CN117226600A - 一种合金铣削中刀具磨损预测方法、装置、介质及设备 - Google Patents
一种合金铣削中刀具磨损预测方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN117226600A CN117226600A CN202311509270.0A CN202311509270A CN117226600A CN 117226600 A CN117226600 A CN 117226600A CN 202311509270 A CN202311509270 A CN 202311509270A CN 117226600 A CN117226600 A CN 117226600A
- Authority
- CN
- China
- Prior art keywords
- cutter
- features
- frequency domain
- sensitive
- tool wear
- 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 86
- 238000003801 milling Methods 0.000 title claims abstract description 69
- 229910045601 alloy Inorganic materials 0.000 title claims abstract description 64
- 239000000956 alloy Substances 0.000 title claims abstract description 64
- 238000005299 abrasion Methods 0.000 title claims abstract description 60
- 230000004927 fusion Effects 0.000 claims abstract description 80
- 238000012512 characterization method Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 50
- 230000015654 memory Effects 0.000 claims description 32
- 238000005520 cutting process Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 15
- 230000001133 acceleration Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013136 deep learning model Methods 0.000 claims description 9
- 230000002457 bidirectional effect Effects 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 abstract description 8
- 230000008569 process Effects 0.000 description 24
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 16
- 229910000601 superalloy Inorganic materials 0.000 description 12
- 210000002569 neuron Anatomy 0.000 description 9
- 229910052759 nickel Inorganic materials 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000003754 machining Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 229910010037 TiAlN Inorganic materials 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Classifications
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Numerical Control (AREA)
Abstract
本申请的实施例公开了一种合金铣削中刀具磨损预测方法、装置、介质及设备,涉及合金加工技术领域,包括:获得合金铣削加工中工况表征信号;对工况表征信号在时域、频域以及时频域进行特征提取,获得敏感特征;对敏感特征进行深度融合特征学习,获得目标融合特征;将目标融合特征输入刀具磨损预测模型,获得刀具的预测磨损值。本申请通过对多方采集的信号从多个角度进行分析,得到其中反映刀具状况的敏感特征信息,来用于对刀具的磨损预测,引入深度学习方法降低数据维度并提取特征信息,最后通过基于历史数据中融合特征与刀具磨损实测值得到的预测模型来预测,依据特征来输出准确度更高的预测数值来量化刀具的磨损。
Description
技术领域
本申请涉及合金加工技术领域,具体涉及一种合金铣削中刀具磨损预测方法、装置、介质及设备。
背景技术
合金的铣削加工中,刀具的磨损程度对加工精度有着极大的影响。而目前在铣削加工中,通常是加工件的质量出现了较大的问题才会考虑排查刀具磨损情况,或者对刀具做定期的更换,无法有效获得刀具的当前状态,更不用说对刀具的磨损作出预测,因此,实现对刀具磨损的预测,以有效提高合金的加工精度,成为亟待解决的问题。
