CN116900815A - 一种铣削刀具磨损状态识别方法、系统、介质及设备 - Google Patents
一种铣削刀具磨损状态识别方法、系统、介质及设备 Download PDFInfo
- Publication number
- CN116900815A CN116900815A CN202310981697.4A CN202310981697A CN116900815A CN 116900815 A CN116900815 A CN 116900815A CN 202310981697 A CN202310981697 A CN 202310981697A CN 116900815 A CN116900815 A CN 116900815A
- Authority
- CN
- China
- Prior art keywords
- wear state
- feature set
- local feature
- milling
- milling cutter
- 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
- 238000003801 milling Methods 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000005520 cutting process Methods 0.000 claims abstract description 85
- 238000012544 monitoring process Methods 0.000 claims abstract description 73
- 230000001133 acceleration Effects 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 230000009467 reduction Effects 0.000 claims abstract description 12
- 238000005299 abrasion Methods 0.000 claims description 38
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 22
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000012800 visualization Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 208000035874 Excoriation Diseases 0.000 description 34
- 230000008859 change Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000001514 detection method Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 230000010354 integration Effects 0.000 description 5
- 238000003754 machining Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 230000007423 decrease Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910000883 Ti6Al4V Inorganic materials 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002173 cutting fluid Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
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)
- Machine Tool Sensing Apparatuses (AREA)
Abstract
本发明属于铣削过程智能监测领域，提供铣削刀具磨损状态识别方法、系统、介质及设备。其中，铣削刀具磨损状态识别方法包括获取铣削过程中的切削力信号和加速度信号中的任一种信号；利用刀具磨损状态监测模型处理上述获取的信号，得到铣削刀具磨损状态；利用刀具磨损状态监测模型处理上述获取的信号的过程为：对获取的信号进行初步特征提取和降维，得到第一局部特征集；将第一局部特征集分别进行三个不同深度的特征提取，对应得到第二局部特征集、第三局部特征集和第四局部特征集；自适应融合第二局部特征集、第三局部特征集和第四局部特征集，得到多尺度特征集；基于多尺度特征集与铣削刀具磨损状态的对应关联关系，确定出对应铣削刀具磨损状态。
Description
技术领域
