CN116372665A - 一种基于opc ua的航空数控机床刀具健康监测方法 - Google Patents
一种基于opc ua的航空数控机床刀具健康监测方法 Download PDFInfo
- Publication number
- CN116372665A CN116372665A CN202310051301.6A CN202310051301A CN116372665A CN 116372665 A CN116372665 A CN 116372665A CN 202310051301 A CN202310051301 A CN 202310051301A CN 116372665 A CN116372665 A CN 116372665A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- lstm
- signal
- cnn
- 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 56
- 238000012544 monitoring process Methods 0.000 title claims abstract description 29
- 230000036541 health Effects 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 42
- 238000005299 abrasion Methods 0.000 claims abstract description 37
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000001133 acceleration Effects 0.000 claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims abstract description 7
- 238000005520 cutting process Methods 0.000 claims description 36
- 238000003754 machining Methods 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 5
- 238000003801 milling Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000012417 linear regression Methods 0.000 claims description 2
- 239000002245 particle Substances 0.000 claims description 2
- 230000001360 synchronised effect Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract 1
- 230000008859 change Effects 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000012467 final product Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 229910052721 tungsten Inorganic materials 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 229910001069 Ti alloy Inorganic materials 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 229910000601 superalloy Inorganic materials 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- UONOETXJSWQNOL-UHFFFAOYSA-N tungsten carbide Chemical compound [W+]#[C-] UONOETXJSWQNOL-UHFFFAOYSA-N 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
- B23Q17/0995—Tool life management
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Numerical Control (AREA)