发明内容
本申请的主要目的在于提供一种合金铣削中刀具磨损预测方法、装置、介质及设备,旨在解决现有技术中无法在合金铣削加工中对刀具的磨损进行有效预测的问题。
为实现上述目的,本申请的实施例采用的技术方案如下:
第一方面,本申请实施例提供一种合金铣削中刀具磨损预测方法,包括以下步骤:
获得合金铣削加工中工况表征信号;其中,工况表征信号包括切削力信号、振动加速度信号以及声发射信号;
对工况表征信号在时域、频域以及时频域进行特征提取,获得敏感特征;
对敏感特征进行深度融合特征学习,获得目标融合特征;
将目标融合特征输入刀具磨损预测模型,获得刀具的预测磨损值;其中,刀具磨损预测模型基于训练样本集训练获得,训练样本集基于历史加工中获得的融合特征与刀具磨损实测值构建。
在第一方面的一种可能实现方式中,对敏感特征进行深度融合特征学习,获得目标融合特征,包括:
将敏感特征输入深度学习模型,以进行深度融合特征学习,获得目标融合特征。
在第一方面的一种可能实现方式中,将目标融合特征输入刀具磨损预测模型,获得刀具的预测磨损值之前,合金铣削中刀具磨损预测方法还包括:
以刀具磨损实测值为输出标签、融合特征为输入标签,获得基于双向长短时记忆网络的刀具磨损预测模型,以作为深度学习模型的回归函数。
在第一方面的一种可能实现方式中,深度学习模型包括输入层、隐藏层以及输出层,隐藏层中设置稀疏性限制。
在第一方面的一种可能实现方式中,对工况表征信号在时域、频域以及时频域进行特征提取,获得敏感特征之前,合金铣削中刀具磨损预测方法还包括:
对工况表征信号进行放大,获得目标工况表征信号;
对工况表征信号在时域、频域以及时频域进行特征提取,获得敏感特征,包括:
对目标工况表征信号在时域、频域以及时频域进行特征提取,获得敏感特征。
在第一方面的一种可能实现方式中,对工况表征信号在时域、频域以及时频域进行特征提取,获得敏感特征,包括:
对工况表征信号在时域、频域以及时频域进行特征提取,获得特征信息;
对刀具磨损实测值与特征信息进行相关性分析,获得敏感特征。
在第一方面的一种可能实现方式中,对工况表征信号在时域、频域以及时频域进行特征提取,获得敏感特征之后,合金铣削中刀具磨损预测方法还包括:
对敏感特征进行归一化处理,获得目标敏感特征;
对敏感特征进行深度融合特征学习,获得目标融合特征,包括:
对目标敏感特征进行深度融合特征学习,获得目标融合特征。
第二方面,本申请实施例提供一种合金铣削中刀具磨损预测装置,包括:
第一获得模块,第一获得模块用于获得合金铣削加工中工况表征信号;其中,工况表征信号包括切削力信号、振动加速度信号以及声发射信号;
提取模块,提取模块用于对工况表征信号在时域、频域以及时频域进行特征提取,获得敏感特征;
第二获得模块,第二获得模块用于对敏感特征进行深度融合特征学习,获得目标融合特征;
预测模块,预测模块用于将目标融合特征输入刀具磨损预测模型,获得刀具的预测磨损值;其中,刀具磨损预测模型基于训练样本集训练获得,训练样本集基于历史加工中获得的融合特征与刀具磨损实测值构建。
第三方面,本申请实施例提供一种计算机可读存储介质,储存有计算机程序,计算机程序被处理器加载执行时,实现如上述第一方面中任一项提供的合金铣削中刀具磨损预测方法。
第四方面,本申请实施例提供一种电子设备,包括处理器及存储器,其中,
存储器用于存储计算机程序;
处理器用于加载执行计算机程序,以使电子设备执行如上述第一方面中任一项提供的合金铣削中刀具磨损预测方法。
与现有技术相比,本申请的有益效果是:
本申请实施例提出的一种合金铣削中刀具磨损预测方法、装置、介质及设备,该方法包括:获得合金铣削加工中工况表征信号;其中,工况表征信号包括切削力信号、振动加速度信号以及声发射信号;对工况表征信号在时域、频域以及时频域进行特征提取,获得敏感特征;对敏感特征进行深度融合特征学习,获得目标融合特征;将目标融合特征输入刀具磨损预测模型,获得刀具的预测磨损值;其中,刀具磨损预测模型基于训练样本集训练获得,训练样本集基于历史加工中获得的融合特征与刀具磨损实测值构建。本申请通过多方采集的工况表征信号,对信号从时域、频域及时频域多个角度进行分析,得到其中反映刀具状况的敏感特征信息,来用于对刀具的磨损预测,然后引入深度学习方法降低数据维度并提取其中的特征信息,最后通过预测模型来实现根据特征预测刀具的磨损状态,由于预测模型是基于历史数据中融合特征与刀具磨损实测值训练获得的,因此预测模型可以依据特征来输出准确度更高的预测数值来量化刀具的磨损。
附图说明
图1为本申请实施例涉及的硬件运行环境的电子设备结构示意图;
图2为本申请实施例提供的合金铣削中刀具磨损预测方法的流程示意图;
图3为本申请实施例提供的合金铣削中刀具磨损预测方法在一种实施方式下的流程示意图;
图4为本申请实施例提供的合金铣削中刀具磨损预测方法中刀具磨损预测模型的网络构架的示意图;
图5为本申请实施例提供的合金铣削中刀具磨损预测装置的模块示意图;
图中标记:101-处理器,102-通信总线,103-网络接口,104-用户接口,105-存储器。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例的主要解决方案是:获得合金铣削加工中工况表征信号;其中,工况表征信号包括切削力信号、振动加速度信号以及声发射信号;对工况表征信号在时域、频域以及时频域进行特征提取,获得敏感特征;对敏感特征进行深度融合特征学习,获得目标融合特征;将目标融合特征输入刀具磨损预测模型,获得刀具的预测磨损值;其中,刀具磨损预测模型基于训练样本集训练获得,训练样本集基于历史加工中获得的融合特征与刀具磨损实测值构建。
