段的铣削力信号从而得到t时段开始到t+N时段的铣削力信号Xt={St+1,St+2,…,St+i,…,St+N},且Xt∈D,D表示刀具磨损状态监测数据集,表示刀具在t时段的第d个方向上标准化后的铣削力信号;St+i表示第t+i时间段的铣削力信号;
步骤3、构建基于物理指导的深度学习网络的刀具磨损状态监测模型,包括:特征提取模块、刀具磨损预测模块、损失函数模块;
步骤3.1、所述特征提取模块由N个权值共享的特征提取块组成,N个权值共享的特征提取块分别记为EFeatureBlock1,EFeatureBlock2,…,EFeatureBlockn,…,EFeatureBlockN;其中,EFeatureBlockn表示第n个特征提取块,n=1,2...,N;所述第n个特征提取块EFeatureBlockn由X个二维卷积层以及X个GRU层以及一个多层感知机MLP1串联组成;
所述N段连续的铣削力信号Xt∈D输入所述特征提取模块中,并分别对应经过N个权值共享的特征提取块EFeatureBlock1,EFeatureBlock2,…,EFeatureBlockn,…,EFeatureBlockN的处理后,相应得到对应的基于时间序列的铣削力特征Ft={ft+1,ft+2,...,ft+i,...,ft+N};其中,ft+i表示第t+i时段的铣削力信号St+i经过第i个权值共享的特征提取块EFeatureBlocki处理后得到的铣削力特征;
步骤3.2、所述刀具磨损预测模块包含基于物理指导GRU层和一个多层感知机MLP2;
所述基于时间序列铣削力特征Ft={ft+1,ft+2,...,ft+i,...,ft+N}输入基于物理指导GRU层中进行处理,得到基于时间序列的刀具磨损特征其中,表示ft+i经过基于物理指导GRU层后得到的刀具磨损特征;
步骤3.3、所述损失函数模块用于建立数据项Loss_data和物理损失项Loss_Phy之和的损失函数;
所述数据项Loss_data为标签值与预测值之间的误差,并使用均方误差MSE测量误差的平均大小,记作Loss_data=MSE(ωtrue,ωpre);
所述物理损失项模型Loss_Phy为预测值与刀具磨损机理模型的一致性程度Inc,记作Loss_Phy=Inc(ωpre);
通过梯度下降法对所述刀具磨损状态监测模型进行训练,并计算损失函数以更新模型权重;当损失函数下降到指定阈值的时,得到训练好的刀具磨损状态监测模型;
步骤4、实时采集加工过程中的铣削力信号,并按照步骤2的处理后输入训练好的刀具磨损状态监测模型中,从而预测当前刀具磨损预测值;
步骤5、如果当前刀具磨损预测值达到刀具磨损临界状态,则停机换刀,否则返回步骤4。
2.根据权利要求1所述的一种基于物理指导的深度学习网络的刀具磨损状态监测方法,其特征在于,
所述基于物理指导的GRU层包括:更新门Zj、重置门Rj、单调门Mj以及Relu激活函数;
所述基于时间序列铣削力特征Ft={ft+1,ft+2,...,ft+i,...,ft+N}作为输入特征{fj|j=t+1,...,t+N}输入基于物理指导的GRU层中进行前向传播时,当前第j个时刻的特征fj分别经过更新门Zj的处理后,得到更新门在第j个时刻的输出zj,再经过重置门Rj的处理后,得到重置门在第j个时刻的输出rj,再输入所述单调门Mj中,从而利用式(1)得到当前第j个时刻网络的输出预测状态
式(1)中,hj-1表示第j-1个时刻的状态;hj表示当前第j个时刻的状态,并由式(2)得到;
3.根据权利要求1所述的一种基于物理指导的深度学习网络的刀具磨损状态监测方法,其特征在于,所述步骤3.3中的刀具磨损机理模型如式(4)所示:
ωphy(j)=ωphy(j-1)+τ(1/6K1+2/6K2+2/6K3+1/6K4) (4)
式(4)中,ωphy(j)表示当前第j个时刻的磨损值,ωphy(j-1)表示第j-1个时刻的磨损值;τ表示当前第j个时刻与第j-1个时刻之间的时间段;K1,K2,K3,K4为中间变量,并由式(5)-式(8)得到:
K1=G(j,ωphy(j)) (5)
K4=G(j+τ,ωphy(j)+τK3) (8)
式(5)-式(8)中,G(j,ωphy(j))表示关于时间j与刀具磨损值ωphy(j)之间的关系,并由式(9)得到:
式(9)中,A,B,C,D是一组关于刀具磨损模型的系数。
4.一种电子设备,包括存储器以及处理器,其特征在于,所述存储器用于存储支持处理器执行权利要求1或2或3所述刀具磨损状态监测方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
5.一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器运行时执行权利要求1或2或3所述刀具磨损状态监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211260504.8A CN115446663B (zh) | 2022-10-14 | 2022-10-14 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211260504.8A CN115446663B (zh) | 2022-10-14 | 2022-10-14 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115446663A true CN115446663A (zh) | 2022-12-09 |
