CN117840819A - 一种基于lm算法的钻削加工刀具堵屑智能监测方法 - Google Patents
一种基于lm算法的钻削加工刀具堵屑智能监测方法 Download PDFInfo
- Publication number
- CN117840819A CN117840819A CN202410264291.9A CN202410264291A CN117840819A CN 117840819 A CN117840819 A CN 117840819A CN 202410264291 A CN202410264291 A CN 202410264291A CN 117840819 A CN117840819 A CN 117840819A
- Authority
- CN
- China
- Prior art keywords
- drilling
- power signal
- main shaft
- spindle
- peak
- 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.)
- Granted
Links
- 238000005553 drilling Methods 0.000 title claims abstract description 170
- 238000000034 method Methods 0.000 title claims abstract description 132
- 238000012544 monitoring process Methods 0.000 title claims abstract description 43
- 230000000903 blocking effect Effects 0.000 title claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 93
- 238000004804 winding Methods 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 238000003062 neural network model Methods 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 28
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 238000005299 abrasion Methods 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 230000001537 neural effect Effects 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 10
- 239000002173 cutting fluid Substances 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000005520 cutting process Methods 0.000 claims description 7
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000003754 machining Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 239000000956 alloy Substances 0.000 description 2
- 229910045601 alloy Inorganic materials 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Landscapes
- Numerical Control (AREA)
Abstract
