CN115771061B - 一种基于频率注意力机制的铣刀磨损监测方法 - Google Patents
一种基于频率注意力机制的铣刀磨损监测方法 Download PDFInfo
- Publication number
- CN115771061B CN115771061B CN202211534664.7A CN202211534664A CN115771061B CN 115771061 B CN115771061 B CN 115771061B CN 202211534664 A CN202211534664 A CN 202211534664A CN 115771061 B CN115771061 B CN 115771061B
- Authority
- CN
- China
- Prior art keywords
- frequency
- milling cutter
- shape
- cutting
- layer
- 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
Links
- 238000003801 milling Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000005299 abrasion Methods 0.000 title claims abstract description 55
- 238000012544 monitoring process Methods 0.000 title claims abstract description 51
- 230000007246 mechanism Effects 0.000 title claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 208000035874 Excoriation Diseases 0.000 claims description 52
- 238000005520 cutting process Methods 0.000 claims description 40
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 12
- 238000012935 Averaging Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 238000003754 machining Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012790 confirmation Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 13
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000002203 pretreatment Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000002173 cutting fluid Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种基于频率注意力机制的铣刀磨损监测方法，解决现有基于深度学习的刀具磨损监测方法在信号去噪机理不明、去噪结果难评价、监测结果不可靠导致难以在实际加工中应用的问题。本发明从频域出发，结合机床固有频率以及由工艺参数确定的主轴转速频率、刀具齿通频率对信号有效频率范围进行确定，采用可调Q因子小波变换对信号进行不同中心频率的分解与重构，随后基于注意力机制实现对具备不同频率中心的信号在不同磨损阶段下的自适应加权，最后利用深度学习强大的特征提取能力可准确地监测铣刀磨损状态。
Description
【技术领域】
本发明涉及铣削加工刀具磨损监测技术领域，具体涉及一种基于频率注意力机制的铣刀磨损监测方法。
【背景技术】
刀具是数控加工中实现工件成型的关键执行件，在加工过程中，刀具始终处于持续且不可逆的磨损中。刀具的磨损对产品质量、生产效率、成本都有着重要影响，尤其是磨损严重的刀具未能及时更换时甚至会造成机床的损坏。因此，对刀具磨损状态进行实时、准确的监测是保证加工质量、降低制造成本的重要手段。
刀具磨损监测的本质是建立不同监测信号与磨损指标之间的映射关系，深度学习具备极强的非线性表征能力，同时其端到端的模式可以降低对专家知识的依赖，在智能制造、装备运维等领域的应用正被广泛探索。在刀具磨损监测领域具有极大的应用前景。
深度学习最有利的优点之一是可以直接将原始监测信号作为输入进行模型的训练，节约时间及成本。然而刀具磨损的监测信号受到来自机床、工件、切削液等的干扰，即原始监测信号中包含有大量与刀具磨损无关的噪音信号，并且该部分噪音在频域有明显的体现。
现有的基于深度学习的监测方法主要通过模型来实现信号的降噪，但这种基于深度学习模型自身的降噪过程是人类难以理解的，且无法判断噪音是否有效去除，以及模型的决策依据受噪音的影响程度未知，导致模型结果不可靠，同时难以对模型进行合理、可信服的调优，并且限制了模型精度的提升以及深度学习在实际加工中的应用。由此可见，现有的深度学习方法存在着对刀具磨损监测信号中噪音部分去除机理不明，基于机理的去噪方法与深度学习之间的融合方法不明确等不足之处，需要加以改进。