CN115446663B CN115446663B (zh) | 2023-10-20 |
Family
ID=84309846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211260504.8A Active CN115446663B (zh) | 2022-10-14 | 2022-10-14 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115446663B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180246494A1 (en) * | 2017-02-24 | 2018-08-30 | Fanuc Corporation | Tool state estimation apparatus and machine tool |
CN111325112A (zh) * | 2020-01-31 | 2020-06-23 | 贵州大学 | 基于深度门控循环单元神经网络的刀具磨损状态监测方法 |
CN111832216A (zh) * | 2020-04-14 | 2020-10-27 | 新疆大学 | 基于eemd-mcnn-gru的滚动轴承剩余使用寿命预测方法 |
CN112488179A (zh) * | 2020-11-26 | 2021-03-12 | 中国舰船研究设计中心 | 一种基于gru的旋转机械故障诊断方法 |
CN113305645A (zh) * | 2021-06-22 | 2021-08-27 | 重庆邮电大学工业互联网研究院 | 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 |
CN113485244A (zh) * | 2021-07-27 | 2021-10-08 | 同济大学 | 一种基于刀具磨损预测的数控机床控制系统及其方法 |
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 |
CN114297912A (zh) * | 2021-12-08 | 2022-04-08 | 燕山大学 | 基于深度学习的刀具磨损预测方法 |
CN114559298A (zh) * | 2022-02-25 | 2022-05-31 | 中国科学院合肥物质科学研究院 | 基于物理信息融合的刀具磨损监测方法 |
US20220187164A1 (en) * | 2020-12-15 | 2022-06-16 | University Of Cincinnati | Tool condition monitoring system |
CN114861701A (zh) * | 2022-03-19 | 2022-08-05 | 山西三友和智慧信息技术股份有限公司 | 一种基于深度学习的刀具磨损检测方法 |
-
2022
- 2022-10-14 CN CN202211260504.8A patent/CN115446663B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180246494A1 (en) * | 2017-02-24 | 2018-08-30 | Fanuc Corporation | Tool state estimation apparatus and machine tool |
CN111325112A (zh) * | 2020-01-31 | 2020-06-23 | 贵州大学 | 基于深度门控循环单元神经网络的刀具磨损状态监测方法 |
CN111832216A (zh) * | 2020-04-14 | 2020-10-27 | 新疆大学 | 基于eemd-mcnn-gru的滚动轴承剩余使用寿命预测方法 |
CN112488179A (zh) * | 2020-11-26 | 2021-03-12 | 中国舰船研究设计中心 | 一种基于gru的旋转机械故障诊断方法 |
US20220187164A1 (en) * | 2020-12-15 | 2022-06-16 | University Of Cincinnati | Tool condition monitoring system |
CN113305645A (zh) * | 2021-06-22 | 2021-08-27 | 重庆邮电大学工业互联网研究院 | 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 |