本发明属于铣削过程智能监测领域，尤其涉及一种铣削刀具磨损状态识别方法、系统、介质及设备。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
在切削加工领域，刀具磨损直接影响工件的加工精度和表面完整性，甚至导致工件报废。其中，切削过程的智能监测能保障自动化加工设备的安全和加工质量，是实现智能制造的一项关键技术。传统的换刀策略往往是依靠工人经验或离线测量后实现，但这样很难避免由刀具失效造成的工件加工精度降低以及过早换刀造成的浪费问题。
现有技术中针对加工过程中实现刀具状态的智能化监测方面，考虑到生产成本和实际加工环境的复杂性，基于多传感或单传感融合的监测方法具有一定的局限性：一方面，多传感信号的信息冗杂，多传感信号的融合对于提升模型的识别精度是有限的。更重要的是，传感器数量的增加会造成生产成本的成倍增加；另一方面，单传感信号抗干扰能力差、获取的有效信息量少；另外，传感器的安装往往受限于工件尺寸、切削液、机床工作范围等。实际加工环境中传感器类型的更换是不可避免的，但由于不同感知信号的幅值、统计特性以及变化趋势等存在较大差异，很难实现单通道感知信号在刀具磨损状态监测的泛化。这些因素限制了监测模型在实际加工环境的推广。
由于在现有系统中，不同阶段的数据传递存在一定的受限性，导致了不同软件之间数据的传递和交互比较困难，需要额外的数据转换和接口开发，使得现有的刀具状态监测系统集成化程度不高，很难实现切削信号直接映射刀具状态，并实现跨域展示。另外，现有的监测系统往往需要依赖人工经验，操作步骤繁琐，这对于构建智能车间无人值守系统是不利的。换刀往往发生在剧烈磨损之前，因此，可认为剧烈磨损阶段的识别准确率高低决定了监测模型的好坏，而目前的刀具磨损状态识别方法在剧烈磨损阶段识别精度差，无法准确指导换刀，这些问题已经成为限制铣削过程中刀具状态监测系统应用和推广的关键瓶颈。
综上所述，现有刀具磨损状态监测技术存在单通道感知信号在刀具磨损状态监测的泛化能力差，监测系统集成化程度不高，且难以准确指导换刀的问题。
发明内容
为了解决上述背景技术中存在的至少一个技术问题，本发明提供一种铣削刀具磨损状态识别方法、系统、介质及设备，其具有感知泛化能力，适用于单通道、非特定感知信号的刀具磨损状态监测的优点。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种铣削刀具磨损状态识别方法。
一种铣削刀具磨损状态识别方法，其包括：
获取铣削过程中的切削力信号和加速度信号中的任一种信号；
利用刀具磨损状态监测模型处理上述获取的信号，得到铣削刀具磨损状态；
其中，利用刀具磨损状态监测模型处理上述获取的信号的过程为：
对上述获取的信号进行初步特征提取和降维，得到第一局部特征集；
将第一局部特征集分别进行三个不同深度的特征提取，对应得到第二局部特征集、第三局部特征集和第四局部特征集；
自适应融合第二局部特征集、第三局部特征集和第四局部特征集，得到多尺度特征集；
基于多尺度特征集与铣削刀具磨损状态的对应关联关系，确定出对应铣削刀具磨损状态。
作为本发明第一个方面的一种实施方式，在刀具磨损状态监测模型的训练过程中，采用铣削过程中的切削力信号和加速度信号中的任一种信号作为样本集来训练。
作为本发明第一个方面的一种实施方式，所述铣削刀具磨损状态包括初期磨合状态、正常磨损状态和剧烈磨损状态。
作为本发明第一个方面的一种实施方式，所述刀具磨损状态监测模型包括初步特征提取层、并行残差网络层、自适应融合层以及全连接层。
作为本发明第一个方面的一种实施方式，所述并行残差网络层由三个并行的分支构成，每个分支堆叠若干个残差块，每个残差块中的卷积层后面均设置一个批量归一化层；同一个分支中的残差块中的卷积核大小相同，三个分支的卷积核大小不同。
作为本发明第一个方面的一种实施方式，获取铣削过程中的切削力信号和加速度信号中的任一种信号之后，还包括：
数据预处理操作；所述数据预处理操作包括：切入切出数据的去除、数据降采样和数据选取。
本发明的第二个方面提供一种铣削刀具磨损状态识别系统。
本发明提供的一种铣削刀具磨损状态识别系统，其包括：
信号获取模块，其用于获取铣削过程中的切削力信号和加速度信号中的任一种信号；
状态识别模块，其利用刀具磨损状态监测模型处理上述获取的信号，得到铣削刀具磨损状态；
其中，利用刀具磨损状态监测模型处理上述获取的信号的过程为：
对上述获取的信号进行初步特征提取和降维，得到第一局部特征集；
将第一局部特征集分别进行三个不同深度的特征提取，对应得到第二局部特征集、第三局部特征集和第四局部特征集；
自适应融合第二局部特征集、第三局部特征集和第四局部特征集，得到多尺度特征集；
基于多尺度特征集与铣削刀具磨损状态的对应关联关系，确定出对应铣削刀具磨损状态。
作为本发明第二个方面的一种实施方式，在刀具磨损状态监测模型的训练过程中，采用铣削过程中的切削力信号和加速度信号中的任一种信号作为样本集来训练。
作为本发明第二个方面的一种实施方式，所述铣削刀具磨损状态包括初期磨合状态、正常磨损状态和剧烈磨损状态。