本发明公开了一种基于LM算法的钻削加工刀具堵屑智能监测方法，包括：进行钻削过程中主轴功率信号的数据采集；提取峰值特征，计算最大峰值阈值；生成样本数据集；构建基于主轴功率信号、主轴转速、进给速率、设定孔深和刀具参数预测后续主轴功率信号的堵屑监测模型；对当前钻削过程中的主轴功率信号进行采集和降噪、滤波处理，并基于构建的堵屑监测模型预测钻削过程中后续的主轴功率信号的峰值；对预测的主轴功率信号的峰值进行判断，调整主轴转速和进给速率，完成钻孔。本发明能够降低堵屑、缠屑等加工异常对所加工深孔的尺寸精度和表面质量的影响，保证深孔钻削工件表面质量的一致性，提高钻削的加工效率。
Description
技术领域
本发明涉及智能制造或设备加工的可靠性评估技术领域，具体涉及一种基于LM算法（Levenberg-Marquardt算法）的钻削加工刀具堵屑智能监测方法。
背景技术
在传统的机械加工过程中，刀具磨损是不可避免的。随着加工时间的增加，刀具的磨损也不断加剧，刀具的异常状态会影响工件的表面质量，甚至导致意外停机，大大降低生产效率，增加生产成本。据不完全统计，由于刀具状态异常而导致的机床停机的比例高达20%，特别是在钻削深孔的过程中，当钻头材料太硬或太脆、切削液使用不当或质量不佳、钻头磨损较严重、断屑槽尺寸不合适、钻孔速度过快或初始进给速度过大时，极易出现堵屑、缠屑和崩刃等加工异常现象，严重影响加工效率和所加工深孔的加工质量，故对钻削加工过程进行监测和预测，为合理换刀和调整工艺参数提供理论指导，对实现高效高质加工具有重要意义。
在钻削加工过程的监测和预测方面，学者们已经开展了相关研究。在专利《高温合金钻削过程钻头磨损形式及磨损状态的在线监测方法》（申请号：CN201811174054.4）中，利用贝叶斯网络模型和控制图方法实现了对高温合金钻削过程中钻头的横刃磨损、主切削刃后刀面磨损、主切削刃前刀面磨损等多种磨损形式的实时监测。在专利《一种基于功率信号的钻削过程刀具磨损预测方法》（申请号：CN202210807766.5）中，基于功率信号建立了钻削过程中钻削孔数和消耗功耗的映射关系，并基于映射关系实现了钻头磨削的预测。
通过对钻削加工过程的监测和预测技术的分析发现：（1）目前主要集中于钻削过程中钻头的正常磨损的监测和预测，然后根据预测结果调整正常钻削过程中的加工参数，在监测和预测过程中均默认钻头材料合适、切削液使用得当、断屑槽尺寸合适、钻孔速度适宜，导致钻削过程中采集到的信号集和预测结果对实际钻削过程特别是深孔钻削过程中更易发生的、对加工过程影响更大的堵屑、缠屑等加工异常的敏感度不够。（2）由于现有研究采集的信号种类、提取的关键特征和采用的神经网络模型的不同，导致刀具磨损的预测结果对加工参数自适应调整的指导不够准确。
发明内容
为了解决深孔钻削过程中极易发生堵屑、缠屑的技术问题，本发明提供了一种基于LM算法（Levenberg-Marquardt算法）的钻削加工刀具堵屑智能监测方法，该方法基于MATLAB软件中神经网络工具箱Neural Net Fitting的Levenberg-Marquardt算法创建，操作简单，且采用可从机床上直接获取的主轴功率信号实现深孔钻削过程的监测和预测，适用性好，能够保证钻削深孔时产品的加工质量，提高生产效率，并且降低加工成本。
实现上述技术目的，本发明采取的技术方案为：
一种基于LM算法的钻削加工刀具堵屑智能监测方法，所述钻削加工刀具堵屑智能监测方法包括以下步骤：
S1：在允许的工艺范围内进行深孔钻削试验，在规划好的每组钻削参数下，分别采用一把全新未磨损的刀具进行钻削试验，采集钻削过程中的主轴功率信号，每连续钻削多个孔后通过刀具测量仪测量并记录钻头的磨损值，直至钻头磨损失效，或者发生异常的钻削情况；
S2：对采集的钻削过程中的主轴功率信号进行降噪和滤波处理，并对经过处理的钻削过程中的主轴功率信号集按照钻孔数进行划分，提取主轴功率信号的峰值特征，根据主轴功率信号的峰值特征和异常的钻削情况的关系数据，计算得到正常钻孔允许的主轴功率信号的最大峰值阈值；
S3：将所述步骤S2中经过划分的钻削过程中的主轴功率信号集与主轴转速、进给速率、设定孔深、刀具初始参数以及该次钻孔过程中的主轴功率信号的峰值作为一组样本数据，生成样本数据集。