CN113485244A (zh) * | 2021-07-27 | 2021-10-08 | 同济大学 | 一种基于刀具磨损预测的数控机床控制系统及其方法 |
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 |
CN114297912A (zh) * | 2021-12-08 | 2022-04-08 | 燕山大学 | 基于深度学习的刀具磨损预测方法 |
CN114559298A (zh) * | 2022-02-25 | 2022-05-31 | 中国科学院合肥物质科学研究院 | 基于物理信息融合的刀具磨损监测方法 |
CN114861701A (zh) * | 2022-03-19 | 2022-08-05 | 山西三友和智慧信息技术股份有限公司 | 一种基于深度学习的刀具磨损检测方法 |
Non-Patent Citations (3)
Title |
---|
刘锐;王玫;陈勇;: "铣刀磨损量监测和剩余寿命预测方法研究", 现代制造工程, no. 06, pages 102 - 105 * |
林杨;高思煜;刘同舜;朱锟鹏;: "基于深度学习的高速铣削刀具磨损状态预测方法", 机械与电子, no. 07, pages 12 - 17 * |
陈启鹏;谢庆生;袁庆霓;黄海松;魏琴;李宜汀;: "基于深度门控循环单元神经网络的刀具磨损状态实时监测方法", 计算机集成制造系统, no. 07, pages 1782 - 1793 * |
Also Published As
Publication number | Publication date |
---|---|
CN115446663B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108594788B (zh) | 一种基于深度随机森林算法的飞机作动器故障检测与诊断方法 | |
CN101630376B (zh) | 多模型神经网络的生物发酵过程软测量建模方法及软仪表 | |
CN114048600A (zh) | 一种数字孪生驱动的多模型融合工业系统异常检测方法 | |
CN113642754B (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
CN110509109B (zh) | 基于多尺度深度卷积循环神经网络的刀具磨损监测方法 | |
CN110554657A (zh) | 一种数控机床运行状态健康诊断系统及诊断方法 | |
CN110561191B (zh) | 基于pca与自编码器的数控机床刀具磨损数据处理方法 | |
CN112488235A (zh) | 一种基于深度学习的电梯时序数据的异常诊断方法 | |
CN110705812A (zh) | 一种基于模糊神经网络的工业故障分析系统 | |
CN114266278B (zh) | 一种基于双重注意力网络的设备剩余使用寿命预测方法 | |
CN114169638A (zh) | 一种水质预测方法及装置 | |
CN114282443B (zh) | 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法 | |
CN113496312A (zh) | 基于多维特征提取融合与长短期记忆网络的刀具剩余寿命预测方法、设备及存储介质 | |
CN116822920B (zh) | 一种基于循环神经网络的流程预测方法 | |
CN114015825A (zh) | 基于注意力机制的高炉热负荷异常状态监测方法 | |
CN110222825B (zh) | 一种水泥成品比表面积预测方法及系统 | |
Tian et al. | Prediction of surface roughness using fuzzy broad learning system based on feature selection | |
CN117826599A (zh) | 基于人工智能和机器学习的数控机床优化算法 | |
CN115446663B (zh) | 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 | |
CN112257893A (zh) | 一种考虑监测误差的复杂机电系统健康状态预测方法 | |
CN115034504B (zh) | 基于云边协同训练的刀具磨损状态预测系统及方法 | |
CN114297795B (zh) | 一种基于PR-Trans的机械设备剩余寿命预测方法 | |
TWI794907B (zh) | 用於系統管理之故障預測與健康管理系統與相關方法 | |
CN115985411A (zh) | 基于高斯过程回归模型的高分子熔融指数软测量方法 | |
CN112560252B (zh) | 一种航空发动机剩余寿命预测方法 |
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 |