Abstract
本发明提出了一种基于OPC UA的航空数控机床刀具健康监测方法，将LSTM‑CNN网络作为刀具磨损预测的模型，在此基础上对模型的参数进行调整，最终建立基于工况划分的刀具磨损量模型。该模型的建立过程为：先采集数控机床X、Y、Z三个轴上的力信号、加速度信号、声发射信号数据，并保存在数据库中，并以采集到的时域信号数据作为输入，刀具磨损量作为输出，同时在训练之前剔除异常数据；利用卷积神经网络理论提取信号特征，利用PSO算法对模型的结构参数进行选择，再根据监督式学习的方法建立信号到刀具磨损量的模型。本发明具有数据处理快速、针对性强的特点，克服了依靠人工提取特征对刀具磨损量精度低以及单一卷积神经网络难以捕获时间序列数据的问题。
Description
技术领域
本发明涉及一种基于OPCUA的航空数控机床刀具健康监测方法，属于机床加工制造技术领域。
背景技术
为保证航空航天产品综合性能及其在极端环境下能够正常工作，钛合金、高温合金等难加工材料广泛应用于航空航天零部件的制造。在零件的数控加工过程中，由于难加工材料强度大、硬度高和热传导系数低，切削刀具刀尖应力大，导致切削刃局部温度较高，刀具更容易发生失效。
刀具的磨损量对于刀具的剩余寿命和工件表面的成形起着非常重要的作用；基于已知的知识，刀具的状态监督可以使用传感器方法间接的监测。而随着工业界对加工精度和自动化的要求不断提高，智能制造这一概念在工业中的应用越来越广泛，而刀具磨损量预测成为了智能制造面临的一个巨大挑战。在传统切削加工过程中，目前在工厂中只能依靠加工人员通过切削声音、切屑颜色、切削时间等来判断。这种判断方法主观性较强，所以不可避免的存在两个问题：
1、在实际加工中，更换刀具的停机时间占机床总停机时间的20％以上，刀具和刀具更换的成本占总加工成本的3％～12％，传统依靠人工经验确定更换刀具的时间节点导致刀具的使用寿命被严重浪费。
2、如果预测磨损量远高于真实磨损量将导致刀具的频繁更换，造成刀具使用寿命的浪费以及加工效率的降低。而预测磨损量远低于真实磨损量将出现使用失效刀具加工零件的情况，损害零件尺寸精度和表面质量，甚至造成零件报废。
目前众多磨损量监测的研究中刀具的磨损量来源于多个可能存在耦合关系的因素综合作用，这些因素伴生这很大的不确定性，间接地导致包括热力学与动力学在内的综合性技术难题。所以如何综合不同的加工情况，并建立不同加工情况下的不同信号特征分量的自适应模型亦是这方面研究的难题。同时，利用静态模型对刀具磨损量建模的过程中，不仅无法应对不确定性的情况，而且对于不同加工情况下的特征，其预测结果也不够精准。
发明内容
本发明的目的是为了解决上述刀具磨损量建模及监测问题，提出一种基于OPCUA的航空数控机床刀具健康监测方法。
为实现上述目的，本发明采取的技术方案是：一种基于OPCUA的航空数控机床刀具健康监测方法，其包括以下步骤：
步骤1、优化传感器配置：
采用三轴力传感器、三轴振动传感器和声发射传感器；当加工零件时，三轴力传感器监测三轴的力信号并转换为电信号；同样，振动传感器监测三轴的振动信号并转换为电信号，声音发射传感器接受加工过程中零件表明的应力波信息，并且转换为电信号，所有的传感器采样频率相同；
步骤2、基于OPCUA服务器采集数控机床的信号：
使用OPCUA协议统一接口进行传输数据，实现多源数据实时同步采集，并保存历史数据；
步骤3、采集零件加工过程设备监测数据样本：
采用3刃刀具铣削工件并且收集加工时候的X、Y、Z三个方向传感器所采集到的力信号、加速度信号、以及声发射信号，形成7列输入数据；
步骤4：监测数据预处理：
对每次切削行程内所采集的7个信号数据分别进行格拉布斯准则进行一致性验证，避免采集过程中采集到异常的数据；
步骤5、构建LSTM-CNN故障诊断模型：
将预处理后机床运行数据作为LSTM神经网络的输入，利用LSTM神经网络对标准化后的序列数据建模并提取序列特征，并将在LSTM神经网络中最后时刻的输出作为CNN的输入，通过多层卷积层和多层池化层提取多维度特征；最后输出的特征同时包含了原始时间序列数据的多维度特征和序列特征，通过线性回归层实现特征到刀具磨损值的映射；
步骤6：模型训练：
将步骤4得到的数据样本分为训练集和验证集；利用Adam优化算法，以均方误差作为损失函数，采用训练集对步骤5搭建的LSTM-CNN模型进行监督式训练，训练调整参数得到新模型；
步骤7：采用步骤6得到的最终模型进行监测：
按照步骤1的方式部署传感器，加工过程中，获取传感器数据后，按照步骤2保存下来的数据进行步骤3进行样本的划分，并按照步骤4的方法转换得到信号张量，将信号张量输入到最终模型得到当前时刻的磨损量。