S4：基于MATLAB中的神经网络工具箱Neural Net Fitting的Levenberg-Marquardt算法构建用于预测后续钻削过程功率信号的神经网络模型，神经网络模型的输入为：单次钻孔的设定孔深、初始刀具参数、以及单次钻孔过程中的主轴转速、进给速率和经过处理的主轴功率信号，输出为该次钻孔过程中对应的主轴功率信号的峰值，采用样本数据集对神经网络模型进行训练，得到堵屑监测模型；
S5：对当前钻削过程中的主轴功率信号进行采集和降噪、滤波处理，将处理后的主轴功率信号和钻削过程中的主轴转速、进给速率、设定孔深、刀具参数一起输入到堵屑监测模型，对本次钻削过程中后续的主轴功率信号的峰值进行预测；
S6：对预测的主轴功率信号的峰值进行判断，如果小于最大峰值阈值，则正常完成钻孔，如果预测的主轴功率信号的峰值超出最大峰值阈值，则调整主轴转速和进给速率，使主轴功率信号的峰值始终低于最大峰值阈值，并完成钻孔，直至钻头磨损失效。
进一步地，所述初始刀具参数包括当次钻孔开始时的钻头材料类型、钻头直径、刃口角度和钻深数据。
进一步地，所述异常的钻削情况包括堵屑、缠屑和崩刃。
进一步地，步骤S2中的主轴功率信号的峰值阈值范围的计算过程为：
S21，对采集到的历史钻削数据进行数据处理，提取多把全新钻头在钻削初始阶段的主轴功率信号的峰值特征，对提取到的峰值特征取均值，从而获取全新钻头在钻削初始阶段对应的主轴功率信号的峰值特征；
S22，统计发生异常钻削情况时的主轴功率信号的峰值特征，将之与钻削初始阶段的主轴功率信号的峰值特征进行对比分析，得到异常钻削情况时的主轴功率信号的峰值特征与钻削初始阶段的主轴功率信号峰值特征的关系数据；
S23，基于当前钻削过程的初始阶段的主轴功率信号的峰值特征，计算得到当前钻削过程的主轴功率信号的最大峰值阈值。
进一步地，步骤S4中，构建的神经网络模型的隐藏层为1层且神经元的数量为5，输出层为预测的主轴功率信号的峰值，神经网络模型的构建过程包括以下步骤：
S41，为处理过的主轴功率信号集设置对应标签，，式中为对
应的标签，表示钻削过程中主轴功率信号的最大幅值；表示第i个时间点监测到的主轴功
率信号的峰值特征值；
S42，将主轴转速、进给速率、设定孔深、初始刀具参数、主轴功率信号集和对应的标签输入神经网络工具箱Neural Net Fitting；
S43，将数据集依据6:2:2的比例划分为训练集、验证集和测试集；
S44，设置神经网络模型的隐藏层的神经元数量为5，神经网络预测模型的输出为：
式中，表示主轴功率信号的峰值预测值；X为包括主轴转速、进给速率、设定孔
深、初始刀具参数和主轴功率信号5个输入的5维列向量，为5*5维的权重系数矩阵1；为
5*1维的偏置矩阵1；为1*5维的权重系数矩阵2；为1*1维的偏置矩阵2；
S45，通过LM算法进行神经网络模型权重参数和、以及偏置参数和的和优
化，并通过均方误差MSE和相关系数判断神经网络模型的预测精度：
式中，m表示对应的数据量，表示第i个输入信号对应的真实值，表示第i个输
入信号对应的预测值；MSE代表预测输出和目标输出之差的均方误差，其值越低越好，0表示
没有误差：
式中，表示目标输出值的均值，表示预测输出值的均值；代表预测输出和
目标输出之间的相关性，值越接近1，预测输出和目标输出数据之间的关系越密切，值
越接近0，预测输出和目标输出数据之间关系的随机性越大。
进一步地，采用机床自带的功率传感器实时采集主轴功率信号并通过工控机实时显示。
进一步地，步骤S6中，如果调整主轴转速和进给速率无法使主轴功率信号的峰值低于最大峰值阈值，则进行退刀清理铁屑、调整切削液流量、更换切削液或者换刀处理。
进一步地，钻头磨损失效的判定标准为钻头的后刀面的最大磨损值VBmax≥0.3mm。
与现有技术相比，本发明的有益效果如下：
第一，本发明的基于LM算法的钻削加工刀具堵屑智能监测方法，基于工厂中的真实钻削加工过程，针对深孔钻削过程中易发生的堵屑、缠屑情况，将可直接从机床获取的主轴功率数据和神经网络相结合，使预测结果能够对堵屑、缠屑和崩刃异常更敏感，从而在深孔钻削过程中对加工过程进行实时监测和预测，降低堵屑、缠屑等加工异常对所加工深孔的尺寸精度和表面质量的影响。