【发明内容】
本发明是为了解决深度学习在刀具磨损监测中的不足，尤其是在监测信号中干扰噪音的缺陷，提出一种通用的基于频率注意力机制的铣刀磨损监测方法。该方法从频域出发，首先结合机床固有频率特性以及主轴转速频率、铣刀齿通频率对信号有效频率范围进行确定，随后基于注意力机制实现对频段在不同磨损阶段的自适应加权，最后利用深度学习强大的特征提取能力可准确地监测铣刀磨损状态。
为实现上述目的，本发明所提供的技术方案是：
一种基于频率注意力机制的铣刀磨损监测方法，包括：一种基于频率注意力机制的铣刀磨损监测模型；所述基于频率注意力机制的铣刀磨损监测模型包括依次连接的频率注意力模块、卷积模块和全连接层；所述1维深度可分离卷积层通过分组卷积实现对不同频率分别自适应加权；所述方法包括如下步骤：
步骤1，采集机床空运行时的主轴振动信号(Sno-load)；
步骤2，采集机床加工过程中的主轴振动信号(Scutting)和对应时刻的铣刀磨损状态；
步骤3，分别对所述步骤1中的Sno-load和步骤2中的Scutting进行预处理，分别得到S′no-load和S′cutting，然后分别对Sno-load和Scutting进行快速傅立叶变换，对比快速傅立叶变换之后的频率和幅度确定加工振动信号的有效频率区间；
步骤4，对步骤3中预处理得到的S′cutting进行切片，形成样本集；所述样本集为二维矩阵，形状为[jshape,L]；
步骤5，采用可调Q因子小波变换(TQWT)对步骤4中所述样本集中的样本分别进行分解，获取具备不同频率中心的系数；
步骤6，根据步骤3中所述的有效频率区间对系数进行选取；
步骤7，采用TWQT逆变换对步骤6中所选取的系数分别按所述样本的原长度进行重构，重构后的样本集为三维矩阵，形状为[jshape,Jshape,L]；
步骤8，将步骤7中重构的样本输入构建的基于频率注意力机制建立铣刀磨损监测模型，对模型进行训练；具体训练过程如下：
步骤8-1，步骤7中样本集包含的样本按数量为Batch的批次首先输入到1维全局平均池化层，对各样本分别进行全局取平均，输出形状为[Batch,Jshape,1]的张量；
步骤8-2，将步骤8-1中的张量输入到1维深度可分离卷积层，分别对各通道赋予不同的权重值，输出形状为[Batch,Jshape,1]的频率权重矩阵；
步骤8-3，将步骤8-3的频率权重矩阵按顺序进行归一化处理、ReLU激活，最后通过维度扩展操作，输出形状为[Batch,Jshape,L]的频率权重矩阵；
步骤8-4，将步骤8-3的结果与步骤8-1中的输入按元素对应相乘，输出形状为[Batch,Jshape,L]的加权张量；
步骤8-5，将步骤8-4中的加权张量依次输入卷积模块和全连接层，得到输出的分类结果；
步骤8-6，将步骤8-5中的分类结果与对应的磨损状态真实值进行比较，经过反向传播对模型中的权重进行更新，完成模型的训练；
步骤9，采用步骤8中训练好的铣刀磨损监测模型对铣刀磨损进行监测。
进一步地，所述1维深度可分离卷积层通过分组卷积实现对不同频率的加权；所述分组卷积的组数为所述步骤7中的Jshape；所述卷积模块包括依次连接的1维卷积层、1维批归一化层、ReLU激活层和1维平均池化层；所述卷积模块的数量为2～5；所述全连接层包括依次连接的展开层、线性层、Softmax激活层；所述全连接层的数量为1。
进一步地，所述步骤3中的加工振动信号有效频率区间为[fspindle,fno-load]，其中所述fspindle计算方法如下：
式中，fspindle单位为Hz；Nspeed为主轴转速，单位为转/分钟；
所述fno-load的确认步骤如下：
步骤3-1，根据式(1)计算铣刀齿通频率ftooth-pass：
式中，n为铣刀的齿数；
步骤3-2，以ftooth-pass的整数倍iftooth-pass为起点，其中i为整数，可取范围为3～6；沿频率f逐一计算Sno-load和Scutting在频率f处的幅值因子(ifactor-f)；所述幅值因子ifactor-f计算方法如下：
式中，Mcutting-f为Scutting在频率f处的幅值；Mno-load-f为Sno-load在频率f处的幅值；
步骤3-3，当ifactor-f<I时，停止步骤3-2的计算，并以停止处的频率值f作为fno-load；其中I为正数，可取范围为0.8～3.0。
进一步地，所述步骤5中TQWT所需的参数r设置为3，参数N设置为步骤4中的L，参数J，参数Q的设置规则为第J+1层的中心频率fc与式(1)中fspindle之间的差不超过所述fspindle的35％；所述第J+1层的中心频率fc计算方法如下：
式中，fs为Scutting的采样频率，单位为Hz；j为所求中心频率的系数所在的层数；α，β的计算方法分别为：
β＝2/(Q+1) (5)
α＝1-β/r (6)
进一步地，所述步骤6中对系数层级进行选取时，除第J+1层必须选取以外，余下被选取的层级的中心频率fc首先应大于式(2)中ftooth-pass，其次被选取的层级的中心频率fc与所述fspindle整数倍之间的差不超过所述fspindle的35％时，该层系数即被选取；所述步骤7中的Jshape为最终被选取的系数的总层数。
