CN115476199A - 一种基于时间卷积网络的数控机床刀具磨损预测方法 - Google Patents
一种基于时间卷积网络的数控机床刀具磨损预测方法 Download PDFInfo
- Publication number
- CN115476199A CN115476199A CN202110598073.5A CN202110598073A CN115476199A CN 115476199 A CN115476199 A CN 115476199A CN 202110598073 A CN202110598073 A CN 202110598073A CN 115476199 A CN115476199 A CN 115476199A
- Authority
- CN
- China
- Prior art keywords
- wear
- machine tool
- cutter
- numerical control
- control machine
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000003754 machining Methods 0.000 claims abstract description 9
- 238000005299 abrasion Methods 0.000 claims description 23
- 230000004913 activation Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
Abstract
本发明公开了一种基于时间卷积网络算法在刀具磨损预测中的应用，其涉及机械加工领域，尤其是在机床加工过程中刀具磨损预测领域。本发明首先对采集到的传感器数据进行特征提取，通过相关特征得到刀具当前的状态，然后通过不同的输入历史数据序列和输出的历史长度序列，对刀具的磨损状态进行预测。本发明解决了机床在加工过程中刀具磨损预测问题，可以有效的对刀具磨损程度进行预测，具有较高的计算速度和预测精准度，可以满足工业现场的实时性和准确性。
Description
技术领域
本发明涉及机械加工过程领域，尤其是在机床加工过程中刀具磨损预测领域。
背景技术
近年来随着工业互联网的推进，智能化制造业发展已经逐渐在各方面完善成熟。在数控机床加工过程中，刀具磨损是一个不可忽视的问题。刀具随着工作时间增长会发生磨损退化，直至磨损到达一定程度，无法正常继续工作需要被替换。在刀具整个磨损到失效的过程中，将会对生产的产品质量产生不同程度的质量影响，甚至会对生产所使用的机床产生质量影响，进而影响整个工作系统的运转和工程质量，甚至会引起安全事故。在以往的刀具更换策略中，采用定期更换策略是最简便的，但是这样的方法往往无法充分地在刀具的整个可利用生命周期中利用刀具，研究表明企业的刀具寿命只有五到八成被真实地使用。对于设备使用情况来说，采用动态的刀具磨损状态预测技术可以显著提高刀具的利用率，从而减轻停机率，保证工程系统的健壮性。刀具磨损是一个随机的、动态的、非线性的过程，没有精确的物理模型可以预估出刀具的磨损预测。为了能更加精确的替换刀具，要实时的获取当前刀具磨损情况，根据当前情况去预测未来刀具情况，在机床加工过程中，直接获取刀具的磨损状态是困难的，甚至是无法直接做到的。在过去的时间里，刀具磨损状态预测一直是刀具发展的重要方向。传统的刀具磨损状态主要由工人通过经验，根据加工时候的噪音，切削时的震动以及刀具使用的时间来对刀具磨损进行评估。
发明内容
为解决上述技术问题，本发明提出了一种基于时间卷积网络对数控机床的刀具磨损预测方法。
本发明为实现上述目的所采用的技术方案是：
一种基于时间卷积网络的数控机床刀具磨损预测方法，包括以下步骤：
通过传感器采集数控机床刀具工作时的物理数据，作为原始数据集；
对原始数据集进行采样；
对采样后的原始数据集进行小波变换，生成特征数据集；
通过残差网络对特征数据集进行磨损量计算，得到历史磨损量；
将历史磨损量通过时间卷积网络进行计算，得到未来磨损量，完成数控机床刀具的磨损预测。
所述数控机床刀具工作时的物理数据包括：数控机床x,y,z三轴的震动数据、数控机床x,y,z三轴的切削力数据、声发射采集卡中信号均方根值AE-RMS。
所述传感器采集物理数据的频率为50kHZ，原始数据集中，包含多个周期的物理数据。
所述对采样后的原始数据集进行小波变换，生成特征数据集，具体为：
分别对采样后的原始数据集中的每一个周期的物理数据进行小波变换，分解等级为2，采用db2模式进行分解，分解后的结果分别为A2,D2,D1，其中A2为分解后特征数据，D2,D1均为噪声数据，所有周期的A2构成特征数据集。
所述残差网络由1层预激活残差块和16层后激活残差块组成，所述预激活残差块，先进行批归一化，之后通过Relu激活操作，最后再进行卷积操作；所述后激活残差块先进行卷积操作，后进行批归一化，最后通过Relu进行激活操作。
所述通过残差网络对特征数据集进行磨损量计算，得到历史磨损量，具体为：