第二，本发明的基于LM算法的钻削加工刀具堵屑智能监测方法，提供了深孔钻削加工过程中发生堵屑、缠屑加工异常时主轴功率信号的峰值特征的最大峰值阈值，通过智能监测方法对钻削过程中的峰值特征进行预测，并和提供的最大峰值阈值进行比较，只要峰值特征处于阈值范围内，即可在不调整加工参数的情况下实现钻削过程中的正常钻孔，因此，本发明在保证深孔钻削工件表面质量的一致性、提高钻削的加工效率、降低加工成本方面具有很好的应用价值。
附图说明
图1为本发明实施例的基于LM算法的钻削加工刀具堵屑智能监测方法流程图；
图2为以工艺参数和功率信号集为输入的基于MATLAB中的神经网络工具箱NeuralNet Fitting的Levenberg-Marquardt（LM）算法的用于预测后续钻削过程功率信号的神经网络模型的基本结构图；
图3为基于构建的神经网络与过程信号进行钻削过程堵屑故障监测的监测实例图；
图4为选取的工艺参数结果图；
图5为基于3种算法进行钻削过程的刀具磨损预测结果示意图；
图6为基于LM算法的神经元的数量为3、5、8和10的训练结果示意图。
具体实施方式
以下结合附图对本发明的实施例作进一步详细描述。
本实施例公开了一种基于LM算法的钻削加工刀具堵屑智能监测方法，参见图1，该钻削加工刀具堵屑智能监测方法具体包括以下步骤：
S1：在允许的工艺范围内进行深孔钻削试验，在规划好的每组钻削参数下，分别采用一把全新未磨损的刀具进行钻削试验，采集钻削过程中的主轴功率信号，每连续钻削多个孔后通过刀具测量仪测量并记录钻头的磨损值，直至钻头磨损失效，或者发生异常的钻削情况。本发明选取的工艺参数如图4所示。
S2：对采集的钻削过程中的主轴功率信号进行降噪和滤波处理，并对经过处理的钻削过程中的主轴功率信号集按照钻孔数进行划分，提取主轴功率信号的峰值特征，根据主轴功率信号的峰值特征和异常的钻削情况的关系数据，计算得到正常钻孔允许的主轴功率信号的最大峰值阈值；
S3：将所述步骤S2中经过划分的钻削过程中的主轴功率信号集与主轴转速、进给速率、设定孔深、刀具初始参数以及该次钻孔过程中的主轴功率信号的峰值作为一组样本数据，生成样本数据集。其中，主轴转速、进给速率可直接从机床获得，主轴功率信号通过机床自带的传感器获得，设定孔深由钻削加工中工件的孔深确定，刀具初始参数包括钻头材料类型、钻头直径、刃口角度和钻深数据。
S4：基于MATLAB中的神经网络工具箱Neural Net Fitting的Levenberg-Marquardt算法构建用于预测后续钻削过程功率信号的神经网络模型，神经网络模型的输入为：单次钻孔的设定孔深、初始刀具参数、以及单次钻孔过程中的主轴转速、进给速率和经过处理的主轴功率信号，输出为该次钻孔过程中对应的主轴功率信号的峰值，采用样本数据集对神经网络模型进行训练，得到堵屑监测模型；
S5：对当前钻削过程中的主轴功率信号进行采集和降噪、滤波处理，将处理后的主轴功率信号和钻削过程中的主轴转速、进给速率、设定孔深、刀具参数一起输入到堵屑监测模型，对本次钻削过程中后续的主轴功率信号的峰值进行预测；
S6：对预测的主轴功率信号的峰值进行判断，如果小于最大峰值阈值，则正常完成钻孔，如果预测的主轴功率信号的峰值超出最大峰值阈值，则调整主轴转速和进给速率，使主轴功率信号的峰值始终低于最大峰值阈值，并完成钻孔，直至钻头磨损失效。
在步骤S1中，在规划好的每组钻削参数下进行了大量初步的深孔钻削试验，以确定钻头在钻削深孔过程中发生异常情况时的主轴功率信号的阈值，发现在钻削深孔过程中更易发生的异常情况是堵屑和缠屑。此处的试验参数包括主轴转速、进给速率和进给量，钻头磨损失效的判定标准为钻头的后刀面的最大磨损值VBmax≥0.3mm，发生异常的钻削情况包括堵屑、缠屑、崩刃等。
在步骤S2中，正常钻孔允许的主轴功率信号的最大峰值阈值的计算过程为：
S21，对采集到的历史钻削数据进行数据处理，提取多把全新钻头在钻削初始阶段的主轴功率信号的峰值特征，对提取到的峰值特征取均值，从而获取全新钻头在钻削初始阶段对应的主轴功率信号的峰值特征；
S22，统计发生异常钻削情况时的主轴功率信号的峰值特征，将之与钻削初始阶段的主轴功率信号的峰值特征进行对比分析，得到异常钻削情况时的主轴功率信号的峰值特征与钻削初始阶段的主轴功率信号峰值特征的关系数据；
S23，基于当前钻削过程的初始阶段的主轴功率信号的峰值特征，计算得到当前钻削过程的主轴功率信号的最大峰值阈值。