GH4169作为一种含Nb的镍基高温合金,具有优异的高温强度和抗蠕变性,而且消除了晶界以及降低了裂纹产生概率,具有良好的抗疲劳性能,已经广泛用于航空发动机领域。
镍基高温合金材料难以加工,这主要是因为在切削过程中存在以下方面的影响:镍基高温合金的高温强度和高温稳定性使得切削过程中的切削抗力大大增加;镍基高温合金的导热性较差,切削产生的大量切削热不容易散出;镍基高温合金的切削温度高、切削力大,刀具磨损比较严重,导致刀具的使用寿命明显降低;镍基高温合金中的强化相在高温切削环境下容易分解并分布在组织的表面,引起表面的加工硬化;刀具磨损较快,使工件表面积屑瘤、碎屑沉积增加,最终降低工件的加工精度。
合金的铣削加工中,刀具的磨损程度对加工精度有着极大的影响,尤其在高温合金切削加工中。在镍基高温合金材料的铣削加工过程中,加强对刀具磨损的预测,可以有效提高航空发动机部件的加工精度,以满足下一道工序的质量要求,进而提高航空发动机的性能和寿命。而目前在铣削加工中,通常是加工件的质量出现了较大的问题才会考虑排查刀具磨损情况,或者对刀具做定期的更换,无法有效获得刀具的当前状态,更不用说对刀具的磨损作出预测。
为此,本申请提供一种解决方案,通过多方采集的工况表征信号,对信号从时域、频域及时频域多个角度进行分析,得到其中反映刀具状况的敏感特征信息,来用于对刀具的磨损预测,然后引入深度学习方法降低数据维度并提取其中的特征信息,最后通过预测模型来实现根据特征预测刀具的磨损状态,由于预测模型是基于历史数据中融合特征与刀具磨损实测值训练获得的,因此预测模型可以依据特征来输出准确度更高的预测数值来量化刀具的磨损。
参照附图1,附图1为本申请实施例方案涉及的硬件运行环境的电子设备结构示意图,该电子设备可以包括:处理器101,例如中央处理器(Central Processing Unit,CPU),通信总线102、用户接口104,网络接口103,存储器105。其中,通信总线102用于实现这些组件之间的连接通信。用户接口104可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口104还可以包括标准的有线接口、无线接口。网络接口103可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器105可选的可以是独立于前述处理器101的存储装置,存储器105可能是高速的随机存取存储器(Random Access Memory,RAM)存储器,也可能是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器;处理器101可以是通用处理器,包括中央处理器、网络处理器等,还可以是数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本领域技术人员可以理解,附图1中示出的结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如附图1所示,作为一种存储介质的存储器105中可以包括操作系统、网络通信模块、用户接口模块以及合金铣削中刀具磨损预测装置。
在附图1所示的电子设备中,网络接口103主要用于与网络服务器进行数据通信;用户接口104主要用于与用户进行数据交互;本申请中的处理器101、存储器105可以设置在电子设备中,电子设备通过处理器101调用存储器105中存储的合金铣削中刀具磨损预测装置,并执行本申请实施例提供的合金铣削中刀具磨损预测方法。
参照附图2,基于前述实施例的硬件设备,本申请的实施例提供一种合金铣削中刀具磨损预测方法,包括以下步骤:
S10:获得合金铣削加工中工况表征信号;其中,工况表征信号包括切削力信号、振动加速度信号以及声发射信号。
在具体实施过程中,在合金铣削加工进行中采集信号,这些信号为表明工况的信号,比如利用加工中心进行镍基高温合金材料铣削,切削参数设置为切削速度300m/min、每齿进给量0.03mm、轴向进刀深度8mm、径向进刀深度0.2mm。待切削材料选取镍基高温合金GH4169,刀具选择PVD-TiAlN涂层硬质合金刀具KCSM40,型号为EDPT10T308PDSRGE,铣削过程中,采集振动加速度和切削力,并使用显微镜检查刀具磨损。
可选用压电式力传感器如Kistler 9129AA采集切削力信号,选用3D压电式加速度计如Kistler8763B050采集振动加速度信号,选用声发射传感器如Kistler8152C0采集声信号。刀具对高温合金工件进行加工,通过测量振动放大器检测高温合金工件的振动,压电式力传感器设置在工作台与工件之间,并通过电荷放大器放大后发送给模数转换器转换,由于需要测量三次,因此可以设置多个电荷放大器分别使用,最终转换过后的数字信号发送至上位机进行处理。
可使用相同型号铣刀重复三次铣削过程,得到三个数据集,分别记为数据集1、数据集2和数据集3,以便于后期利用不同数据集进行训练或测试。可以理解的是,由于采集的信号与预测模型的数据有质的区别,因此在采集到工况表征信号之后可通过模数转换器对信号进行处理,即将采集的模拟信号转换为数字信号。
S20:对工况表征信号在时域、频域以及时频域进行特征提取,获得敏感特征。
在具体实施过程中,时域和频域是信号的基本性质,这样可以用多种方式来分析信号,每种方式提供了不同的角度,解决问题的最快方式不一定是最明显的方式,用来分析信号的不同角度称为域,时域频域可清楚反应信号与互连线之间的相互影响。通过相关分析选择和优化多传感器下的敏感特征,可得出其中包含大量反应刀具状况的敏感特征信息,可用于刀具磨损预测研究。具体的,数据集包括7列传感器信号,分别为X、Y、Z方向切削力信号、X、Y、Z方向振动加速度信号、声信号。考虑到数据集1的X方向切削力信号的零漂移,对数据集1、数据集2和数据集3的其他6列传感器信号进行了特征提取,相关性分析是衡量两个变量因素之间相关性密切程度的一种分析方法。