进一步的，所述步骤1中，采用X、Y、Z轴力传感器，X、Y、Z轴加速度传感器以及声发射传感器；声发射传感器紧贴在工件的侧面上，X、Y、Z轴上的力传感器和加速度传感器安置在工件或者夹具上；所有的传感器采样频率相同，为50kHZ。
进一步的，所述步骤3中，每个工件每次切削时走刀沿着设定的方向切削相同的距离，即为一次切削，记录每次切削时传感器采集到的7列输入信号；每次刀具切削行程完成时，用LEICAMZ12显微镜测量每次切削刀刃的后刀面磨损量，共测量N个行程中每个切削刀刃所分别对应的后刀面磨损量。
进一步的，所述步骤4中，一致性验证计算公式如下：
其中，T为格拉布斯准则检验值；n为数据个数；α＝0.01为显著性水平；T(n,α)由n和α决定，可通过查找格拉布斯准则表获得；
当T＞T(n,α)时则认为该数据异常，需要剔除，再将每个行程内采集的7列信号分别进行转换为大小为f的7个一维张量，合并为一个形式为[f，7]的张量，合并N个行程所对应的张量为[N，f，7]的张量。
进一步的，使用离散小波变换(可采用复Morlet小波尺度变换)对合并后的7维信号张量进行对称小波变换，将7维信号张量分解为两层高频和一层低频信号分量，形式应为[N,f*,7]，其中f*代表不同层信号分量的采样频率；将三个不同频段分解出来的信号张量按采样频率的维度连接起来，其他维度不变，以此作为PSO-LTSM-CNN网络模型的输入，该输入形状为[N,F,7]，其中F为三层信号张量的采样频率的累加和F＝∑f*；
对于每次切削行程中测量的3个切削刀刃所分别对应的后刀面磨损量，按照对应关系构建一个[N,m]的张量，作为之后LSTM-CNN模型进行监督式学习的标签，其中m为3刃刀具的切削刀刃数，其中N的范围在[0，315]。
进一步的，所述步骤5中，使用PSO算法进行CNN-LSTM结构选择过程，采用增加卷积层中神经元数目的方式提取不同类别训练样本中具有差别性的特征信息；卷积层的层数可选范围为1-5层，使用PSO算法对卷积核的大小、数量、步长以及LSTM的神经元个数进行一个寻优；使用实数编码产生初始种群，群体中的一个个体表示一个LSTM-CNN结构，然后对群体中的个体执行位置和速度的迭代等操作，直至达到最大迭代次数，输出最优个体；
更进一步的，使用PSO算法进行LSTM-CNN刀具磨损量预测模型结构选择过程为：
使用PSO算法对LSTM-CNN的结构进行自适应选择，种群中的每一个个体的参数作为一个LSTM-CNN的结构，将模型的准确率作为PSO算法的适应度函数，进行适应度评价并对粒子群进行更新位置和速度操作，选择输出最小均方根误差值的个体作为最优个体，选择最优个体中的参数搭建LSTM-CNN刀具磨损量预测模型、
进一步的，所述步骤6中，新模型的输出为ypre，而其对应的标签数据真实的磨损量表示为ytrue，均方误差表示为：
MSE＝(ypre-ytrue)2
在训练过程中采用小样本的方法分批次将训练集的样本数据送入模型之中进行训练，每批样本经过算法训练后都会产生一个新的模型；在一轮训练结束后，通过PSO算法能够进行神经元数目、时间步长的更新，在训练集和验证集计算最优模型的均方误差，以此作为模型是否寻到合适的网络结构参数。
进一步的，在LSTM中，采用Z-score方法对原始数据进行标准化处理；并对LSTM-CNN进行正则化，来缓解模型过拟合现象的发生。
进一步的，在步骤7之后，保存当前工况的网络结构参数，并对不同的工况建立历史知识库，对输入的数据进行工况辨识，与历史工况类型相匹配，便于给出当前工况模型LSTM-CNN的最优参数，使得模型对不同工况更具有针对性。
进一步的，传感器采集的数据集80％的样本作为训练集，20％的样本作为测试集。
综上，本发明将LSTM-CNN作为刀具磨损量预测模型，在此基础上用PSO算法对模型进行参数上的寻优，最终建立刀具磨损量预测的模型。该模型以不同的传感器的时域信号，以OPCUA服务器采集X、Y、Z轴三个方向的力信号、加速度信号、声发射信号作为刀具的磨损量模型的输入，刀具磨损量作为输出，同时考虑到对于具有一定时间长度的数据，每次切削行程内所采集的7个信号数据分别进行格拉布斯准则进行一致性验证，避免采集过程中采集到异常的数据。并利用卷积神经网络理论提取加工过程中的信号特征，之后将不同维度的信号特征作为全连接神经网络的输入，利用Adam算法自动求得这些特征分量对于刀具磨损量的影响权重，再根据监督式学习建立刀具磨损量预测的模型，最后，使用建立工况知识库，实现不同工况刀具磨损量的预测，解决变工况刀具磨损量预测的问题。
通过实验验证，可以看出本发明建立的模型能够准确的预测出刀具的磨损量，而且本发明的模型根据建立的历史工况知识库，可以针对不同输入的数据进行工况识别，并根据辨识的工况给出模型参数的权重，使得模型监测更具有针对性，结果准确的特点。