将某一个周期内的特征数据作为残差网络的输入，通过残差网络学习对应周期的刀具磨损状态，形成对应周期的刀具的历史磨损量。
数控机床刀具工作时，每一个加工周期结束，测量并记录当前周期刀具磨损值，作为当前周期刀具磨损状态，用于残差网络的训练。
所述将历史磨损量通过时间卷积网络进行计算，得到未来磨损量，完成数控机床刀具的磨损预测，具体为：
所有周期的刀具的历史磨损量构成历史刀具磨损的序列，作为时间卷积网络的输入，通过时间卷积网络，得到刀具的未来磨损量。
本发明具有以下有益效果及优点：
1.采用了改进的残差网络对传感器数据进行分析，从而来获取刀具磨损信息，解决了在不停机的情况下间接的获取到刀具的磨损信息。
2.解决了对目前大多数预测算法中计算缓慢。本发明提出了卷积方式来进行时间序列预测，相较于其他的循环神经网络，卷积计算可以通过并行计算，极大的提高了运算速度，满足了工业现场的及时性高的要求。
附图说明
图1为本发明方法模块流程图；
图2为残差网络的结构图；
图3为时间卷积网络的结构图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
本方法主要包括以下步骤：
1)通过传感器采集机床刀具工作时物理数据；
2)对传感器数据进行采样；
3)对采样后的数据进行小波变换，构建特征数据集；
4)通过改进的残差网络，对特征数据集进行磨损量计算；
5)将历史磨损量作为输入，通过时间卷积网络进行计算，输出对未来的磨损预测。
所述残差网络含有1层预激活残差块和16层的后激活残差块，卷积核大小为3，采用了Relu作为激活函数，丢弃率为0.5，将残差模块的输入参数和计算后模块的输出参数进行相加，防止网络梯度消失获取梯度爆炸。
如图1所示，本发明的具体流程涉及两部分，第一部分为数据预处理，主要是获取传感器数据，进行小波变换。第二部分通过残差卷积网络获取对应的磨损量，将磨损量的历史序列作为时间卷积网络输入，预测未来的时间的刀具磨损序列。
1)通过传感器采集机床刀具工作时物理数据，其主要包括：
通过传感器，对刀具的x,y,z三轴的震动数据，x,y,z三轴的切削力数据，以及AE-RMS数据进行采集。其中数据的采集频率为50kHZ；采集多个周期数据，形成原始数据。
2)对传感器数据进行采样，其主要包括；
通过随机采样，每组数据采集5000条数据，此时每个周期内的数据7×5000。
3)对采样后的数据进行小波变换，构建特征数据集，其主要包括：
将采样后的数据进行小波变换，分解等级为2，采用db2模式进行分解，分解后的结果分别为A2,D2,D1，其中A2为分解后特征信号，矩阵大小为7×1255，D2,D1为噪声。
4)通过残差网络，对特征数据集进行磨损量计算，其主要包括：
残差网络是由1层预激活残差块和16层后激活残差块组成。后激活残差块先进行卷积操作，后进行批归一化，最后通过Relu进行激活操作。而预激活残差块，先进行批归一化，之后通过Relu激活操作，最后再进行卷积操作。结构如图2所示。将A2作为残差网络的输入，通过残差网络学习当前刀具磨损状态，解决了无法直接获取刀具磨损值的问题。经过训练后，残差卷积网络可以计算出当前刀具的磨损状态，表示为Xt，为t时刻下的刀具磨损量是Xt。
5)将历史磨损量作为输入，通过时间卷积网络进行计算，输出对未来的磨损预测，其主要包括：
将多个步骤4)的输出的作为历史刀具磨损的序列，作为时间卷积网络的输入，通过历史数据预测未来数据，时间卷积网络的输入为X1,X2,X3,…,Xm-2,Xm-1,Xm，表示刀具磨损的历史数据序列，而输出为ym+1,ym+2,ym+3,…,ym+n，表示时间卷积网络的对m时间点后的n个时间的刀具磨损预测，其中m,n＞0。图3为时间卷积网络的膨胀卷积模块，X1,X2,X3,…,XT-2,XT-1,XT为膨胀网络输入，
为输出，其中d为膨胀因子，分别为1，2，4，而过滤器为3，即每层输出由上层三个时刻的输入计算得来。
Claims (8)
1.一种基于时间卷积网络的数控机床刀具磨损预测方法，其特征在于，包括以下步骤：
通过传感器采集数控机床刀具工作时的物理数据，作为原始数据集；
对原始数据集进行采样；
对采样后的原始数据集进行小波变换，生成特征数据集；
通过残差网络对特征数据集进行磨损量计算，得到历史磨损量；
将历史磨损量通过时间卷积网络进行计算，得到未来磨损量，完成数控机床刀具的磨损预测。
2.根据权利要求1所述的一种基于时间卷积网络的数控机床刀具磨损预测方法，其特征在于，所述数控机床刀具工作时的物理数据包括：数控机床x,y,z三轴的震动数据、数控机床x,y,z三轴的切削力数据、声发射采集卡中信号均方根值AE-RMS。
3.根据权利要求1所述的一种基于时间卷积网络的数控机床刀具磨损预测方法，其特征在于，所述传感器采集物理数据的频率为50kHZ，原始数据集中，包含多个周期的物理数据。
4.根据权利要求1所述的一种基于时间卷积网络的数控机床刀具磨损预测方法，其特征在于，所述对采样后的原始数据集进行小波变换，生成特征数据集，具体为：