具体来说,对工况表征信号在时域、频域以及时频域进行特征提取,获得敏感特征,包括:
对工况表征信号在时域、频域以及时频域进行特征提取,获得特征信息;
对刀具磨损实测值与特征信息进行相关性分析,获得敏感特征。
在具体实施过程中,基于时域、频域和时频域多传感器信号的特征提取,采用与相应刀具磨损的相关性分析,选择多传感器敏感特征,作为SSAE模型的输入信号输出深度融合特征,也即采集信号中反应刀具状况的敏感特征。
在一种实施例中,对工况表征信号在时域、频域以及时频域进行特征提取,获得敏感特征之后,合金铣削中刀具磨损预测方法还包括:
对敏感特征进行归一化处理,获得目标敏感特征。
在具体实施过程中,为了降低数据处理的难度,同时避免由于时间的跨度比大小的跨度差值太大而导致样本间的距离被时间所主导,将数据进行归一化处理,即将所有敏感特征数据映射到同一尺度中。
基于前述步骤,对敏感特征进行深度融合特征学习,获得目标融合特征,包括:
对目标敏感特征进行深度融合特征学习,获得目标融合特征。
在一种实施例中,对工况表征信号在时域、频域以及时频域进行特征提取,获得敏感特征之前,合金铣削中刀具磨损预测方法还包括:
对工况表征信号进行放大,获得目标工况表征信号;
对工况表征信号在时域、频域以及时频域进行特征提取,获得敏感特征,包括:
对目标工况表征信号在时域、频域以及时频域进行特征提取,获得敏感特征。
在具体实施过程中,为了更准确地采集信号,可对信号进行放大后再采集,某些信号比较微弱,一般的采集手段可能无法采集或采集不全,此时就可以通过一些信号放大的设备进行放大后采集,比如压电式力传感器可通过电荷放大器放大信号,3D压电式加速度计可通过测量振动放大器放大信号。
S30:对敏感特征进行深度融合特征学习,获得目标融合特征。
在具体实施过程中,将敏感特征输入到堆叠稀疏自动编码器模型中进行深度融合特征学习,标准的自动编码器模型是由输入层、隐藏层和输出层组成的三层神经网络结构,特征学习过程是编码器将输入层数据映射到隐藏层,解码器将隐藏层特征解码到输出层,标准自动编码器模型输入和输出层的神经元数量相同。自动编码器模型的训练过程是利用输入信息的重构误差作为损失函数,更新权重参数,实现对输入信息特征表示的学习。进一步的,可在隐藏层中加入稀疏性限制,使其能够在恶劣环境下学习到最佳样本特征表达,有效降低输入信息的维度。也即:对敏感特征进行深度融合特征学习,获得目标融合特征,包括:
将敏感特征输入深度学习模型,以进行深度融合特征学习,获得目标融合特征。
其中,深度融合特征学习即通过自动编码器模型实现。
为了实现这个限制,需要在自动编码器模型训练损失函数中添加一个稀疏限制作为额外的惩罚因子,目前,散度(Kullback-Leibler,KL)是使用最广泛的稀疏惩罚因子。同时,为了避免过拟合,进一步约束稀疏自动编码器模型的连接权重参数,损失函数会增加一个额外的权重正则化项来惩罚较大的权重,以增强泛化能力。常用的权重正则化项是权重参数的平方和乘以权重惩罚因子。因此,稀疏自动编码器模型的最终训练损失函数包括重构误差函数、系数惩罚项和权重衰减项,计算公式如下:
其中,L1为重构误差,KL为散度,J为权重正则化项,L为损失函数,K为训练样本的数量;n为输入层的神经元数量,m为隐藏层的神经元数量;,/>,/>分别为稀疏惩罚因子、稀疏系数和隐藏层神经元的平均激活值;λ为权重衰减系数;/>为自动编码器中的权重参数,ji表示输入层的第i个神经元与隐藏层的第j个神经元的连接权重,yi是原始输入数据,Xi是重构输出;权重正则化项J中:L为自动编码器的层数,nl第l层的神经元个数。
本申请采用SSAE模型进行深度融合特征学习,SSAE模型是通过逐层堆叠多个稀疏自编码器构建的,并将之前稀疏自编码器模型的隐藏层输出特征h作为后者稀疏自编码器模型的输入数据。SSAE模型是一种深度学习网络结构,具有强大的特征学习能力,可以提取原始输入信号的深层高级特征,本实施例中为提取敏感特征中的目标融合特征。SSAE模型的训练过程包括初始化SSAE模型的连接权重参数,以无监督的方式对稀疏自编码器进行训练的预训练过程和进一步考虑输入层和所有隐藏层作为整体以监督方式调整预训练模型参数的微调过程。
S40:将目标融合特征输入刀具磨损预测模型,获得刀具的预测磨损值;其中,刀具磨损预测模型基于训练样本集训练获得,训练样本集基于历史加工中获得的融合特征与刀具磨损实测值构建。
在具体实施过程中,由于在前述采集过程中还同时利用显微镜采集了刀具的磨损情况,因此可以通过特征与对应情况下的磨损情况建立预测模型,使得信号的采集、处理以及刀具磨损的预测能够连贯实现。具体来说:
堆栈稀疏自编码器网络只具有特征学习和数据降维的能力,但是不具有刀具磨损预测的功能,因此可在稀疏深度神经网络结构最后一层加入一层具有预测能力的网络结构,使之构成具有预测功能的深度学习神经网络。也即:
将目标融合特征输入刀具磨损预测模型,获得刀具的预测磨损值之前,合金铣削中刀具磨损预测方法还包括:
以刀具磨损实测值为输出标签、融合特征为输入标签,获得基于双向长短时记忆网络的刀具磨损预测模型,以作为深度学习模型的回归函数。
在具体实施过程中,由于长短时记忆网络(long-short term memory, LSTM)结构充分利用了时序信息,同时通过双向长短时记忆网络(bidirectional long-short termmemory, BLSTM)反向时序信息也被提取出来,如果结合在一起,特征能更充分的利用,所以引入基于深度学习的BLSTM网络模型,在特征优化的基础上,应用BLSTM网络模型,得到良好的预测效果。多传感器敏感特征,作为SSAE模型的输入信号输出深度融合特征,BLSTM模型用作回归函数,从学习的深度特征拟合刀具磨损的预测模型,得到的预测模型的网络构架如附图4所示。采集多传感器信号:切削力信号、振动信号、声发射信号,将多传感器信号在时域、频域、时频域进行特征提取,获得多传感器敏感特征,将之输入稀疏自编码器网络(SSAE),进行深度融合学习提取特征,进而再由双向长短时记忆网络(BLSTM)进行预测,得到刀具磨损。