与现有技术相比，本发明的有益效果是：本发明给出的一种基于OPC UA的航空数控机床刀具健康监测方法，并利用Adam优化算法，以均方差作为损失函数对整个神经网络进行训练，适用于机床加工中刀具磨损量的在线监测。有效解决了传统方法无法提取信号中的特征，过程复杂且需要技巧的缺陷，同时为了解决不同工况下的刀具磨损量预测，建立了历史知识库，针对不同的工况，调节合适的网络结构，具有更强的针对性。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或者通过本发明的实践了解到。
附图说明
图1为本发明的整体流程图；
图2为传感器布局示意图和实验的训练的流程图；
图3为PSO-LSTM-CNN刀具磨损量模型结构框架图；
图4为切削过程中，刀刃1的磨损量的真实值和模型预测值的对比图；
图5为切削过程中，刀刃2的磨损量的真实值和模型预测值的对比图；
图6为切削过程中，刀刃3的磨损量的真实值和模型预测值的对比图。
具体实施方式
下面结合实施例对本发明作进一步说明，但本发明的保护范围不限于此：
本实施例中，按照美国PHM学会在2010年发布的关于刀具磨损的加工所推荐的加工方式和传感器加工刀具。实验机床为
-TechRFM760高速数控机床，实验的刀具为3刃的碳化钨球头铣刀，切削材料为不锈钢(HRC-52),实验的主要设备参数如表1所示，实验的切削参数如表2所示。
C1～C6对应工况1～工况6不同加工条件下的数据，每种工况下的样本数据为315个，其中C1、C4、C6是有标签的样本数据，分别为刀具切削参数变化、刀具直径变化、刀具材料变化，采集了315次切削的输入数据以及对应的磨损值；C2、C3、C5是无标签的样本数据，分别为刀具材料变化、刀具直径变化、刀具主轴转速变化，采集了315次切削的输入数据而没有对应的实际磨损值，如表3所示。
表1实验主要设备
表2实验加工参数
表3各工况样本数量
本实施例中的一种基于OPC UA的航空数控机床刀具健康监测方法，具体实施步骤如下：
步骤1：按照美国PHM学会在2010年发布的关于刀具磨损实验要求，即图2中的形式安装力传感器、加速度传感器、声发射传感器，并且做好传感器的校准。
在工作台和工件之间安装Kistler三向测力仪，对加工过程中X、Y、Z三个方向的切削力进行测量并转换为电信号；在工件上安装3个Kistler压电加速度计，实现对刀具加工过程中X、Y、Z振动信号测量并转换为电信号；在工件上的侧边安装1个Kistler声发射传感器，实现对切削过程中产生的高频应力波进行测量，在压电效应下完成从压力波到电信号的转换，所有传感器的采样频率相同。因此，最后得到的数据的维度为7。
步骤2：获取加工信号和形成样本：
传感器输出信号经过Kistler电荷放大器放大后，使用NIDAQPCI 1200进行采集，采样频率为50KHZ。当刀具沿着X方向完成108mm的端面铣削后使用LEICAMZ12显微镜对刀具后刀面模型状况进行离线测量，每把刀具切削315次得到315个刀具磨损值即一个行程为315次切削，每个刀具磨损值对应的原始信号为(n,7)的张量。最后将总量的80％作为训练集进行模型训练，其余20％的数据进行测试集以评估模型的性能。
由于采用的频率太高，每列信号的数据超过20多万,因此将每个行程内所采集的7个信号分别经过降采样，即得到(7,100)输入信号张量数据，合并315次行程所对应的张量为[315,7,100]的张量；
步骤3：数据预处理：
使用一维离散小波变换对合并后的七维信号张量进行离散小波变换，将七维信号张量分解为不同层频率信号分量,形式应为[N,f*,7]，其中f*代表不同层信号分量的采样频率；将不同频段分解出来的信号张量按采样频率的维度连接起来,以此作为LSTM-CNN网络模型的输入，该输入形状为[N,F,7]，其中F为三层信号张量的采样频率的累加和F＝∑f*；复morlet小波变换的过程为：
其中，ω0＝2πfc，fc是小波中心频率，fb是带宽参数。这里取N的参数设置为2。
母波时频窗为：
子波时频窗为：
其中，尺度a和平移参数b取为2。
对于315次行程中测量的每个切削刀刃所分别对应的后刀面磨损量,按照对应关系构建一个[315,3]的张量,作为之后LSTM-CNN网络模型进行监督式学习的标签。为了避免样本数据中异常数据的存在导致网络无法收敛，提高网络的学习速度，需要对原始数据进行标准化处理，标准化过程如下：
式中，x为原始数据；μ为原始数据的均值；σ0为原始数据的方差；Z为经过标准化处理后的数据，将Z作为LSTM神经网络的直接输入。
步骤4：搭建LSTM-CNN网络模型：