作为本发明第二个方面的一种实施方式，所述刀具磨损状态监测模型包括初步特征提取层、并行残差网络层、自适应融合层以及全连接层；所述并行残差网络层由三个并行的分支构成，每个分支堆叠若干个残差块，每个残差块中的卷积层后面均设置一个批量归一化层；同一个分支中的残差块中的卷积核大小相同，三个分支的卷积核大小不同。
作为本发明第二个方面的一种实施方式，获取铣削过程中的切削力信号和加速度信号中的任一种信号之后，还包括：
数据预处理操作；所述数据预处理操作包括：切入切出数据的去除、数据降采样和数据选取。
本发明提供了另一种铣削刀具磨损状态识别系统，其包括：
信号实时采集与传输模块、状态识别模块及云端可视化模块；
所述信号实时采集与传输模块用于采集铣削过程中的切削力信号和加速度信号中的任一种信号并传送至状态识别模块；
所述状态识别模块用于利用刀具磨损状态监测模型处理上述获取的信号，得到铣削刀具磨损状态并传送至云端可视化模块；
其中，利用刀具磨损状态监测模型处理上述获取的信号的过程为：
对上述获取的信号进行初步特征提取和降维，得到第一局部特征集；
将第一局部特征集分别进行三个不同深度的特征提取，对应得到第二局部特征集、第三局部特征集和第四局部特征集；
自适应融合第二局部特征集、第三局部特征集和第四局部特征集，得到多尺度特征集；
基于多尺度特征集与铣削刀具磨损状态的对应关联关系，确定出对应铣削刀具磨损状态；
所述云端可视化模块用于实时展示铣削刀具磨损状态。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的铣削刀具磨损状态识别方法中的步骤。
本发明的第四个方面提供一种电子设备。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的铣削刀具磨损状态识别方法中的步骤。
与现有技术相比，本发明的有益效果是：
(1)本发明利用切削力信号和加速度信号具有相似的变化趋势特性，对刀具磨损状态监测模型采用铣削过程中的切削力信号和加速度信号中的任一种信号作为样本集来训练，而且处理输入的铣削过程中的切削力信号和加速度信号中的任一种信号，均可识别出铣削刀具磨损状态，使得本发明的刀具磨损状态监测模型泛化能力更强，使得本发明的刀具磨损状态监测方法能够高效指导换刀，适用于单通道及非特定感知信号，解决了监测过程中非特定感知信号输入的问题，无需考虑多通道信号融合过程中的先验知识。
(2)本发明还提供了一种铣削刀具磨损状态识别系统，该系统集成了信号实时采集与传输模块、状态识别模块及云端可视化模块，使得切削信号在各模块间能够快速传输，不需要额外配置数据转换接口和通信接口，为开发集成化的刀具磨损状态监测系统提供了保障。
本发明附加方面的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，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例中刀具磨损状态监测方法流程图；
图2为本发明实施例中铣削刀具状态智能监测系统框架图；
图3为本发明实施例中残差块的结构示意图；
图4为本发明实施例中变化点检测算法示意图；
图5为本发明实施例中滑动平均值降采样示意图；
图6为本发明实施例中改进并行残差网络结构示意图；
图7(a)为本发明实施例中加速度信号识别结果的混淆矩阵；
图7(b)为本发明实施例中切削力信号识别结果的混淆矩阵。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
现有刀具磨损状态监测系统集成化程度不高，考虑三个方面：首先是数据传递受限，在现有系统中，不同阶段的数据传递存在一定的受限性。例如，信号采集通常使用LabVIEW进行实时数据采集，而信号处理可能需要使用MATLAB等其他软件进行进一步处理。这导致了不同软件之间数据的传递和交互比较困难，需要额外的数据转换和接口开发。此外，软件兼容性问题：不同软件之间的兼容性也可能成为集成化的障碍。例如，LabVIEW和MATLAB可能使用不同的数据格式或数据接口，这需要额外的开发工作来实现数据的顺利传递和共享。这种兼容性问题导致集成化程度较低，增加了系统的开发和维护成本。最后，云端可视化的需求，在现代的监测系统中，云端可视化变得越来越常见。然而，实现云端可视化通常需要额外的云服务器和数据传输成本。
实施例一
本实施例提供了一种铣削刀具磨损状态识别方法，其具体包括如下步骤：
步骤1：获取铣削过程中的切削力信号和加速度信号中的任一种信号。
在一些具体实施过程中，获取铣削过程中的切削力信号和加速度信号中的任一种信号之后，还包括：
数据预处理操作；所述数据预处理操作包括：切入切出数据的去除、数据降采样和数据选取。
具体地，通过基于窗口的变化点检测方法去除切入切出时的不稳定信号，基于窗口的变化点检测函数的实现如下：
包括计算沿信号y滑动的两个相邻窗口之间的差异。对于给定的代价函数C(·)，两个子信号之间的差异为：
d(ya.t,yt.b)＝c(ya.b)-c(ya.t)-c(yt.b) (1)
式中，1≤a<t<b≤T，t表示信号发生变化的时刻，a、b表示采样子信号的起始时刻和结束时刻，T表示完整采样时间。