需要说明的是,本申请提供的方法中模型参数训练包括SSAE模型的无监督预训练、BLSTM模型的有监督预训练以及基于监督训练的全局模型参数微调过程。SSAE模型通过稀疏的自动编码器模型预训练过程一一初始化每个隐藏层的连接权值参数,使最高隐藏层输出预训练的深度特征表达。BLSTM模型以刀具磨损测量值作为深度特征的预测标签进行监督模型参数训练,并初始化连接权重参数。在微调过程中,将SSAE和BLSTM模型视为全连接预测网络模型,在全局参数微调过程中采用基于误差反向传播的参数优化,以提升预测性能和泛化能力。
通过提取的特征与测量的铣刀三刃磨损值的平均值之间的相关性分析,获得与刀具磨损变化具有强相关性的敏感特征作为所提出模型的输入数据。从6个不同的传感器信号中总共获得了144个信号特征。选择相关系数绝对值大于0.8的48个特征作为多传感器敏感特征的组合,输入到SSAE-BLSTM模型中进行深度特征学习,建立刀具磨损预测模型。
同时,在数据集1、数据集2和数据集3中选择任意两个数据集作为训练集,剩下的一个作为测试集,将铣刀的平均磨损值作为传感器信号的预测标签。将每个样本数据的48个敏感特征归一化为SSAE模型的输入信号,用于深度特征学习。SSAE的隐藏层节点数选择为约2的降维率,用于原始高维特征的降维和深度特征提取。通过经验参数配置提出的SSAE模型的神经元节点为48-40-15-9,激活函数为Sigmoid; BLSTM模型的神经元节点为9-15-1,激活函数为Sigmoid。训练数据集用于权重参数的无监督预训练、BLSTM模型的有监督预训练过程和全局微调过程深度学习模型。
本实施例中,通过多方采集的工况表征信号,对信号从时域、频域及时频域多个角度进行分析,得到其中反映刀具状况的敏感特征信息,来用于对刀具的磨损预测,然后引入深度学习方法降低数据维度并提取其中的特征信息,最后通过预测模型来实现根据特征预测刀具的磨损状态,由于预测模型是基于历史数据中融合特征与刀具磨损实测值训练获得的,因此预测模型可以依据特征来输出准确度更高的预测数值来量化刀具的磨损。
参照附图3,在附图3所示的实施方式下对本申请作进一步说明:
首先,进行高温合金铣削,分别通过压电式力传感器、3D压电式加速度计、声发射传感器采集信号,其中压电式力传感器与3D压电式加速度计采集的信号可分别通过电荷放大器与测量振动放大器放大。
其次,三种信号采集后通过模数转换器转换,形成多传感器信号。
然后,通过堆叠稀疏自编码器提取多传感器信号中的敏感特征,并基于双向长短时记忆网络进行预测,实现对刀具磨损预测。
最后,实现了对刀具磨损的预测后,根据刀具磨损预测值,对高温合金铣削过程进行反馈,控制切削参数,如调整切削速度、减少每齿进给量,即可实现对加工进行调整,以提升加工质量。
以本申请实施例提供的方法与其他方法做对比,分别测得在数据集1、数据集2、数据集3下的预测结果,预测结果转化为均方根误差(RMSE)表示,结果对比如表1-1所示:
表1-1
本申请采用的基于多传感器特征下的利用稀疏自编码器网络-双向长短时记忆网络的方法(MFSSAE-BLSTM),均方根误差均最小,平均误差为12.065%。用于对比的其他网络结构下的方法为:优于多层感知器(MLP)、卷积神经网络(CNN)、长短期记忆网络(LSTM)、循环神经网络(RNN)、双向长短时记忆网络(BLSTM)。
参照附图5,基于与前述实施例中同样的发明构思,本申请实施例还提供一种合金铣削中刀具磨损预测装置,该装置包括:
第一获得模块,第一获得模块用于获得合金铣削加工中工况表征信号;其中,工况表征信号包括切削力信号、振动加速度信号以及声发射信号;
提取模块,提取模块用于对工况表征信号在时域、频域以及时频域进行特征提取,获得敏感特征;
第二获得模块,第二获得模块用于对敏感特征进行深度融合特征学习,获得目标融合特征;
预测模块,预测模块用于将目标融合特征输入刀具磨损预测模型,获得刀具的预测磨损值;其中,刀具磨损预测模型基于训练样本集训练获得,训练样本集基于历史加工中获得的融合特征与刀具磨损实测值构建。
本领域技术人员应当理解,实施例中的各个模块的划分仅仅是一种逻辑功能的划分,实际应用时可以全部或部分集成到一个或多个实际载体上,且这些模块可以全部以软件通过处理单元调用的形式实现,也可以全部以硬件的形式实现,或是以软件、硬件结合的形式实现,需要说明的是,本实施例中合金铣削中刀具磨损预测装置中各模块是与前述实施例中的合金铣削中刀具磨损预测方法中的各步骤一一对应,因此,本实施例的具体实施方式可参照前述合金铣削中刀具磨损预测方法的实施方式,这里不再赘述。
基于与前述实施例中同样的发明构思,本申请的实施例还提供一种计算机可读存储介质,储存有计算机程序,计算机程序被处理器加载执行时,实现如本申请实施例提供的合金铣削中刀具磨损预测方法。
基于与前述实施例中同样的发明构思,本申请的实施例还提供一种电子设备,包括处理器及存储器,其中,
存储器用于存储计算机程序;
处理器用于加载执行计算机程序,以使电子设备执行如本申请实施例提供的合金铣削中刀具磨损预测方法。
在一些实施例中,计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器;也可以是包括上述存储器之一或任意组合的各种设备。计算机可以是包括智能终端和服务器在内的各种计算设备。