利用LSTM神经网络对标准化后的序列数据建模并提取序列特征，并将在LSTM神经网络中最后时刻的输出作为CNN的输入，提取多维度特征。最后输出的特征同时包含了原始时间序列数据的多维度特征和序列特征，通过回归层实现特征到刀具磨损值的映射。为使卷积后的多维特征图形状与输入特征图保持一致，在卷积前先进行零填充，为提高网络的鲁棒性和泛化能力，减小网络规模，提高训练速度，在CNN中加入最大池化操作。在LSTM-CNN模型中引入了Dropout算法来实现LSTM-CNN模型的正则化，从而缓解模型过拟合现象的发生。在LSTM-CNN模型中，网络结构参数LSTM的神经元个数以及卷积核的数量、大小需要通过PSO算法进行寻优，参数Wf、Wi、Wc、Wo、bf、bi、bc、bo、w、b和回归层特征权重参数矩阵WR则需要通过模型训练以获取模型中的最优参数。
步骤5：使用PSO算法选择LSTM-CNN刀具磨损量预测模型的结构参数：
本发明采用增加卷积层中神经元数目的方式提取训练样本中具有差别性的特征信息，使用PSO算法对卷积核的大小、数量、步长以及LSTM的神经元个数进行一个寻优。在整个LSTM-CNN网络模型中,所有卷积层的卷积核、偏置以及全连接层的权重均为待训练的参数。卷积核与全连接层使用glorot正态分布初始化方法,偏置初始化直接置0。
当输入为工况C1的数据信号时，选择出的网络结构参数为：第一层卷积层一个卷积核大小为(3,3)，步长为1的卷积核；第二层卷积层采用卷积核大小为(3,3)，步长为1的卷积核；第三层卷积层采用的卷积核大小为(3,3)；卷积深度分别为8、16和64，输出的特征数目为1024，LSTM隐藏层神经元个数为128，全连接层的神经元个数为1024；
当输入为工况C2或者工况C3的数据信号时，选择出的网络结构参数为：第一层卷积层一个卷积核大小为(3,3)，步长为1的卷积核；第二层卷积层采用卷积核大小为(3,3)，步长为1的卷积核；第三层卷积层采用的卷积核大小为(3,3)；卷积深度分别为8、16、和64，输出的特征数目为1024，LSTM隐藏层神经元个数为64，全连接层的神经元个数为1024；
最后在全连接层之后添加一层Dropout层，Dropout正则化技术用来防止过拟合，以一定的比例随机减掉一些神经元，更新没有被拿掉神经元以及权重的参数。并且在每一层卷积层之后都添加一层批标准化层(BN层)使得训练数据在方差和均值不断迭代变化的情况下也能够保持标准化，加快网络的训练和收敛的速度，控制梯度爆炸，防止梯度消失。
步骤6：模型训练：
使用步骤5选择出的最优个体搭建LSTM-CNN刀具磨损量预测模型并将步骤3得到的样本按照8:2的比例划分为训练集和测试集对模型进行训练，再将得到的特征映射沿时间轴切分，输入至LSTM层。该层的激活函数选用Tanh函数，用于循环时间步的函数选用sigmoid函数。LSTM层用来捕获时间序列数据之间的长期依赖关系，首先通过遗忘门选择性地摒弃前面一些冗余序列信息，然后利用输入门和输入节点选择性记录新序列信息，最后利用输出门输出预测序列信息。LSTM层提取特征的过程为：
ft＝σ(Wf·[ht-1,xt]+bf)
it＝σ(Wi·[ht-1,xt]+bi)
ot＝σ(Wo·[ht-1,xt]+bo)
ht＝ot*tanh(Ct)
其中，xt为t时刻的输入,ft为遗忘门的输出，it和
为输入门的输出，Ct为状态更新的输出，ot和ht为输出门的输出，σ是符号函数，Wf,Wi,WC和Wo权值矩阵，bf,bi,bC和bo是偏置向量。
利用Adam优化算法,因为它的学习率可以自适应优化，它能根据训练数据不断迭代的更新神经网络权值，可以避免局部最优动态的调整每个参数的学习率。
具体如下：
mt＝β1mt-1+(1-β1)gt
vt＝β2vt-1+(1-β2)gt 2
其中，mt和vt分别是对梯度的一阶矩估计和二阶矩估计，
是对vt、mt的校正，这样可以近似对期望的无偏估计。Adam算法的学习率设置为0.01，Dropout率设置为0.2。迭代次数选择为1000次，以均方误差作为损失函数，最后得出模型的输出表示为ypre,而其对应的真实的磨损量表示为ytrue,均方误差表示为：
MSE＝(ypre-ytrue)2
在训练过程中使用小样本方法分批将训练集的样本数据送入模型之中进行训练，每批样本经过算法训练后都会形成新的参数：在一轮训练结束之后，Adam算法能够产生多个随机方向，生产多个新的模型，优化得到一个最优模型；当每轮结束的时候，在训练集和测试集上计算最优模型的均方误差，当均方误差低于阈值或者达到迭代次数时，择此时的最优模型作为最终的模型。
1.选本实施例中，使用Adam优化器，以均方误差作为损失函数，按照优化器和损失函数来编译模型。在模型训练之前，对样本进行random()随机打散,然后按照8:2的比例把3组工况，每组315个数据进行划分，得到756个训练样本和139个测试样本。