假设在某组加工参数下，发生堵屑、缠屑时主轴功率信号的峰值较钻削初始阶段均提高了20%以上，那么可以确定该组加工参数对应的主轴功率信号的阈值为钻削初始阶段的120%。在实际应用中，由于会更倾向于选择可靠性高的峰值阈值，在计算最大峰值阈值时，也会根据实际数据适当选择较小的峰值阈值以换取更高的可靠性。
步骤S4中的神经网络模型的结构示意图如图2所示。步骤S4中以主轴转速、进给速率、孔深、刀具参数和主轴功率信号集为输入的预测后续钻削过程功率信号峰值的神经网络模型是通过MATLAB软件中的神经网络工具箱Neural Net Fitting构建，神经网络工具箱Neural Net Fitting包括Levenberg-Marquardt（LM）算法、Bayesianregularization（BR）算法、Scaled conjugate gradient backpropagation（SCG）3种算法，选择神经元的数量为5，分别基于3种算法进行了钻削过程的刀具磨损预测，预测结果如图5所示，基于LM算法的神经网络模型预测效果最好。
步骤S4中神经网络模型的构建过程包括以下步骤：
S41，为处理过的主轴功率信号集设置对应标签，，式中即为对
应的标签，表示钻削过程中主轴功率信号的最大幅值，表示第i个时间点监测到的主
轴功率信号的峰值特征值；
S42，将主轴转速、进给速率、设定孔深、初始刀具参数、主轴功率信号集和对应的标签输入神经网络工具箱Neural Net Fitting；
S43，将数据集依据6:2:2的比例划分为训练集、验证集和测试集；
S44，设置神经网络模型的隐藏层的神经元数量为5，神经网络预测模型的输出为：
式中，表示主轴功率信号的峰值预测值；X为包括主轴转速、进给速率、设定孔
深、初始刀具参数和主轴功率信号5个输入的5维列向量，为5*5维的权重系数矩阵1；为
5*1维的偏置矩阵1；为1*5维的权重系数矩阵2；为1*1维的偏置矩阵2；
在该步骤中，为了明确神经网络模型隐藏层的神经元的数量，分别设置基于LM算法的神经元的数量为3、5、8和10进行了训练，结果如图6所示。
综合考虑验证集和测试集的预测结果，发现当隐藏神经元的数量为5时，预测效果最好。
S45，通过LM算法进行神经网络模型权重参数和、以及偏置参数和的和优
化，并通过均方误差MSE和相关系数判断神经网络模型的预测精度：
式中，m表示对应的数据量，表示第i个输入信号对应的真实值，表示第i个输
入信号对应的预测值；MSE代表预测输出和目标输出之差的均方误差，其值越低越好，0表示
没有误差：
式中，表示目标输出值的均值，表示预测输出值的均值；代表预测输出和
目标输出之间的相关性，值越接近1，预测输出和目标输出数据之间的关系越密切，值
越接近0，预测输出和目标输出数据之间关系的随机性越大。
与常见的以主轴转速、进给速率和采集的信号集为输入的监测钻头磨损的神经网络模型相比，步骤S4中构建的预测后续钻削过程功率信号的神经网络模型的输入包含了主轴转速、进给速率、设定孔深、采集的主轴功率信号集、以及钻头材料、钻头直径、刃口角度、钻深等刀具参数，使得基于该神经网络模型的预测后续钻孔过程主轴功率信号的峰值特征更能直接、准确的反应钻孔时容易出现的堵屑、缠屑和崩刃特性。
在钻削加工的监测过程中，在进行钻削过程的监测与信号采集时，可以在每一次钻削深孔时通过机床自带的功率传感器实时采集功率信号并通过工控机实时显示。
步骤S6中，如果调整主轴转速和进给速率无法使主轴功率信号的峰值低于最大峰值阈值，则进行退刀清理铁屑、调整切削液流量、更换切削液或者换刀处理。
如图3所示，基于本实施例的基于LM算法的钻削加工刀具堵屑智能监测方法对深孔钻削的一个过程进行了监测，发现主轴功率信号的峰值一直处于阈值范围内，故不存在堵屑的情况，可在不调整工艺参数的情况下正常完成深孔的钻削加工。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、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运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。