在一些实施例中,可执行指令可以采用程序、软件、软件模块、脚本或代码的形式,按任意形式的编程语言(包括编译或解释语言,或者声明性或过程性语言)来编写,并且其可按任意形式部署,包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例,可执行指令可以但不一定对应于文件系统中的文件,可以可被存储在保存其它程序或数据的文件的一部分,例如,存储在超文本标记语言(HTML,Hyper TextMarkup Language)文档中的一个或多个脚本中,存储在专用于所讨论的程序的单个文件中,或者,存储在多个协同文件(例如,存储一个或多个模块、子程序或代码部分的文件)中。
作为示例,可执行指令可被部署为在一个计算设备上执行,或者在位于一个地点的多个计算设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算设备上执行。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通 过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的 技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体 现出来,该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光 盘)中,包括若干指令用以使得一台多媒体终端设备(可以是手机,计算机,电视接收机,或者网络设备等)执行本申请各个实施例所述的方法。
综上,本申请提供的一种合金铣削中刀具磨损预测方法、装置、介质及设备,该方法包括:获得合金铣削加工中工况表征信号;其中,工况表征信号包括切削力信号、振动加速度信号以及声发射信号;对工况表征信号在时域、频域以及时频域进行特征提取,获得敏感特征;对敏感特征进行深度融合特征学习,获得目标融合特征;将目标融合特征输入刀具磨损预测模型,获得刀具的预测磨损值;其中,刀具磨损预测模型基于训练样本集训练获得,训练样本集基于历史加工中获得的融合特征与刀具磨损实测值构建。本申请通过多方采集的工况表征信号,对信号从时域、频域及时频域多个角度进行分析,得到其中反映刀具状况的敏感特征信息,来用于对刀具的磨损预测,然后引入深度学习方法降低数据维度并提取其中的特征信息,最后通过预测模型来实现根据特征预测刀具的磨损状态,由于预测模型是基于历史数据中融合特征与刀具磨损实测值训练获得的,因此预测模型可以依据特征来输出准确度更高的预测数值来量化刀具的磨损。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种合金铣削中刀具磨损预测方法,其特征在于,包括以下步骤:
获得合金铣削加工中工况表征信号;其中,所述工况表征信号包括切削力信号、振动加速度信号以及声发射信号;
对所述工况表征信号在时域、频域以及时频域进行特征提取,获得敏感特征;
对所述敏感特征进行深度融合特征学习,获得目标融合特征;
将所述目标融合特征输入刀具磨损预测模型,获得刀具的预测磨损值;其中,所述刀具磨损预测模型基于训练样本集训练获得,所述训练样本集基于历史加工中获得的融合特征与刀具磨损实测值构建。
2.根据权利要求1所述的合金铣削中刀具磨损预测方法,其特征在于,所述对所述敏感特征进行深度融合特征学习,获得目标融合特征,包括:
将所述敏感特征输入深度学习模型,以进行深度融合特征学习,获得目标融合特征。
3.根据权利要求2所述的合金铣削中刀具磨损预测方法,其特征在于,所述将所述目标融合特征输入刀具磨损预测模型,获得刀具的预测磨损值之前,所述合金铣削中刀具磨损预测方法还包括:
以所述刀具磨损实测值为输出标签、所述融合特征为输入标签,获得基于双向长短时记忆网络的所述刀具磨损预测模型,以作为所述深度学习模型的回归函数。
4.根据权利要求2所述的合金铣削中刀具磨损预测方法,其特征在于,所述深度学习模型包括输入层、隐藏层以及输出层,所述隐藏层中设置稀疏性限制。
5.根据权利要求1所述的合金铣削中刀具磨损预测方法,其特征在于,所述对所述工况表征信号在时域、频域以及时频域进行特征提取,获得敏感特征之前,所述合金铣削中刀具磨损预测方法还包括:
对所述工况表征信号进行放大,获得目标工况表征信号;
所述对所述工况表征信号在时域、频域以及时频域进行特征提取,获得敏感特征,包括:
对所述目标工况表征信号在时域、频域以及时频域进行特征提取,获得敏感特征。
6.根据权利要求1所述的合金铣削中刀具磨损预测方法,其特征在于,所述对所述工况表征信号在时域、频域以及时频域进行特征提取,获得敏感特征,包括:
对所述工况表征信号在时域、频域以及时频域进行特征提取,获得特征信息;
对刀具磨损实测值与所述特征信息进行相关性分析,获得敏感特征。
7.根据权利要求1所述的合金铣削中刀具磨损预测方法,其特征在于,所述对所述工况表征信号在时域、频域以及时频域进行特征提取,获得敏感特征之后,所述合金铣削中刀具磨损预测方法还包括:
对所述敏感特征进行归一化处理,获得目标敏感特征;
所述对所述敏感特征进行深度融合特征学习,获得目标融合特征,包括:
对所述目标敏感特征进行深度融合特征学习,获得目标融合特征。
8.一种合金铣削中刀具磨损预测装置,其特征在于,包括:
第一获得模块,所述第一获得模块用于获得合金铣削加工中工况表征信号;其中,所述工况表征信号包括切削力信号、振动加速度信号以及声发射信号;
提取模块,所述提取模块用于对所述工况表征信号在时域、频域以及时频域进行特征提取,获得敏感特征;
第二获得模块,所述第二获得模块用于对所述敏感特征进行深度融合特征学习,获得目标融合特征;