当两个窗口覆盖不同时段，两个窗口中数值大小相差10倍以上，从而导致峰值。然后计算完整的差异曲线，得到变化点的索引t。
在具体实施过程中，对处理后的数据进行截取，选择某一时段的稳定切削数据。其中，在铣削加工中，稳定切削数据是指在一个工件上进行铣削时，切削参数(例如切削速度、进给速度、切削深度等)保持在一个相对稳定的状态下变化的数据。在稳定切削过程中，切削参数的变化往往呈现出一定的周期，这里主要是和机床空转数据进行区分，可以说除机床空转数据和切入切出时的不稳定数据以外的数据就是稳定切削数据。
此处可以理解的是，在其他实施例中，本领域技术人员也可采用其他现有的方法来去除切入切出数据，此处不再详述。
在对数据降采样和数据选取的操作中，例如选择长度为5的滑动平均值窗口对稳定切削数据进行降采样，同时减少了噪声的影响。得到预处理后的数据样本作为状态监测模型的输入。
此处需要说明的是，滑动平均值窗口的长度，本领域技术人员可根据实际情况来具体设置，此处不再详述。
步骤2：利用刀具磨损状态监测模型处理上述获取的信号，得到铣削刀具磨损状态。
其中，利用刀具磨损状态监测模型处理上述获取的信号的过程为：
步骤2.1：对上述获取的信号进行初步特征提取和降维，得到第一局部特征集；
步骤2.2：将第一局部特征集分别进行三个不同深度的特征提取，对应得到第二局部特征集、第三局部特征集和第四局部特征集；
步骤2.3：自适应融合第二局部特征集、第三局部特征集和第四局部特征集，得到多尺度特征集；
步骤2.4：基于多尺度特征集与铣削刀具磨损状态的对应关联关系，确定出对应铣削刀具磨损状态。
在具体实施过程中，在刀具磨损状态监测模型的训练过程中，采用铣削过程中的切削力信号和加速度信号中的任一种信号作为样本集来训练。本实施例的刀具磨损状态监测模型具有感知泛化能力。
刀具磨损状态监测模型通过切削力信号和加速度信号中的任一种进行训练，训练完成后，无需使用另外一种信号进行训练，可以将另外一种信号直接作为模型的输入来识别刀具磨损状态。
在铣削过程中，刀具磨损会影响到加速度信号和切削力信号的变化。一般来说，随着刀具磨损的加深，切削力信号和加速度信号都会出现相应的变化。
切削力信号：在理想状态下，刀具磨损过程中，切削力会逐渐增大。因为当刀具开始磨损，它的切削效率会降低，需要更大的力量来完成相同的切削工作。这种变化会反映在切削力信号的幅值上，使得幅值逐渐增大。
加速度信号：加速度信号通常被用来监测刀具的振动。当刀具磨损时，它的切削性能会下降，可能会导致更大的振动。这种振动会通过加速度信号传递出来，使得加速度信号的幅值增大。
从上述分析中，可以看到，切削力信号和加速度信号之间存在密切的关系，它们都反映了刀具磨损的状态当刀具开始磨损，它的切削效率会降低，因此需要更大的切削力来完成同样的工作，使得切削力信号的幅值逐渐增大。同时，刀具的磨损也会导致更大的振动，这种振动会传递到加速度信号，使其幅值增大。随着刀具磨损的加深，这两种信号的幅值都会逐渐增大，显示出相似的变化趋势。
而所提出的刀具磨损监测模型正是利用了这种关联性。模型被设计为一个端到端的系统，它不需要了解输入信号的具体类型，而只需关注信号的格式是否一致。在训练过程中，模型学习到了加速度信号的特征与刀具磨损的映射关系。因此，在使用时，即使输入的是切削力信号，由于这两种信号在表现刀具磨损时呈现出的类似特征，模型仍然可以准确地识别出刀具的磨损状态。这种设计有效地利用了深度学习模型的泛化能力，使其能够应对不同类型的输入信号。
在本实施例中，所述铣削刀具磨损状态包括初期磨合状态、正常磨损状态和剧烈磨损状态。上述刀具磨损状态，是根据刀具磨损变化规律进行划分的：状态1-初期磨合阶段，其以快速磨损率出现；状态2-正常磨损阶段，具有均匀磨损率和稳态磨损区；状态3-剧烈磨损阶段，再次出现快速磨损率。
此处需要说明的是，在其他实施例中，本领域技术人员可根据实际情况来具体划分铣削刀具磨损状态的类别。
在本实施例中，所述刀具磨损状态监测模型包括初步特征提取层、并行残差网络层、自适应融合层以及全连接层。
其中，所述并行残差网络层由三个并行的分支构成，每个分支堆叠若干个残差块，图3展示了残差块的结构。残差块采用跳跃连接，目标映射可以通过公式2获得。采用跳跃连接的原因：随着网络的加深，难以实现特征的恒等变换，模型收敛速度和识别准确率会下降。通过弱化每层之间的强联系，避免了梯度消失和爆炸问题。已经证实跳跃连接可以提高模型训练速度。另外，利用跳跃连接可以弥补下采样造成的信息损失，强化了层与层之间信息依赖关系。
残差网络通过学习残差的方式间接得到目标映射，这与直接获得目标映射相比更容易实现。每个残差块中的卷积层后面均设置一个批量归一化层；同一个分支中的残差块中的卷积核大小相同，三个分支的卷积核大小不同。
H(x)＝F(x)+x (2)
式中，H(x)是目标映射，F(x)是残差函数，x是所考虑层的输入。
例如：使用7×7的宽卷积核和2×2的最大池化层对预处理后的信号进行初步特征提取和降维，得到第一局部特征集f1。