进一步地，所述步骤3中的预处理方法如下：
式中，S'是处理后的信号，S为处理前的信号，T是信号长度；
所述步骤4中的切片是将S′cutting划分为同一长度的样本S′cutting-j；所述S′cutting-j的长度L为：
式中，fs为Scutting的采样频率，单位为Hz；Nspeed为主轴转速，单位为转/分钟；l为整数，可取范围为4～20；
所述步骤4中样本集的样本数量jshape为式(7)中T除以式(8)中的L后向下取整，且可以被100整除的数。
进一步地，所述步骤2中铣刀磨损状态包括初始磨损阶段、稳定磨损阶段、急剧磨损阶段和失效阶段；所述铣刀磨损状态划分依据是刀齿后刀面的最大宽度(VB)；所述初始磨损阶段、稳定磨损阶段、急剧磨损阶段和失效阶段对应的VB范围分别为0～0.1mm，0.1mm～0.2mm，0.2mm～0.3mm，大于0.3mm；所述步骤8-1中的Batch为小于j且可被32整除的整数。
与现有技术相比，本发明的有益效果在于：
1.根据机床空载时的固有干扰频率以及加工时主轴转速频率确定了监测信号带通滤波的滤波区间。对监测信号在频域进行了去噪。
2.在此基础上，以可调Q因子小波变换为时频变换技术，以齿通频率为依据对信号进行不同中心频率的划分，获取具备不同中心频率的重构信号；并给出了该时频变换过程所涉及参数的确认步骤，该方法具备通用性。
3.基于注意力机制，在保证各频率独立性的基础上，对频率进行自适应加权，同时对不同磨损状态与对应的频率建立关联，最后以深度学习方法中的卷积模块对特征进行提取，可实现铣刀磨损状态的准确监测，同时为基于机理的去噪方法与深度学习技术之间的结合方法提供了新的思路。
【附图说明】
图1是本发明方法流程图；
图2是本发明有效频率区间中fno-load的确认流程；
图3是本发明基于频率注意力机制的铣刀磨损监测模型的结构示意图；
图4是本发明实施例中机床空运行与切削时的频率-幅值对比图；
图5是本发明实施案例中对铣刀磨损状态辨识结果的混淆矩阵；
图6是本发明实施案例中铣刀不同磨损阶段的频率示意图；
图7是本发明频率注意力模块对不同磨损阶段下各重构信号加权之后的特征的平均值统计图。
【具体实施方式】
为使本发明的目的、技术方案和优点更加清楚，下面结合实施例和附图，对本发明作进一步的详细说明。应当理解，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突，均可以以任何方式组合。
参阅图1～图7，本发明提供一种基于频率注意力机制的铣刀磨损监测方法，包括一种基于频率注意力机制的铣刀磨损监测模型；所述基于频率注意力机制的铣刀磨损监测模型包括依次连接的频率注意力模块(用于对不同的频率施加权重)、卷积模块(用于提取特征)和全连接层(用于最后的结果输出)；所述方法包括如下步骤：
步骤1，采集机床空运行时的主轴振动信号(Sno-load)；
步骤2，采集机床加工过程中的主轴振动信号(Scutting)和对应时刻的铣刀磨损状态；
步骤3，分别对所述步骤1中的Sno-load和步骤2中的Scutting进行预处理，分别得到S′no-load和S′cutting，然后分别对S′no-load和S′cutting进行快速傅立叶变换，对比快速傅立叶变换之后的频率和幅度确定加工振动信号的有效频率区间；
步骤4，对步骤3中预处理得到的S’cutting进行切片，形成样本集；所述样本集为二维矩阵，形状为[jshape,L]；
步骤5，采用可调Q因子小波变换(TQWT)对步骤4中所述样本集中的样本分别进行分解，获取具备不同频率中心的系数；
步骤6，根据步骤3中所述的有效频率区间对系数进行选取；
步骤7，采用TWQT逆变换对步骤6中所选取的系数分别按所述样本的原长度进行重构(变换后的不同小波系数的长度是不一致的，且随着层数的增加递减，长度的不一致不便于后续的卷积等操作，因此分别对不同系数进行等长度的重构)，重构后的样本集为三维矩阵，形状为[jshape,Jshape,L]；
步骤8，将步骤7中重构的样本输入构建的基于频率注意力机制建立铣刀磨损监测模型，对模型进行训练；具体训练过程如下：
步骤8-1，步骤7中样本集包含的样本按数量为Batch的批次首先输入到1维全局平均池化层(AvgPool1d，将每个输入通道压缩为一个可以代表该通道的值)，对各样本分别进行全局取平均，输出形状为[Batch,Jshape,1]的张量；
步骤8-2，将步骤8-1中的张量输入到1维深度可分离卷积层(Conv1d，在保证通道间独立的基础上对各通道赋予权重)，分别对各通道赋予不同的权重值，输出形状为[Batch,Jshape,1]的频率权重矩阵；
步骤8-3，将步骤8-3的频率权重矩阵按顺序进行归一化处理(BatchNorm1d，将各通道的特征归一化)、ReLU激活(增加不同特征的非线性)，最后通过维度扩展操作，输出形状为[Batch,Jshape,L]的频率权重矩阵；
步骤8-4，将步骤8-3的结果与步骤8-1中的输入按元素对应相乘，输出形状为[Batch,Jshape,L]的加权张量；
步骤8-5，将步骤8-4中的加权张量依次输入卷积模块和全连接层，得到输出的分类结果；
步骤8-6，将步骤8-5中的分类结果与对应的磨损状态真实值进行比较，经过反向传播对模型中的权重进行更新，完成模型的训练；
步骤9，采用步骤8中训练好的铣刀磨损监测模型对铣刀磨损进行监测。