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置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。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上运行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上运行的指令提供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步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (8)
1.一种基于LM算法的钻削加工刀具堵屑智能监测方法，其特征在于，所述钻削加工刀具堵屑智能监测方法包括以下步骤：
S1：在选定的工艺范围内进行深孔钻削试验，在规划好的每组钻削参数下，分别采用一把全新未磨损的刀具进行钻削试验，采集钻削过程中的主轴功率信号，每连续钻削多个孔后通过刀具测量仪测量并记录钻头的磨损值，直至钻头磨损失效，或者发生异常的钻削情况；
S2：对采集的钻削过程中的主轴功率信号进行降噪和滤波处理，并对经过处理的钻削过程中的主轴功率信号集按照钻孔数进行划分，提取主轴功率信号的峰值特征，根据主轴功率信号的峰值特征和异常的钻削情况的关系数据，计算得到正常钻孔允许的主轴功率信号的最大峰值阈值；
S3：将步骤S2中经过划分的钻削过程中的主轴功率信号集与主轴转速、进给速率、设定孔深、刀具初始参数以及当次钻孔过程中的主轴功率信号的峰值作为一组样本数据，生成样本数据集；
S4：基于MATLAB中的神经网络工具箱Neural Net Fitting的Levenberg-Marquardt算法构建用于预测后续钻削过程功率信号的神经网络模型，神经网络模型的输入为：单次钻孔的设定孔深、初始刀具参数、以及单次钻孔过程中的主轴转速、进给速率和经过处理的主轴功率信号，输出为该次钻孔过程中对应的主轴功率信号的峰值，采用样本数据集对神经网络模型进行训练，得到堵屑监测模型；
S5：对当前钻削过程中的主轴功率信号进行采集和降噪、滤波处理，将处理后的主轴功率信号和钻削过程中的主轴转速、进给速率、设定孔深、刀具参数一起输入到堵屑监测模型，对本次钻削过程中后续的主轴功率信号的峰值进行预测；
S6：对预测的主轴功率信号的峰值进行判断，如果小于最大峰值阈值，则正常完成钻孔，如果预测的主轴功率信号的峰值超出最大峰值阈值，则调整主轴转速和进给速率，使主轴功率信号的峰值始终低于最大峰值阈值，并完成钻孔，直至钻头磨损失效。
2.根据权利要求1所述的基于LM算法的钻削加工刀具堵屑智能监测方法，其特征在于，所述初始刀具参数包括钻孔开始时的钻头材料类型、钻头直径、刃口角度和钻深数据。
3.根据权利要求1所述的基于LM算法的钻削加工刀具堵屑智能监测方法，其特征在于，所述异常的钻削情况包括堵屑、缠屑和崩刃。
4.根据权利要求1所述的基于LM算法的钻削加工刀具堵屑智能监测方法，其特征在于，步骤S2中的主轴功率信号的最大峰值阈值范围的计算过程为：
S21，对采集到的历史钻削数据进行数据处理，提取多把全新钻头在钻削初始阶段的主轴功率信号的峰值特征，对提取到的峰值特征取均值，获取全新钻头在钻削初始阶段对应的主轴功率信号的峰值特征；
S22，统计发生异常钻削情况时的主轴功率信号的峰值特征，将之与钻削初始阶段的主轴功率信号的峰值特征进行对比分析，得到异常钻削情况时的主轴功率信号的峰值特征与钻削初始阶段的主轴功率信号峰值特征的关系数据；
S23，基于当前钻削过程的初始阶段的主轴功率信号的峰值特征，计算得到当前钻削过程的主轴功率信号的最大峰值阈值。
5.根据权利要求1所述的基于LM算法的钻削加工刀具堵屑智能监测方法，其特征在于，步骤S4中，构建的神经网络模型的隐藏层为1层且神经元的数量为5，输出层为预测的主轴功率信号的峰值，神经网络模型的构建过程包括以下步骤：
S41，为处理过的主轴功率信号集设置对应标签，，式中/>为对应的标签，表示钻削过程中主轴功率信号的最大幅值；/>表示第i个时间点监测到的主轴功率信号的峰值特征值；