将f1作为并行残差网络的输入。其中并行结构设计三个分支，每个分支堆叠三个残差块，残差块的数据的通道数分别设置为64，128和256。每个分支采用不同大小的卷积核，分别是3×3，5×5和7×7。卷积核使用混合膨胀卷积，扩张率分别设置1，2和5。每个残差块中的卷积层后面设置一个批量归一化层(BN)，提高网络的泛化能力。由此得到包含三个分支的局部特征集，并利用自适应池化操作进行降维，得到第二局部特征集f2、第三局部特征集f3、第四局部特征集f4。
卷积操作均为一维卷积，卷积运算如下：
式中，为j卷积层输出的特征，/>为i层的输入，f(·)是激活函数，/>和/>分别是卷积层的权重和偏置。
池化操作的运算如下：
式中，为j池化层输出的特征，/>为i层的输入，pool(·)是池化操作。
将f2、f3、f4局部特征集进行自适应融合，得到融合后的多尺度特征集f5。深层次、多尺度、大感知的特征保证了模型具备感知泛化的能力。融合后的特征集合作为全连接层的输入，通过Softmax函数输出刀具磨损状态。同时，将误差反向传播，至此得到训练完成的刀具磨损状态监测模型。
Softmax分类器的交叉熵损失函数的表达式如下：
式中，p(x)是期望输出，q(x)是实际输出。
在训练刀具磨损状态监测模型的过程中，以加速度信号作为输入训练的模型，在应用过程中，另外一组加速度信号和切削力信号分别作为输入进行模型验证，最终结果是两个信号识别结果的混淆矩阵。根据识别结果的混淆矩阵，分别计算三个类别的召回率和精确率，然后每个类别分配不同的权重，弱化初期磨损阶段的权重，强化剧烈磨损阶段的权重，以三个阶段的加权平均值作为最终的识别召回率和精确率。综合考虑召回率和精确率的计算结果得到最终的评价指标。其中下标I、N、S分别表示初期磨损阶段、正常磨损阶段和剧烈磨损阶段。
以初期磨损阶段精确率和召回率的计算为例，召回率可以表示为：
精确率可以表示为：
式中，TPI表示将正样本识别为正的样本数量，FNI表示将正样本识别为其他类别样本的数量，FPI表示将负样本识别为正样本的数量。
对不同类别的召回率和精确率分配不同的权重w，得到加权精确率PWA和召回率RWA，加权召回率表示为：
RWA＝w1RI+w2RN+w3RS (8)
加权精确率表示为：
PWA＝w1PI+w2PN+w3PS (9)
式中，w是权重因子，w1,w2,w3分别设置为0.2,0.3,0.5。
其中，权重因子的分配原则是考虑每个类别在问题中的重要性。与大多数加工场景一样，换刀往往发生在剧烈磨损之前。因此，可以认为剧烈磨损阶段的识别准确率高低决定了监测模型的好坏。准确识别剧烈磨损阶段对于问题的解决非常关键，因此对其分配较高的权重，以确保模型更加重视这个类别的预测结果。相反，很少在刀具的初期磨损阶段进行换刀，该阶段的识别准确率高低对于最终换刀时机的选择影响不大，因此分配较低的权重。
本实施例所提出的模型性能综合评价方法兼顾了实际加工环境中的换刀时机和磨损数据分布情况。所提出方法通过计算识别结果的召回率和精确率，避免了不平衡数据仅用准确率评估的缺陷。另外，每个类别分配不同的权重，弱化初期磨损阶段的权重，强化剧烈磨损阶段的权重，并引入融合因子，综合考虑召回率和精确率，保证了对剧烈磨损阶段的识别性能，有效指导换刀时机的选择。
为了验证本实施例的铣削刀具磨损状态监测方法的可行性，通过DMU70V五轴数控加工中心开展Ti-6Al-4V薄壁件铣削实验。工件的尺寸为100*150*5mm，刀具选择直径为14mm的双刃立铣刀，主轴转速为8000r/min，进给速率为1280mm/min，径向切深为0.2mm，轴向切深为4mm，每齿进给量为0.08mm/r。
在切削过程中，三轴加速度传感器安装在工件背面。Kistler无线旋转切削测力仪(RCD)和NIPXIE-4464被用来采集切削力、加速度信号。采样频率均设置为5kHz。通过便携式显微镜离线测量刀具每个齿1/2轴向切深处的后刀面磨损量。为减少停机时间，每切削十次测量一次刀具磨损。每把刀共得到10个磨损值，其余磨损值通过样条插值进行补充，以获得完整的磨损标签。
选择三把相同规格的刀具开展铣削实验。每把刀具切削100次，每次走刀的长度等于工件的宽度，三把刀具累计切削300次，总切削长度为4.5米。产生了包含切削信号和磨损量在内的三个数据集，记为T1、T2、T3。当铣刀的后刀面磨损达到国际失效标准时，即VB≥300μm或VBmax≥500μm，停止继续切削。
利用T1、T2这两个数据集中x方向的加速度信号和数据标签训练监测模型。利用T3数据集验证本发明中基于改进并行残差网络的铣削刀具磨损状态监测方法及系统的可行性。
首先，获得每次切削时x方向的加速度和切削力信号；分别对采集的两种切削信号进行预处理，设置变化点检测区间，如图4所示，依次完成信号的无效数据处理和稳定信号段的截取。并通过滑动平均值窗口进行降采样，如图5所示。基于此，得到稳定切削状态下的一维加速度和切削力信号，作为监测模型的输入矩阵。
在本实施例中，将T1、T2数据集作为训练数据，对刀具磨损状态监测模型进行建立和训练，图6展示了模型的结构，初始学习率、批次和epoch分别设置为0.15、64和200。学习率衰减方式为步长衰减，衰减率设置为0.1。值得注意的是，两种信号输入的模型结构是相同的，避免了由于实际加工环境中更换传感器造成的模型重复训练问题。得到T3数据集的输出结果的混淆矩阵，如图7(a)和图7(b)所示。