2.按照小样本的策略，分批次将训练集的数据送入模型，每一轮训练集数据结束完毕，使用该模型训练后的模型在测试集进行评估，计算预测磨损量和实际磨损量之间的均方误差。当训练集误差不再发生剧烈波动后并且在测试集上的误差不升高，即不发生过拟合的现象时，选择测试集均方误差最小的模型作为最终训练的模型。得到训练的模型后，应该将模型安装HDF5的格式存储为二进制数据保存下来，并在历史知识库建立当前工况的模型。
步骤7：采用步骤6得到的最终模型进行磨损量监测：按照步骤1的方式部署传感器，加工过程中，获取传感器数据后按照步骤3的方法转换得到信号张量；将信号张量输入最终模型得到当前时刻的磨损量。
步骤8：保存当前工况的网络结构参数，并对不同的工况建立历史知识库，对输入的数据进行工况辨识，与历史工况类型相匹配，便于给出当前工况模型LSTM-CNN的最优参数，使得模型对不同工况更具有针对性。
尽管上面示出和描述了本发明的实施例,可以理解的是上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于OPC UA的航空数控机床刀具健康监测方法，其特征在于包括以下步骤：
步骤1、优化传感器配置：
采用三轴力传感器、三轴振动传感器和声发射传感器；当加工零件时，三轴力传感器监测三轴的力信号并转换为电信号；同样，振动传感器监测三轴的振动信号并转换为电信号，声音发射传感器接受加工过程中零件表明的应力波信息，并且转换为电信号，所有的传感器采样频率相同；
步骤2、基于OPCUA服务器采集数控机床的信号：
使用OPCUA协议统一接口进行传输数据，实现多源数据实时同步采集，并保存历史数据；
步骤3、采集零件加工过程设备监测数据样本：
采用3刃刀具铣削工件并且收集加工时候的X、Y、Z三个方向传感器所采集到的力信号、加速度信号、以及声发射信号，形成7列输入数据；
步骤4：监测数据预处理：
对每次切削行程内所采集的7个信号数据分别进行格拉布斯准则进行一致性验证，避免采集过程中采集到异常的数据；
步骤5、构建LSTM-CNN故障诊断模型：
将预处理后机床运行数据作为LSTM神经网络的输入，利用LSTM神经网络对标准化后的序列数据建模并提取序列特征，并将在LSTM神经网络中最后时刻的输出作为CNN的输入，通过多层卷积层和多层池化层提取多维度特征；最后输出的特征同时包含了原始时间序列数据的多维度特征和序列特征，通过线性回归层实现特征到刀具磨损值的映射；
步骤6：模型训练：
将步骤4得到的数据样本分为训练集和验证集；利用Adam优化算法，以均方误差作为损失函数，采用训练集对步骤5搭建的LSTM-CNN模型进行监督式训练，训练调整参数得到新模型；
步骤7：采用步骤6得到的最终模型进行监测：
按照步骤1的方式部署传感器，加工过程中，获取传感器数据后，按照步骤2保存下来的数据进行步骤3进行样本的划分，并按照步骤4的方法转换得到信号张量，将信号张量输入到最终模型得到当前时刻的磨损量。
2.根据权利要求1所述的一种基于OPC UA的航空数控机床刀具健康监测方法，其特征在于，所述步骤1中，采用X、Y、Z轴力传感器，X、Y、Z轴加速度传感器以及声发射传感器；声发射传感器紧贴在工件的侧面上，X、Y、Z轴上的力传感器和加速度传感器安置在工件或者夹具上；所有的传感器采样频率相同，为50kHZ。
3.根据权利要求1所述的一种基于OPC UA的航空数控机床刀具健康监测方法，其特征在于，所述步骤3中，每个工件每次切削时走刀沿着设定的方向切削相同的距离，即为一次切削，记录每次切削时传感器采集到的7列输入信号；每次刀具切削行程完成时，用LEICAMZ12显微镜测量每次切削刀刃的后刀面磨损量，共测量N个行程中每个切削刀刃所分别对应的后刀面磨损量。
4.根据权利要求1或3所述的一种基于OPC UA的航空数控机床刀具健康监测方法，其特征在于，所述步骤4中，一致性验证计算公式如下：
其中，T为格拉布斯准则检验值；n为数据个数；α＝0.01为显著性水平；T(n,α)由n和α决定，可通过查找格拉布斯准则表获得；
当T＞T(n,α)时则认为该数据异常，需要剔除，再将每个行程内采集的7列信号分别进行转换为大小为f的7个一维张量，合并为一个形式为[f，7]的张量，合并N个行程所对应的张量为[N，f，7]的张量。
5.根据权利要求4所述的一种基于OPC UA的航空数控机床刀具健康监测方法，其特征在于，使用离散小波变换对合并后的7维信号张量进行对称小波变换，将7维信号张量分解为两层高频和一层低频信号分量，形式应为[N,f*,7]，其中f*代表不同层信号分量的采样频率；将三个不同频段分解出来的信号张量按采样频率的维度连接起来，其他维度不变，以此作为PSO-LTSM-CNN网络模型的输入，该输入形状为[N,F,7]，其中F为三层信号张量的采样频率的累加和F＝Σf*；