S42，将主轴转速、进给速率、设定孔深、初始刀具参数、主轴功率信号集和对应的标签输入神经网络工具箱Neural Net Fitting；
S43，将数据集依据6:2:2的比例划分为训练集、验证集和测试集；
S44，设置神经网络模型的隐藏层的神经元数量为5，神经网络预测模型的输出为：
式中，表示主轴功率信号的峰值预测值；X为包括主轴转速、进给速率、设定孔深、初始刀具参数和主轴功率信号5个输入的5维列向量，/>为5*5维的权重系数矩阵1；/>为5*1维的偏置矩阵1；/>为1*5维的权重系数矩阵2；/>为1*1维的偏置矩阵2；
S45，通过LM算法进行神经网络模型权重参数和/>、以及偏置参数/>和/>的和优化，并通过均方误差MSE和相关系数/>判断神经网络模型的预测精度：
式中，m表示对应的数据量，表示第i个输入信号对应的真实值，/>表示第i个输入信号对应的预测值；MSE代表预测输出和目标输出之差的均方误差，其值越低越好，0表示没有误差：
式中，表示目标输出值的均值，/>表示预测输出值的均值；/>代表预测输出和目标输出之间的相关性，/>值越接近1，预测输出和目标输出数据之间的关系越密切，/>值越接近0，预测输出和目标输出数据之间关系的随机性越大。
6.根据权利要求1所述的基于LM算法的钻削加工刀具堵屑智能监测方法，其特征在于，采用机床自带的功率传感器实时采集主轴功率信号并通过工控机实时显示。
7.根据权利要求1所述的基于LM算法的钻削加工刀具堵屑智能监测方法，其特征在于，步骤S6中，如果调整主轴转速和进给速率无法使主轴功率信号的峰值低于最大峰值阈值，则进行退刀清理铁屑、调整切削液流量、更换切削液或者换刀处理。
8.根据权利要求1所述的基于LM算法的钻削加工刀具堵屑智能监测方法，其特征在于，钻头磨损失效的判定标准为钻头的后刀面的最大磨损值VBmax≥0.3mm。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410264291.9A CN117840819B (zh) | 2024-03-08 | 2024-03-08 | 一种基于lm算法的钻削加工刀具堵屑智能监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410264291.9A CN117840819B (zh) | 2024-03-08 | 2024-03-08 | 一种基于lm算法的钻削加工刀具堵屑智能监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117840819A true CN117840819A (zh) | 2024-04-09 |
| CN117840819B CN117840819B (zh) | 2024-05-17 |
Family
ID=90536588
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410264291.9A Active CN117840819B (zh) | 2024-03-08 | 2024-03-08 | 一种基于lm算法的钻削加工刀具堵屑智能监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117840819B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107350900A (zh) * | 2017-07-06 | 2017-11-17 | 西安交通大学 | 一种基于断屑时间提取的刀具状态监测方法 |
| CN109226803A (zh) * | 2018-11-08 | 2019-01-18 | 上海交通大学 | 基于简谐振动断屑的自适应钻削加工方法 |
| CN109333160A (zh) * | 2018-10-09 | 2019-02-15 | 西北工业大学 | 高温合金钻削过程钻头磨损形式及磨损状态的在线监测方法 |
| CN113579851A (zh) * | 2021-07-26 | 2021-11-02 | 天津大学 | 一种基于自适应分段pca的非平稳钻削过程监测方法 |