分别对采样后的原始数据集中的每一个周期的物理数据进行小波变换，分解等级为2，采用db2模式进行分解，分解后的结果分别为A2,D2,D1，其中A2为分解后特征数据，D2,D1均为噪声数据，所有周期的A2构成特征数据集。
5.根据权利要求1所述的一种基于时间卷积网络的数控机床刀具磨损预测方法，其特征在于，所述残差网络由1层预激活残差块和16层后激活残差块组成，所述预激活残差块，先进行批归一化，之后通过Relu激活操作，最后再进行卷积操作；所述后激活残差块先进行卷积操作，后进行批归一化，最后通过Relu进行激活操作。
6.根据权利要求1所述的一种基于时间卷积网络的数控机床刀具磨损预测方法，其特征在于，所述通过残差网络对特征数据集进行磨损量计算，得到历史磨损量，具体为：
将某一个周期内的特征数据作为残差网络的输入，通过残差网络学习对应周期的刀具磨损状态，形成对应周期的刀具的历史磨损量。
7.根据权利要求6所述的一种基于时间卷积网络的数控机床刀具磨损预测方法，其特征在于，数控机床刀具工作时，每一个加工周期结束，测量并记录当前周期刀具磨损值，作为当前周期刀具磨损状态，用于残差网络的训练。
8.根据权利要求1所述的一种基于时间卷积网络的数控机床刀具磨损预测方法，其特征在于，所述将历史磨损量通过时间卷积网络进行计算，得到未来磨损量，完成数控机床刀具的磨损预测，具体为：
所有周期的刀具的历史磨损量构成历史刀具磨损的序列，作为时间卷积网络的输入，通过时间卷积网络，得到刀具的未来磨损量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110598073.5A CN115476199A (zh) | 2021-05-31 | 2021-05-31 | 一种基于时间卷积网络的数控机床刀具磨损预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110598073.5A CN115476199A (zh) | 2021-05-31 | 2021-05-31 | 一种基于时间卷积网络的数控机床刀具磨损预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115476199A true CN115476199A (zh) | 2022-12-16 |
Family
ID=84418998
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110598073.5A Pending CN115476199A (zh) | 2021-05-31 | 2021-05-31 | 一种基于时间卷积网络的数控机床刀具磨损预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115476199A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108942409A (zh) * | 2018-08-26 | 2018-12-07 | 西北工业大学 | 基于残差卷积神经网络的刀具磨损量的建模和监测方法 |
| CN109048492A (zh) * | 2018-07-30 | 2018-12-21 | 北京航空航天大学 | 基于卷积神经网络的刀具磨损状态检测方法、装置及设备 |
| CN109753923A (zh) * | 2018-12-29 | 2019-05-14 | 晋西车轴股份有限公司 | 刀具磨损量的监测方法、系统、设备及计算机可读存储介质 |
| CN109822399A (zh) * | 2019-04-08 | 2019-05-31 | 浙江大学 | 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 |
| CN110153802A (zh) * | 2019-07-04 | 2019-08-23 | 西南交通大学 | 一种基于卷积神经网络和长短时记忆神经网络联合模型的刀具磨损状态辨识方法 |
| CN110377984A (zh) * | 2019-07-02 | 2019-10-25 | 中国科学院深圳先进技术研究院 | 一种工业设备剩余有效寿命预测方法、系统及电子设备 |
| CN111475921A (zh) * | 2020-03-13 | 2020-07-31 | 重庆邮电大学 | 一种基于边缘计算和lstm网络的刀具剩余寿命预测方法 |
| JP2021070114A (ja) * | 2019-10-31 | 2021-05-06 | 株式会社ジェイテクト | 工具摩耗予測システム |
-
2021
- 2021-05-31 CN CN202110598073.5A patent/CN115476199A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109048492A (zh) * | 2018-07-30 | 2018-12-21 | 北京航空航天大学 | 基于卷积神经网络的刀具磨损状态检测方法、装置及设备 |