具体的，所述1维深度可分离卷积层通过分组卷积实现对不同频率的加权；所述分组卷积的组数为所述步骤7中的Jshape；所述卷积模块包括依次连接的1维卷积层、1维批归一化层、ReLU激活层和1维平均池化层；所述卷积模块的数量为2；所述全连接层包括依次连接的展开层、线性层、Softmax激活层；所述全连接层的数量为1。
具体的，所述步骤3中的加工振动信号有效频率区间为[fspindle,′fno-load]，其中fspindle计算方法如下：
式中，fspindle单位为Hz；Nspeed为主轴转速，单位为转/分钟；
所述fno-load的确认步骤如下：
步骤3-1，根据式(1)计算铣刀齿通频率ftooth-pass：
式中，n为铣刀的齿数；
步骤3-2，以ftooth-pass的整数倍iftooth-pass为起点，其中i为6；沿频率f逐一计算Sno-load和Scutting在频率f处的幅值因子(ifactor-f)；所述幅值因子ifactor-f计算方法如下：
式中，Mcutting-f为Scutting在频率f处的幅值；Mno-load-f为Sno-load在频率f处的幅值；
步骤3-3，当ifactor-f<I时，停止步骤3-2的计算，并以停止处的频率值f作为fno-load；其中I为2。
具体的，所述步骤5中TQWT所需的参数r设置为3，参数N设置为步骤4中的L，参数J、参数Q的设置规则为第J+1层的中心频率fc与式(1)中fspindle之间的差不超过所述fspindle的35％；所述第J+1层的中心频率fc计算方法如下：
式中，fs为Scutting的采样频率，单位为Hz；j为所求中心频率的系数所在的层数；α，β的计算方法分别为：
β＝2/(Q+1) (5)
α＝1-β/r (6)
具体的，所述步骤6中对系数层级进行选取时，除第J+1层必须选取以外，余下被选取的层级的中心频率fc首先应大于式(2)中ftooth-pass，其次被选取的层级的中心频率fc与所述fspindle整数倍之间的差不超过所述fspindle的35％时，该层系数即被选取；所述步骤7中的Jshape为最终被选取的系数的总层数。
具体的，所述步骤3中的预处理方法如下：
式中，S'是处理后的信号，S为处理前的信号，T是信号长度；
所述步骤4中的切片是将S′cutting划分为同一长度的样本S′cutting-j；所述S′cutting-j的长度L为：
式中，fs为Scutting的采样频率，单位为Hz；Nspeed为主轴转速，单位为转/分钟；l为6；
所述步骤4中样本集的样本数量jshape为式(7)中T除以式(8)中的L后向下取整，且可以被100整除的数。
具体的，所述步骤2中铣刀磨损状态包括初始磨损阶段、稳定磨损阶段、急剧磨损阶段和失效阶段；所述铣刀磨损状态划分依据是刀齿后刀面的最大宽度(VB)；所述初始磨损阶段、稳定磨损阶段、急剧磨损阶段和失效阶段对应的VB范围分别为0～0.1mm，0.1mm～0.2mm，0.2mm～0.3mm，大于0.3mm；所述步骤8-1中的Batch为64。
本发明工作过程：
本发明一种基于频率注意力机制的铣刀磨损监测方法在工作过程中，结合实施例进行说明。
一、数据获取：
以某五轴数控加工中心进行试验，所切削的工件材料为40号钢，每次走刀行程为420mm，用于切削工件的铣刀为某型3齿整体式立铣刀(n为3)，采用某型三向振动加速度传感器采集主轴X，Y，Z三向振动信号，所获取的振动信号采样频率fs为10000Hz，以X方向的主轴振动信号(Scutting)作为分析对象。
机床始终保持工艺参数(主轴转速N为1200RPM，进给速度180mm/min，轴向切深3mm，径向切深1.8mm)不变，进行切削，每次走刀结束后采用数码显微镜测量刃口的最大后刀面磨损VB值并进行记录，直至VB值超过0.3mm，共走刀15次，每次走刀时间约为74.6秒。根据VB值按0～0.1mm，0.1mm～0.2mm，0.2mm～0.3mm，大于0.3mm，将刀具磨损状态划分为初始磨损阶段、稳定磨损阶段、急剧磨损阶段和失效阶段。每次走刀结束最大后刀面磨损VB值及磨损状态见表1。
表1每次走刀结束最大后刀面磨损VB值及磨损状态
二、有效频率区间确定：
首先对获取到的Sno-load和Scutting分别进行预处理，预处理方法如下：
得到预处理后的S′no-load和S′cutting，然后分别对S′no-load和S′cutting进行快速傅立叶变换。
参阅图4，对比快速傅立叶变换之后的频率和幅度确定加工振动信号的有效频率区间。首先确定fspindle，计算方法如下：
可得fspindle为20Hz；
随后确认fno-load，计算铣刀齿通频率ftooth-pass：
可得ftooth-pass为60Hz；以ftooth-pass的6倍即360Hz处为起点逐一计算各频率处的幅值因子：
当幅值因子小于3时，停止检索。参阅图4，可得fno-load为600Hz。
三、信号切片及重构
分别对Scutting按长度L＝3000进行切片，切片长度L计算方法为：
式中，l为6。此外，j＝3700(共有3700个样本，计算方法为每次走刀时间乘以fs的积再除以L'向下取整，且可以被100整除的结果)；获取到的样本集形状为[3700,3000]；每一类状态的样本数量相等，均为925。