对于每次切削行程中测量的3个切削刀刃所分别对应的后刀面磨损量，按照对应关系构建一个[N,m]的张量，作为之后LSTM-CNN模型进行监督式学习的标签，其中m为3刃刀具的切削刀刃数，其中N的范围在[0，315]。
6.根据权利要求1所述的一种基于OPC UA的航空数控机床刀具健康监测方法，其特征在于，所述步骤5中，使用PSO算法进行CNN-LSTM结构选择过程，采用增加卷积层中神经元数目的方式提取不同类别训练样本中具有差别性的特征信息；卷积层的层数可选范围为1-5层，使用PSO算法对卷积核的大小、数量、步长以及LSTM的神经元个数进行一个寻优；使用实数编码产生初始种群，群体中的一个个体表示一个LSTM-CNN结构，然后对群体中的个体执行位置和速度的迭代等操作，直至达到最大迭代次数，输出最优个体。
7.根据权利要求6所述的一种基于OPC UA的航空数控机床刀具健康监测方法，其特征在于，使用PSO算法进行LSTM-CNN刀具磨损量预测模型结构选择过程为：
使用PSO算法对LSTM-CNN的结构进行自适应选择，种群中的每一个个体的参数作为一个LSTM-CNN的结构，将模型的准确率作为PSO算法的适应度函数，进行适应度评价并对粒子群进行更新位置和速度操作，选择输出最小均方根误差值的个体作为最优个体，选择最优个体中的参数搭建LSTM-CNN刀具磨损量预测模型。
8.根据权利要求1所述的一种基于OPC UA的航空数控机床刀具健康监测方法，其特征在于，所述步骤6中，新模型的输出为ypre，而其对应的标签数据真实的磨损量表示为ytrue，均方误差表示为：
MSE＝(ypre-ytrue)2
在训练过程中采用小样本的方法分批次将训练集的样本数据送入模型之中进行训练，每批样本经过算法训练后都会产生一个新的模型；在一轮训练结束后，通过PSO算法能够进行神经元数目、时间步长的更新，在训练集和验证集计算最优模型的均方误差，以此作为模型是否寻到合适的网络结构参数。
9.根据权利要求1所述的一种基于OPC UA的航空数控机床刀具健康监测方法，其特征在于，在LSTM中，采用Z-score方法对原始数据进行标准化处理；并对LSTM-CNN进行正则化，来缓解模型过拟合现象的发生。
10.根据权利要求1所述的一种基于OPC UA的航空数控机床刀具健康监测方法，其特征在于，在步骤7之后，保存当前工况的网络结构参数，并对不同的工况建立历史知识库，对输入的数据进行工况辨识，与历史工况类型相匹配，便于给出当前工况模型LSTM-CNN的最优参数，使得模型对不同工况更具有针对性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310051301.6A CN116372665A (zh) | 2023-02-02 | 2023-02-02 | 一种基于opc ua的航空数控机床刀具健康监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310051301.6A CN116372665A (zh) | 2023-02-02 | 2023-02-02 | 一种基于opc ua的航空数控机床刀具健康监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116372665A true CN116372665A (zh) | 2023-07-04 |
Family
ID=86973874
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310051301.6A Pending CN116372665A (zh) | 2023-02-02 | 2023-02-02 | 一种基于opc ua的航空数控机床刀具健康监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116372665A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117762086A (zh) * | 2024-02-22 | 2024-03-26 | 东莞市微振科技有限公司 | 机床参数处理方法、装置、电子设备及可读存储介质 |
| CN118342336A (zh) * | 2024-06-18 | 2024-07-16 | 上海诺倬力机电科技有限公司 | 机床刀具磨损监测方法、装置、设备及存储介质 |
-
2023
- 2023-02-02 CN CN202310051301.6A patent/CN116372665A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117762086A (zh) * | 2024-02-22 | 2024-03-26 | 东莞市微振科技有限公司 | 机床参数处理方法、装置、电子设备及可读存储介质 |