预测模块,所述预测模块用于将所述目标融合特征输入刀具磨损预测模型,获得刀具的预测磨损值;其中,所述刀具磨损预测模型基于训练样本集训练获得,所述训练样本集基于历史加工中获得的融合特征与刀具磨损实测值构建。
9.一种计算机可读存储介质,储存有计算机程序,其特征在于,所述计算机程序被处理器加载执行时,实现如权利要求1-7中任一项所述的合金铣削中刀具磨损预测方法。
10.一种电子设备,其特征在于,包括处理器及存储器,其中,
所述存储器用于存储计算机程序;
所述处理器用于加载执行所述计算机程序,以使所述电子设备执行如权利要求1-7中任一项所述的合金铣削中刀具磨损预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311509270.0A CN117226600A (zh) | 2023-11-14 | 2023-11-14 | 一种合金铣削中刀具磨损预测方法、装置、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311509270.0A CN117226600A (zh) | 2023-11-14 | 2023-11-14 | 一种合金铣削中刀具磨损预测方法、装置、介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117226600A true CN117226600A (zh) | 2023-12-15 |
Family
ID=89084682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311509270.0A Pending CN117226600A (zh) | 2023-11-14 | 2023-11-14 | 一种合金铣削中刀具磨损预测方法、装置、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117226600A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140017645A1 (en) * | 2012-07-02 | 2014-01-16 | Gregory V. Simpson | Systems and Methods for Training Meta-Attention |
CN106126827A (zh) * | 2016-06-28 | 2016-11-16 | 华中科技大学 | 一种数控装备健康指数的监测方法 |
CN109635847A (zh) * | 2018-11-19 | 2019-04-16 | 昆明理工大学 | 一种基于振动和声发射的刀具磨损状态识别方法 |
US20190339688A1 (en) * | 2016-05-09 | 2019-11-07 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things |
CN111085898A (zh) * | 2019-12-30 | 2020-05-01 | 南京航空航天大学 | 一种工况自适应的高速铣削加工过程刀具监测方法及系统 |
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 |
CN113627544A (zh) * | 2021-08-16 | 2021-11-09 | 沈阳工业大学 | 一种基于多源异构数据融合的机床铣刀状态识别方法 |
CN115828754A (zh) * | 2022-12-09 | 2023-03-21 | 辽宁石油化工大学 | 基于多尺度时空融合网络模型的刀具磨损状态监测方法 |
CN116628467A (zh) * | 2023-01-10 | 2023-08-22 | 浙江工业大学 | 基于空间和时序相结合的涡轮盘榫槽拉刀磨损识别方法 |
CN116619136A (zh) * | 2023-05-31 | 2023-08-22 | 北部湾大学 | 一种多工况多源数据的刀具磨损预测方法 |
-
2023
- 2023-11-14 CN CN202311509270.0A patent/CN117226600A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140017645A1 (en) * | 2012-07-02 | 2014-01-16 | Gregory V. Simpson | Systems and Methods for Training Meta-Attention |
US20190339688A1 (en) * | 2016-05-09 | 2019-11-07 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things |
CN106126827A (zh) * | 2016-06-28 | 2016-11-16 | 华中科技大学 | 一种数控装备健康指数的监测方法 |
CN109635847A (zh) * | 2018-11-19 | 2019-04-16 | 昆明理工大学 | 一种基于振动和声发射的刀具磨损状态识别方法 |
CN111085898A (zh) * | 2019-12-30 | 2020-05-01 | 南京航空航天大学 | 一种工况自适应的高速铣削加工过程刀具监测方法及系统 |
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 |
CN113627544A (zh) * | 2021-08-16 | 2021-11-09 | 沈阳工业大学 | 一种基于多源异构数据融合的机床铣刀状态识别方法 |