对样本集中所有的样本进行TQWT分解，TQWT的参数见表2。
表2TQWT参数设置
| Q | r | J | N | fs |
| 4 | 3 | 36 | 3000 | 10000 |
其中，r始终默认为3，N为切片后样本的长度，Q和J的设置规则为第J+1层的中心频率fc与fspindle之间的差不超过fspindle的35％；fc计算方法如下：
式中，α，β的计算方法分别为：
β＝2/(Q+1)
α＝1-β/r
最终确定J＝36，此时，第37层的中心频率为26.76Hz，与fspindle(20Hz)之间的差为fspindle的33.8％。
结合有效区间对TQWT分解后的系数进行选取。选取规则：除第37层必须选取以外，余下被选取的层级的中心频率fc首先应大于中ftooth-pass(20Hz)，其次被选取的层级的中心频率fc与所述fspindle(20Hz)整数倍之间的差不超过所述fspindle(20Hz)的35％时，该层系数即被选取。所选取的系数见表3。
表3选取的TQWT系数及其中心频率
| j | fc(Hz) | j | fc(Hz) |
| 14 | 622.50 | 24 | 148.82 |
| 16 | 467.56 | 26 | 111.78 |
| 18 | 351.19 | 28 | 83.96 |
| 20 | 263.78 | 30 | 63.06 |
| 22 | 198.13 | 37 | 26.76 |
对表3中选取的系数按原样本长度进行逆变换重构，获取到重构后的样本集，形状为[3700,10,3000]。所述样本集按7:3的比例划分为训练集和测试集，分别用于模型训练和测试。
四、模型构建：
基于Python3.9.7-Anaconda 2.1.1-Pytorch 1.10.1进行构建，在i7-11800H16GB-NVIDIA’s GeForce GTC 3060GPU上进行训练。训练过程的超参数设置见表4。
表4模型训练超参数
本实施例中模型的结构和参数见表5。
表5模型结构和参数
其中，频带注意力模块最后一层还包含ReLU激活函数(不需设置参数)；卷积模块1、卷积模块2中池化层(AvgPool1d)之前也包含ReLU激活函数；全连接层最后还包含Softmax激活函数(不需设置参数)。
五、模型训练：
将训练集按Batch＝64的批次首先输入到1维全局平均池化层，对各样本分别进行全局取平均，输出形状为[64,10,1]的张量；
输出的张量被输入到1维深度可分离卷积层，分别对各通道赋予不同的权重值，输出形状为[64,10,1]的频率权重矩阵；
频率权重矩阵按顺序进行归一化处理、ReLU激活，最后通过维度扩展操作，输出形状为[64,10,3000]的频率权重矩阵；
将步骤频率权重矩阵与输入样本按元素对应相乘，输出形状为[64,10,3000]的加权张量；
将经过频率注意力模块加权后的加权张量依次输入卷积模块和全连接层，得到输出的分类结果；
将模型输出的分类结果与对应的磨损状态真实值进行比较，经过反向传播对模型中的权重进行更新，完成模型的训练；
六、模型测试：
参阅图5，是将测试集输入到训练好的模型中，输出分类结果的混淆矩阵，结果表明，模型的精度为98.26％，能较好满足实际加工中刀具磨损监测的需求。
七、方法有益效果分析：
参阅图6，首先，铣刀在不同磨损阶段时其频率具有明显特征。随着磨损的加剧在低频部分其幅值会改变，在高频部分，磨损后期会出现新的频率成分(图6中400Hz～500Hz附近)。
参阅图7，是本发明所提出模型中频率注意力模块在测试阶段所输出的加权特征的平均值统计。可以发现，模型对中心频率为26.76Hz(主轴转速频率附近)、63.06Hz(1倍齿通频率附近)以467.56Hz处的重构信号加权后的特征平均值与其他重构信号差异较大，同时在467Hz处4个阶段的特征平均值基本一致，这也表明该频带对不同阶段的划分具有明显作用。对比图6，该部分也是4个阶段下频率差异较为明显的地方。
本发明方法，通过确定机床空运行时的固有频率及由加工参数计算的主轴转速频率、铣刀齿通频率，对铣刀磨损监测信号的频率有效区间进行了选取，通过TQWT分解及不同系数的选取、重构，可实现信号的去噪，同时一种基于频率注意力机制的铣刀磨损监测模型中的频率注意力模块可实现对不同频率重构信号的自适应加权，实现铣刀磨损状态的准确监测，同时为基于机理的去噪方法与深度学习技术之间的结合方法提供了新的思路。
以上实施例是对本发明的说明，并不是对本发明的限定，任何熟悉本技术领域的技术人员在本发明公开的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于频率注意力机制的铣刀磨损监测方法，其特征在于，包括一种基于频率注意力机制的铣刀磨损监测模型；所述基于频率注意力机制的铣刀磨损监测模型包括依次连接的频率注意力模块、卷积模块和全连接层；所述方法包括如下步骤：
步骤1，采集机床空运行时的主轴振动信号(Sno-load)；
步骤2，采集机床加工过程中的主轴振动信号(Scutting)和对应时刻的铣刀磨损状态；
步骤3，分别对所述步骤1中的Sno-load和步骤2中的Scutting进行预处理，分别得到S′no-load和S′cutting，然后分别对S′no-load和Scutting进行快速傅立叶变换，对比快速傅立叶变换之后的频率和幅度确定加工振动信号的有效频率区间；