然后，基于三个类别的召回率和精确率，对不同类别的召回率和精确率分配不同的权重，弱化初期磨损阶段的权重，强化剧烈磨损阶段的权重。同时，引入融合因子，得到综合考虑召回率和精确率的评价指标CWA。经计算，对于T3数据集，针对加速度和切削力的识别，CWA分别为94.3％和95.7％，在保证高识别精度的同时，两种信号的精度差为1.4％，验证了模型的感知泛化能力。该评价方法重点考虑剧烈磨损阶段的识别，能够准确选择换刀时机。
实施例二
本实施例提供了一种铣削刀具磨损状态识别系统，其包括：
信号获取模块，其用于获取铣削过程中的切削力信号和加速度信号中的任一种信号；
状态识别模块，其利用刀具磨损状态监测模型处理上述获取的信号，得到铣削刀具磨损状态；
其中，利用刀具磨损状态监测模型处理上述获取的信号的过程为：
对上述获取的信号进行初步特征提取和降维，得到第一局部特征集；
将第一局部特征集分别进行三个不同深度的特征提取，对应得到第二局部特征集、第三局部特征集和第四局部特征集；
自适应融合第二局部特征集、第三局部特征集和第四局部特征集，得到多尺度特征集；
基于多尺度特征集与铣削刀具磨损状态的对应关联关系，确定出对应铣削刀具磨损状态。
其中，在刀具磨损状态监测模型的训练过程中，采用铣削过程中的切削力信号和加速度信号中的任一种信号作为样本集来训练。
具体的，所述铣削刀具磨损状态包括初期磨合状态、正常磨损状态和剧烈磨损状态。
其中，所述刀具磨损状态监测模型包括初步特征提取层、并行残差网络层、自适应融合层以及全连接层；所述并行残差网络层由三个并行的分支构成，每个分支堆叠若干个残差块，每个残差块中的卷积层后面均设置一个批量归一化层；同一个分支中的残差块中的卷积核大小相同，三个分支的卷积核大小不同。
获取铣削过程中的切削力信号和加速度信号中的任一种信号之后，还包括：
数据预处理操作；所述数据预处理操作包括：切入切出数据的去除、数据降采样和数据选取。
此处需要说明的是，本实施例中的各个模块与实施例一中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
实施例三
如图1和图2所示，本实施例提供了一种铣削刀具磨损状态识别系统，其包括：
信号实时采集与传输模块、状态识别模块及云端可视化模块；
所述信号实时采集与传输模块用于采集铣削过程中的切削力信号和加速度信号中的任一种信号并传送至状态识别模块；
所述状态识别模块用于利用刀具磨损状态监测模型处理上述获取的信号，得到铣削刀具磨损状态并传送至云端可视化模块；
其中，利用刀具磨损状态监测模型处理上述获取的信号的过程为：
对上述获取的信号进行初步特征提取和降维，得到第一局部特征集；
将第一局部特征集分别进行三个不同深度的特征提取，对应得到第二局部特征集、第三局部特征集和第四局部特征集；
自适应融合第二局部特征集、第三局部特征集和第四局部特征集，得到多尺度特征集；
基于多尺度特征集与铣削刀具磨损状态的对应关联关系，确定出对应铣削刀具磨损状态；
所述云端可视化模块用于实时展示铣削刀具磨损状态。
根据图1和图2，硬件设备包括振动传感器、麦克风、NI采集箱。利用所述硬件设备与数控铣床搭建智能铣削加工平台。
在信号实时采集与传输模块借助Labview软件实现切削信号的实时采集，并通过ODBC数据源将切削信号传输至MySQL云端数据库，得到原始数据集。
本实施例提供的铣削刀具磨损状态识别系统，还包括：
信号预处理模块。
在数据预处理模块，通过ODBC数据源调取数据库中的原始数据，并设置变化点检测区间，借助突变点检测算法去除切入切出时的无效数据。基于窗口的变化点检测函数的实现如下：
包括计算沿信号y滑动的两个相邻窗口之间的差异。对于给定的代价函数C(·)，两个子信号之间的差异为：
d(ya.t,yt.b)＝c(ya.b)-c(ya.t)-c(yt.b) (1)
式中，1≤a<t<b≤T，t表示信号发生变化的时刻，a、b表示采样子信号的起始时刻和结束时刻，T表示完整采样时间。
当两个窗口覆盖不同时段，差异达到较大的值，从而导致峰值。然后计算完整的差异曲线，得到变化点的索引t。
然后对去除切入切出信号后的数据进行截取，选择某一时段的信号，由此完成原始信号预处理，得到状态监测模型的输入矩阵。
根据处理后的历史数据，建立基于改进并行残差网络的刀具磨损状态监测模型。
预处理后的切削信号X＝(x1,x2,x3,…,xn)输入监测模型，输出刀具磨损状态Y＝(y1,y2,y3,…,yn)，若yn为剧烈磨损阶段，则系统预警，更换铣削刀具。
式中，xn表示第n个输入模型的信号样本，yn表示第n个刀具磨损状态识别结果。
在云端可视化模块中，原始信号和输出刀具状态经ODBC数据源传输至云端数据库，实现跨地域监测可视化。同时，该模块也实现了对机床信息、传感器信息、刀具信息以及工况的管理，为工业环境中实现数控加工过程的智能监控提供了参考价值。
实施例四