| CN108942409A (zh) * | 2018-08-26 | 2018-12-07 | 西北工业大学 | 基于残差卷积神经网络的刀具磨损量的建模和监测方法 |
| CN109753923A (zh) * | 2018-12-29 | 2019-05-14 | 晋西车轴股份有限公司 | 刀具磨损量的监测方法、系统、设备及计算机可读存储介质 |
| CN109822399A (zh) * | 2019-04-08 | 2019-05-31 | 浙江大学 | 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 |
| CN110377984A (zh) * | 2019-07-02 | 2019-10-25 | 中国科学院深圳先进技术研究院 | 一种工业设备剩余有效寿命预测方法、系统及电子设备 |
| CN110153802A (zh) * | 2019-07-04 | 2019-08-23 | 西南交通大学 | 一种基于卷积神经网络和长短时记忆神经网络联合模型的刀具磨损状态辨识方法 |
| JP2021070114A (ja) * | 2019-10-31 | 2021-05-06 | 株式会社ジェイテクト | 工具摩耗予測システム |
| CN111475921A (zh) * | 2020-03-13 | 2020-07-31 | 重庆邮电大学 | 一种基于边缘计算和lstm网络的刀具剩余寿命预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 于凤芹: "实用小波分析十讲 第2版", 西安：西安电子科技大学出版社, pages: 12 - 13 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110900307B (zh) | 一种数字孪生驱动的数控机床刀具监控系统 | |
| CN104808585B (zh) | 一种机床健康状态快速检查方法 | |
| CN112085261B (zh) | 基于云端融合和数字孪生技术的企业生产现状诊断方法 | |
| CN102929210A (zh) | 基于特征的数控加工过程控制和优化系统及方法 | |
| CN113570138B (zh) | 一种时间卷积网络的设备剩余使用寿命预测方法及装置 | |
| CN110488754A (zh) | 一种基于ga-bp神经网络算法的机床自适应控制方法 | |
| CN111475921A (zh) | 一种基于边缘计算和lstm网络的刀具剩余寿命预测方法 | |
| CN113537649B (zh) | 基于神经网络与动态模式分解的电网负荷预测方法及系统 | |
| CN111832624A (zh) | 一种基于对抗迁移学习的刀具剩余寿命预测方法 | |
| CN113798920A (zh) | 一种基于变分自动编码器与极限学习机的刀具磨损状态监测方法 | |
| CN113780153A (zh) | 一种刀具磨损监测和预测方法 | |
| CN115453356B (zh) | 一种动力设备运行状态监测分析方法、系统、终端及介质 | |
| CN111461450A (zh) | 基于eemd和lstm的水电机组劣化度预测方法 | |
| CN114330026A (zh) | 一种数字孪生系统仿真方法及装置 | |
| CN116822353A (zh) | 一种制造工艺过程的数字孪生模型快速构建方法 | |
| CN115169050A (zh) | 一种多模型融合的切削刀具磨损量动态预测方法 | |
| CN114749996A (zh) | 基于深度学习和时序回归模型的刀具剩余寿命预测方法 | |
| CN1605958A (zh) | 一种复杂工业过程的组合建模方法及其系统 | |
| CN109034540B (zh) | 一种基于在制品工序流的机床序列编排动态预测方法 | |
| CN117010666B (zh) | 一种汽修工具生产工作站智能管理方法及系统 | |
| Kutschenreiter-Praszkiewicz | Application of artificial neural network for determination of standard time in machining | |
| CN115476199A (zh) | 一种基于时间卷积网络的数控机床刀具磨损预测方法 | |
| CN116088455A (zh) | 基于强化学习与数字孪生的复杂重型装备工艺优化方法 | |
| CN116360339A (zh) | 一种基于元动作单元数字孪生模型的数控机床可靠性优化方法 | |
| CN114418177B (zh) | 基于生成对抗网络的数字孪生车间的新产品物料配送预测方法 |
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 |