步骤4，对步骤3中预处理得到的S’cutting进行切片，形成样本集；所述样本集为二维矩阵，形状为[jshape,L]；
步骤5，采用可调Q因子小波变换(TQWT)对步骤4中所述样本集中的样本分别进行分解，获取具备不同频率中心的系数；
步骤6，根据步骤3中所述的有效频率区间对系数进行选取；
步骤7，采用TWQT逆变换对步骤6中所选取的系数分别按所述样本的原长度进行重构，重构后的样本集为三维矩阵，形状为[jshape,Jshape,L]；
步骤8，将步骤7中重构的样本输入构建的基于频率注意力机制建立铣刀磨损监测模型，对模型进行训练；具体训练过程如下：
步骤8-1，步骤7中样本集包含的样本按数量为Batch的批次首先输入到1维全局平均池化层，对各样本分别进行全局取平均，输出形状为[Batch,Jshape,1]的张量；
步骤8-2，将步骤8-1中的张量输入到1维深度可分离卷积层，分别对各通道赋予不同的权重值，输出形状为[Batch,Jshape,1]的频率权重矩阵；
步骤8-3，将步骤8-2的频率权重矩阵按顺序进行归一化处理、ReLU激活，最后通过维度扩展操作，输出形状为[Batch,Jshape,L]的频率权重矩阵；
步骤8-4，将步骤8-3的结果与步骤8-1中的输入按元素对应相乘，输出形状为[Batch,Jshape,L]的加权张量；
步骤8-5，将步骤8-4中的加权张量依次输入卷积模块和全连接层，得到输出的分类结果；
步骤8-6，将步骤8-5中的分类结果与对应的磨损状态真实值进行比较，经过反向传播对模型中的权重进行更新，完成模型的训练；
步骤9，采用步骤8中训练好的铣刀磨损监测模型对铣刀磨损进行监测。
2.如权利要求1所述的一种基于频率注意力机制的铣刀磨损监测方法，其特征在于，所述1维深度可分离卷积层通过分组卷积实现对不同频率的加权；所述分组卷积的组数为所述步骤7中的Jshape；所述卷积模块包括依次连接的1维卷积层、1维批归一化层、ReLU激活层和1维平均池化层；所述卷积模块的数量为2～5；所述全连接层包括依次连接的展开层、线性层、Softmax激活层；所述全连接层的数量为1。
3.如权利要求1所述的一种基于频率注意力机制的铣刀磨损监测方法，其特征在于，所述步骤3中的加工振动信号有效频率区间为[fspindle,fno-load]，其中fspindle计算方法如下：
式中，fspindle单位为Hz；Nspeed为主轴转速，单位为转/分钟；
所述fno-load的确认步骤如下：
步骤3-1，根据式(1)计算铣刀齿通频率ftooth-pass：
式中，n为铣刀的齿数；
步骤3-2，以ftooth-pass的整数倍iftooth-pass为起点，其中i为整数，可取范围为3～6；沿频率f逐一计算Sno-load和Scutting在频率f处的幅值因子(ifactor-f)；所述幅值因子ifactor-f计算方法如下：
式中，Mcutting-f为Scutting在频率f处的幅值；Mno-load-f为Sno-load在频率f处的幅值；
步骤3-3，当ifactor-f<I时，停止步骤3-2的计算，并以停止处的频率值f作为fno-load；其中I为正数，可取范围为0.8～3.0。
4.如权利要求1所述的一种基于频率注意力机制的铣刀磨损监测方法，其特征在于，所述步骤5中TQWT所需的参数r设置为3，参数N设置为步骤4中的L，参数J、参数Q的设置规则为第J+1层的中心频率fc与式(1)中fspindle之间的差不超过所述fspindle的35％；所述第J+1层的中心频率fc计算方法如下：
式中，fs为Scutting的采样频率，单位为Hz；j为所求中心频率的系数所在的层数；α，β的计算方法分别为：
β＝2/(Q+1) (5)
α＝1-β/r (6)。
5.如权利要求1所述的一种基于频率注意力机制的铣刀磨损监测方法，其特征在于，所述步骤6中对系数层级进行选取时，除第J+1层必须选取以外，余下被选取的层级的中心频率fc首先应大于式(2)中ftooth-pass，其次被选取的层级的中心频率fc与所述fspindle整数倍之间的差不超过所述fspindle的35％时，该层系数即被选取；所述步骤7中的Jshape为最终被选取的系数的总层数。
6.如权利要求1所述的一种基于频率注意力机制的铣刀磨损监测方法，其特征在于，所述步骤3中的预处理方法如下：
式中，S'是处理后的信号，S为处理前的信号，T是信号长度；
所述步骤4中的切片是将Scutting划分为同一长度的样本Scutting-j；所述Scutting-j的长度L为：
式中，fs为Scutting的采样频率，单位为Hz；Nspeed为主轴转速，单位为转/分钟；l为整数，可取范围为4～20；
所述步骤4中样本集的样本数量jshape为式(7)中T除以式(8)中的L后向下取整，且可以被100整除的数。