CN115828754A (zh) * | 2022-12-09 | 2023-03-21 | 辽宁石油化工大学 | 基于多尺度时空融合网络模型的刀具磨损状态监测方法 |
CN116628467A (zh) * | 2023-01-10 | 2023-08-22 | 浙江工业大学 | 基于空间和时序相结合的涡轮盘榫槽拉刀磨损识别方法 |
CN116619136A (zh) * | 2023-05-31 | 2023-08-22 | 北部湾大学 | 一种多工况多源数据的刀具磨损预测方法 |
Non-Patent Citations (6)
Title |
---|
ZHAOPENG HE: "Milling tool wear prediction using multi-sensor feature fusion based on stacked sparse autoencoders", MEASUREMENT, no. 190, pages 1 - 10 * |
厉大维: "深孔镗削刀具状态智能监测技术研究", 工程科技Ⅰ辑, no. 2, pages 19 - 40 * |
厉大维;沈明瑞;张贺清;王书利;陈锋;刘阔;王永青;: "基于长短时记忆网络的深孔镗削刀具状态监测", 现代制造工程, no. 08, pages 31 - 40 * |
张超标;孙延明;: "特征工程和深度前馈网络结合的刀具磨损预测", 机械设计与制造, no. 06, pages 190 - 193 * |
王太勇;王廷虎;王鹏;乔卉卉;徐明达;: "基于注意力机制BiLSTM的设备智能故障诊断方法", 天津大学学报(自然科学与工程技术版), no. 06, pages 55 - 62 * |
穆殿方: "深度学习与多信号融合在铣刀磨损状态识别中的研究", 机械科学与技术, no. 10, pages 1581 - 1589 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | A method for tool condition monitoring based on sensor fusion | |
JP2020500420A (ja) | マシンラーニング基盤の半導体製造の収率予測システム及び方法 | |
CN110576336A (zh) | 基于ssae-lstm模型的深孔加工刀具磨损量监测方法 | |
CN111598460B (zh) | 土壤重金属含量的监测方法、装置、设备及存储介质 | |
CN106980761A (zh) | 一种滚动轴承运行状态退化趋势预测方法 | |
CN113458873B (zh) | 一种刀具磨损量和剩余寿命预测的方法 | |
CN115618269B (zh) | 基于工业传感器生产的大数据分析方法及系统 | |
Sayyad et al. | Tool wear prediction using long short-term memory variants and hybrid feature selection techniques | |
CN115841004A (zh) | 基于多维数据的带钢热轧过程力学性能软测量方法及装置 | |
CN117473411A (zh) | 基于改进Transformer模型的轴承寿命预测方法 | |
CN112836937A (zh) | 基于熵权与bp神经网络技术的洪涝灾害损失评估方法 | |
CN110543869A (zh) | 滚珠丝杠寿命预测方法、装置、计算机设备及存储介质 | |
Zhang et al. | A novel hybrid model integrating residual structure and bi-directional long short-term memory network for tool wear monitoring | |
CN114881343A (zh) | 基于特征选择的电力系统短期负荷预测方法及装置 | |
CN110738363A (zh) | 一种光伏发电功率预测模型及其构建方法和应用 | |
CN113722098A (zh) | 基于人工智能的服务器容量预测方法、装置、设备及介质 | |
CN117226600A (zh) | 一种合金铣削中刀具磨损预测方法、装置、介质及设备 | |
Ivanova et al. | Intelligent system for air quality monitoring assessment using the Raspberry Pi Platform | |
CN110717623B (zh) | 融合多种天气状况的光伏发电功率预测方法及装置、设备 | |
CN117037450A (zh) | 一种智能化打桩船的环境预警方法、装置、设备及介质 | |
CN112115984A (zh) | 基于深度学习的茶园异常数据校正方法、系统和存储介质 | |
CN114741976B (zh) | 一种位移预测方法、装置、设备及可读存储介质 | |
CN113624466B (zh) | 汽轮机转子故障诊断方法、装置、设备及存储介质 | |
CN114784795A (zh) | 风电功率预测方法、装置、电子设备及存储介质 | |
Moghadas et al. | A New Wavelet Back Propagation Neural Networks for Structural Dynamic Analysis. |
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 |