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的铣削刀具磨损状态识别方法中的步骤。
实施例五
本实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的铣削刀具磨损状态识别方法中的步骤。
本发明是参照本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种铣削刀具磨损状态识别方法，其特征在于，包括：
获取铣削过程中的切削力信号和加速度信号中的任一种信号；
利用刀具磨损状态监测模型处理上述获取的信号，得到铣削刀具磨损状态；
其中，利用刀具磨损状态监测模型处理上述获取的信号的过程为：
对上述获取的信号进行初步特征提取和降维，得到第一局部特征集；
将第一局部特征集分别进行三个不同深度的特征提取，对应得到第二局部特征集、第三局部特征集和第四局部特征集；
自适应融合第二局部特征集、第三局部特征集和第四局部特征集，得到多尺度特征集；
基于多尺度特征集与铣削刀具磨损状态的对应关联关系，确定出对应铣削刀具磨损状态。
2.如权利要求1所述的铣削刀具磨损状态识别方法，其特征在于，在刀具磨损状态监测模型的训练过程中，采用铣削过程中的切削力信号和加速度信号中的任一种信号作为样本集来训练；
或
所述铣削刀具磨损状态包括初期磨合状态、正常磨损状态和剧烈磨损状态。
3.如权利要求1所述的铣削刀具磨损状态识别方法，其特征在于，所述刀具磨损状态监测模型包括初步特征提取层、并行残差网络层、自适应融合层以及全连接层。
4.如权利要求3所述的铣削刀具磨损状态识别方法，其特征在于，所述并行残差网络层由三个并行的分支构成，每个分支堆叠若干个残差块，每个残差块中的卷积层后面均设置一个批量归一化层；同一个分支中的残差块中的卷积核大小相同，三个分支的卷积核大小不同。
5.如权利要求1所述的铣削刀具磨损状态识别方法，其特征在于，获取铣削过程中的切削力信号和加速度信号中的任一种信号之后，还包括：
数据预处理操作；所述数据预处理操作包括：切入切出数据的去除、数据降采样和数据选取。
6.一种铣削刀具磨损状态识别系统，其特征在于，包括：
信号获取模块，其用于获取铣削过程中的切削力信号和加速度信号中的任一种信号；
状态识别模块，其利用刀具磨损状态监测模型处理上述获取的信号，得到铣削刀具磨损状态；
其中，利用刀具磨损状态监测模型处理上述获取的信号的过程为：
对上述获取的信号进行初步特征提取和降维，得到第一局部特征集；
将第一局部特征集分别进行三个不同深度的特征提取，对应得到第二局部特征集、第三局部特征集和第四局部特征集；
自适应融合第二局部特征集、第三局部特征集和第四局部特征集，得到多尺度特征集；
基于多尺度特征集与铣削刀具磨损状态的对应关联关系，确定出对应铣削刀具磨损状态。
7.如权利要求6所述的铣削刀具磨损状态识别系统，其特征在于，在刀具磨损状态监测模型的训练过程中，采用铣削过程中的切削力信号和加速度信号中的任一种信号作为样本集来训练；
或
所述铣削刀具磨损状态包括初期磨合状态、正常磨损状态和剧烈磨损状态；
或
所述刀具磨损状态监测模型包括初步特征提取层、并行残差网络层、自适应融合层以及全连接层；所述并行残差网络层由三个并行的分支构成，每个分支堆叠若干个残差块，每个残差块中的卷积层后面均设置一个批量归一化层；同一个分支中的残差块中的卷积核大小相同，三个分支的卷积核大小不同；
或
获取铣削过程中的切削力信号和加速度信号中的任一种信号之后，还包括：
数据预处理操作；所述数据预处理操作包括：切入切出数据的去除、数据降采样和数据选取。
8.一种铣削刀具磨损状态识别系统，其特征在于，包括：
信号实时采集与传输模块、状态识别模块及云端可视化模块；
所述信号实时采集与传输模块用于采集铣削过程中的切削力信号和加速度信号中的任一种信号并传送至状态识别模块；
所述状态识别模块用于利用刀具磨损状态监测模型处理上述获取的信号，得到铣削刀具磨损状态并传送至云端可视化模块；
其中，利用刀具磨损状态监测模型处理上述获取的信号的过程为：
对上述获取的信号进行初步特征提取和降维，得到第一局部特征集；
将第一局部特征集分别进行三个不同深度的特征提取，对应得到第二局部特征集、第三局部特征集和第四局部特征集；
自适应融合第二局部特征集、第三局部特征集和第四局部特征集，得到多尺度特征集；
基于多尺度特征集与铣削刀具磨损状态的对应关联关系，确定出对应铣削刀具磨损状态；
所述云端可视化模块用于实时展示铣削刀具磨损状态。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一项所述的铣削刀具磨损状态识别方法中的步骤。