7.如权利要求1所述的一种基于频率注意力机制的铣刀磨损监测方法，其特征在于，所述步骤2中铣刀磨损状态包括初始磨损阶段、稳定磨损阶段、急剧磨损阶段和失效阶段；所述铣刀磨损状态划分依据是刀齿后刀面的最大宽度(VB)；所述初始磨损阶段、稳定磨损阶段、急剧磨损阶段和失效阶段对应的VB范围分别为0～0.1mm，0.1mm～0.2mm，0.2mm～0.3mm，大于0.3mm；所述步骤8-1中的Batch为小于j且可被32整除的整数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211534664.7A CN115771061B (zh) | 2022-12-02 | 2022-12-02 | 一种基于频率注意力机制的铣刀磨损监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211534664.7A CN115771061B (zh) | 2022-12-02 | 2022-12-02 | 一种基于频率注意力机制的铣刀磨损监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115771061A CN115771061A (zh) | 2023-03-10 |
| CN115771061B true CN115771061B (zh) | 2024-03-26 |
Family
ID=85391042
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211534664.7A Active CN115771061B (zh) | 2022-12-02 | 2022-12-02 | 一种基于频率注意力机制的铣刀磨损监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115771061B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019136822A (ja) * | 2018-02-13 | 2019-08-22 | オークマ株式会社 | 工具管理装置 |
| CN110355608A (zh) * | 2019-07-18 | 2019-10-22 | 浙江大学 | 基于自注意力机制与深度学习的刀具磨损量预测方法 |
| CN112435363A (zh) * | 2019-08-26 | 2021-03-02 | 贵州大学 | 一种刀具磨损状态实时监测方法 |
| WO2021166790A1 (ja) * | 2020-02-17 | 2021-08-26 | 京セラ株式会社 | 摩耗量推定モデル作成方法、摩耗量推定方法、摩耗量推定モデル作成装置、摩耗量推定モデル作成プログラム、摩耗量推定装置及び摩耗量推定プログラム |
| CN114619292A (zh) * | 2022-03-25 | 2022-06-14 | 南京航空航天大学 | 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6371335B2 (ja) * | 2016-05-30 | 2018-08-08 | Dmg森精機株式会社 | 加工状態表示装置 |
-
2022
- 2022-12-02 CN CN202211534664.7A patent/CN115771061B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019136822A (ja) * | 2018-02-13 | 2019-08-22 | オークマ株式会社 | 工具管理装置 |
| CN110355608A (zh) * | 2019-07-18 | 2019-10-22 | 浙江大学 | 基于自注意力机制与深度学习的刀具磨损量预测方法 |
| CN112435363A (zh) * | 2019-08-26 | 2021-03-02 | 贵州大学 | 一种刀具磨损状态实时监测方法 |
| WO2021166790A1 (ja) * | 2020-02-17 | 2021-08-26 | 京セラ株式会社 | 摩耗量推定モデル作成方法、摩耗量推定方法、摩耗量推定モデル作成装置、摩耗量推定モデル作成プログラム、摩耗量推定装置及び摩耗量推定プログラム |
| CN114619292A (zh) * | 2022-03-25 | 2022-06-14 | 南京航空航天大学 | 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 |
Non-Patent Citations (5)
| Title |
|---|
| Tool wear state identification based on frequency domain denoising and frequencies-separation attention networks;xuwei Lai;2023 IEEE 12th Data Driven Control and Learning Systems Conference;20230514;全文 * |
| 基于可解释物理引导空间注意力改进的跨工艺参数立铣刀磨损辨识;赖旭伟;机械工程学报;20240119;1-11 * |
| 基于多尺度卷积注意力网络融合的刀具磨损预测;黄庆卿;021中国自动化大会——中国自动化学会60周年会庆暨纪念钱学森诞辰110周年;20211022;全文 * |
| 基于系统辨识方法的铣刀磨损状态识别;胡金龙;王杰;王玫;刘威;;组合机床与自动化加工技术;20180420(04);107-115 * |