| CN117762086B (zh) * | 2024-02-22 | 2024-05-28 | 东莞市微振科技有限公司 | 机床参数处理方法、装置、电子设备及可读存储介质 |
| CN118342336A (zh) * | 2024-06-18 | 2024-07-16 | 上海诺倬力机电科技有限公司 | 机床刀具磨损监测方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108942409B (zh) | 基于残差卷积神经网络的刀具磨损量的建模和监测方法 | |
| Li et al. | A novel method for accurately monitoring and predicting tool wear under varying cutting conditions based on meta-learning | |
| CN116372665A (zh) | 一种基于opc ua的航空数控机床刀具健康监测方法 | |
| Shi et al. | Tool wear prediction via multidimensional stacked sparse autoencoders with feature fusion | |
| Wang et al. | Milling tool wear prediction method based on deep learning under variable working conditions | |
| 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 | |
| CN111633467B (zh) | 一种基于一维深度卷积自动编码器的刀具磨损状态监测方法 | |
| CN110262450B (zh) | 面向汽轮机的多种故障特性协同分析的故障预测方法 | |
| CN113780153B (zh) | 一种刀具磨损监测和预测方法 | |
| 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 | |
| CN111639461B (zh) | 针对工业不均衡数据的刀具磨损状态检测方法 | |
| 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 | |
| CN113414638A (zh) | 一种基于铣削力时序图深度学习的变工况铣刀磨损状态预测方法 | |
| CN109298633A (zh) | 基于自适应分块非负矩阵分解的化工生产过程故障监测方法 | |
| CN110083860A (zh) | 一种基于相关变量选择的工业故障诊断方法 | |
| CN116070527B (zh) | 基于退化模型的铣削刀具剩余寿命预测方法 | |
| CN111126255A (zh) | 基于深度学习回归算法的数控机床刀具磨损值预测方法 | |
| 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 | |
| Abu-Mahfouz et al. | Surface roughness prediction in turning using three artificial intelligence techniques; a comparative study | |
| CN116533063A (zh) | 一种数控车床刀具剩余寿命在线预测方法 | |
| CN115741235A (zh) | 基于五轴加工中心刀具的磨损预测与健康管理方法 | |
| Wang et al. | Self-adaptive fusion of local-temporal features for tool condition monitoring: A human experience free model | |
| Wang et al. | Research on tool remaining life prediction method based on CNN-LSTM-PSO | |
| CN112801139B (zh) | 基于异构域自适应迁移学习的刀具磨损状态智能识别方法 | |
| CN117390960A (zh) | 一种数控机床用加工精度智能分析方法 |
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 |