10.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1-5中任一项所述的铣削刀具磨损状态识别方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310981697.4A CN116900815A (zh) | 2023-08-04 | 2023-08-04 | 一种铣削刀具磨损状态识别方法、系统、介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310981697.4A CN116900815A (zh) | 2023-08-04 | 2023-08-04 | 一种铣削刀具磨损状态识别方法、系统、介质及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116900815A true CN116900815A (zh) | 2023-10-20 |
Family
ID=88358298
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310981697.4A Pending CN116900815A (zh) | 2023-08-04 | 2023-08-04 | 一种铣削刀具磨损状态识别方法、系统、介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116900815A (zh) |
-
2023
- 2023-08-04 CN CN202310981697.4A patent/CN116900815A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Systematic review on tool breakage monitoring techniques in machining operations | |
| CN109822399B (zh) | 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 | |
| US10695884B2 (en) | Tool wear monitoring and predicting method | |
| Boutros et al. | Detection and diagnosis of bearing and cutting tool faults using hidden Markov models | |
| CN106181579B (zh) | 一种基于多传感器电流信号的刀具磨损监测方法 | |
| CN104808585B (zh) | 一种机床健康状态快速检查方法 | |
| EP1927830B1 (en) | Device for overall machine tool monitoring and corresponding method therefor | |
| CN110153801A (zh) | 一种基于多特征融合的刀具磨损状态辨识方法 | |
| CN108490880A (zh) | 一种数控机床切削刀具磨损状态实时监测方法 | |
| CN102073300A (zh) | 一种数控加工状态自学习的刀具磨损监控系统 | |
| CN110576335B (zh) | 一种基于切削力的刀具磨损在线监测方法 | |
| CN102929210A (zh) | 基于特征的数控加工过程控制和优化系统及方法 | |
| JP6752866B2 (ja) | 刃具状態検査システム及び方法 | |
| CN113741377A (zh) | 一种基于切削特征遴选的加工过程智能监控系统及方法 | |
| CN108846581A (zh) | 一种机床刀具可靠性评估系统及方法 | |
| CN114905336B (zh) | 基于切削力成分解耦的变工况刀具磨损监测方法及系统 | |
| JPH06170696A (ja) | 工具寿命と予測工具摩耗の診断用のリアル・タイム・エキスパート・システムを使用するシステムと方法 | |
| CN115129003B (zh) | 一种基于自学习时变数字孪生的自动化产线智能监测系统 | |
| CN114273977A (zh) | 一种基于mes的刀具磨损检测方法及其系统 | |
| 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 | |
| CN112766182A (zh) | 一种拉削刀具磨损状态识别方法 | |
| CN104657526A (zh) | 工具机的加工品质的预测方法 | |
| Mou et al. | A study of tool tipping monitoring for titanium milling based on cutting vibration | |
| Yan et al. | A hybrid method for on-line performance assessment and life prediction in drilling operations | |
| CN114800040A (zh) | 工艺-状态数据关联的刀具磨损监测方法及系统 |
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 |