| 铣削过程多参数监测策略研究;章建, 王珉, 张幼桢;航空学报;19930825(08);431-434 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115771061A (zh) | 2023-03-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108356606B (zh) | 基于小波包分析与rbf神经网络的刀具磨损在线监测方法 | |
| Hu et al. | A new wind turbine fault diagnosis method based on ensemble intrinsic time-scale decomposition and WPT-fractal dimension | |
| Lei et al. | A review on empirical mode decomposition in fault diagnosis of rotating machinery | |
| EP2277039B1 (de) | Verfahren und vorrichtung zur klassifikation von schallerzeugenden prozessen | |
| Khazaee et al. | Feature-level fusion based on wavelet transform and artificial neural network for fault diagnosis of planetary gearbox using acoustic and vibration signals | |
| CN103962888A (zh) | 一种基于小波去噪和希尔伯特-黄变换的刀具磨损监测方法 | |
| CN108629864B (zh) | 一种基于振动的电主轴径向精度表征方法及其系统 | |
| CN106112697A (zh) | 一种基于3σ准则的铣削颤振自动报警阈值设定方法 | |
| He et al. | A joint adaptive wavelet filter and morphological signal processing method for weak mechanical impulse extraction | |
| CN111660141A (zh) | 一种工况无关的基于主轴驱动电流的铣刀磨损状态识别方法 | |
| CN110598593A (zh) | 基于共振稀疏分解和FastICA算法的行星齿轮箱故障诊断方法 | |
| Jiang et al. | A novel method for self-adaptive feature extraction using scaling crossover characteristics of signals and combining with LS-SVM for multi-fault diagnosis of gearbox | |
| Li et al. | Research on a signal separation method based on Vold-Kalman filter of improved adaptive instantaneous frequency estimation | |
| CN115741235A (zh) | 基于五轴加工中心刀具的磨损预测与健康管理方法 | |
| CN114492527A (zh) | 基于模糊神经网络与主成分分析表面粗糙度在线预测方法 | |
| CN115456019A (zh) | 基于小波包变换与ceemdan的滚动轴承故障诊断方法 | |
| CN107153728B (zh) | 一种基于双谱幅值分布熵的砂轮磨损状态特征提取方法 | |
| CN115771061B (zh) | 一种基于频率注意力机制的铣刀磨损监测方法 | |
| CN114964769A (zh) | 一种风电齿轮箱振动信号故障诊断方法 | |
| CN106553084A (zh) | 一种基于小波包变换和近似熵特征的机床颤振在线监测方法 | |
| CN114888635A (zh) | 一种刀具状态监测方法 | |
| CN114357851A (zh) | 一种基于dae-rnn的数控铣削表面粗糙度预测方法 | |
| CN115971970B (zh) | 一种基于多参数引导空间注意力机制的铣刀磨损监测方法 | |
| Guo | Early detection of signal transients using a hybrid signal processing method for gearbox fault diagnosis | |
| Zhu et al. | Tool wear prediction based on Canonical Correlation Analysis and Neural Network fitting method |
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 |