| CN113601261A (zh) * | 2021-08-10 | 2021-11-05 | 中国科学院合肥物质科学研究院 | 一种面向刀具的在线快速优化模型的监测方法 |
| CN115351600A (zh) * | 2022-09-14 | 2022-11-18 | 华侨大学 | 一种可用于钻铣加工的刀具状态的监测方法和装置 |
| CN115562161A (zh) * | 2022-10-17 | 2023-01-03 | 南京航空航天大学 | 一种基于在线监测的刀具切削路径加工误差补偿方法 |
| CN116008114A (zh) * | 2023-01-17 | 2023-04-25 | 哈尔滨理工大学 | 一种基于传感器信号的骨材料钻削过程刀具磨损检测方法 |
| CN116184960A (zh) * | 2023-02-07 | 2023-05-30 | 大连理工大学 | 一种虑及刀具状态的数控机床工艺参数自适应调控方法 |
| CN117250912A (zh) * | 2023-09-26 | 2023-12-19 | 大连理工大学 | 一种多神经网络融合的机床工艺参数自适应控制方法 |
-
2024
- 2024-03-08 CN CN202410264291.9A patent/CN117840819B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107350900A (zh) * | 2017-07-06 | 2017-11-17 | 西安交通大学 | 一种基于断屑时间提取的刀具状态监测方法 |
| CN109333160A (zh) * | 2018-10-09 | 2019-02-15 | 西北工业大学 | 高温合金钻削过程钻头磨损形式及磨损状态的在线监测方法 |
| CN109226803A (zh) * | 2018-11-08 | 2019-01-18 | 上海交通大学 | 基于简谐振动断屑的自适应钻削加工方法 |
| CN113579851A (zh) * | 2021-07-26 | 2021-11-02 | 天津大学 | 一种基于自适应分段pca的非平稳钻削过程监测方法 |
| CN113601261A (zh) * | 2021-08-10 | 2021-11-05 | 中国科学院合肥物质科学研究院 | 一种面向刀具的在线快速优化模型的监测方法 |
| CN115351600A (zh) * | 2022-09-14 | 2022-11-18 | 华侨大学 | 一种可用于钻铣加工的刀具状态的监测方法和装置 |
| CN115562161A (zh) * | 2022-10-17 | 2023-01-03 | 南京航空航天大学 | 一种基于在线监测的刀具切削路径加工误差补偿方法 |
| CN116008114A (zh) * | 2023-01-17 | 2023-04-25 | 哈尔滨理工大学 | 一种基于传感器信号的骨材料钻削过程刀具磨损检测方法 |
| CN116184960A (zh) * | 2023-02-07 | 2023-05-30 | 大连理工大学 | 一种虑及刀具状态的数控机床工艺参数自适应调控方法 |
| CN117250912A (zh) * | 2023-09-26 | 2023-12-19 | 大连理工大学 | 一种多神经网络融合的机床工艺参数自适应控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117840819B (zh) | 2024-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109918822B (zh) | 基于随机森林回归的盾构掘进参数偏差计算方法及系统 | |
| Kuljanic et al. | TWEM, a method based on cutting forces—monitoring tool wear in face milling | |
| CN111563301A (zh) | 一种薄壁件铣削加工参数优化方法 | |
| Saw et al. | Sensitivity analysis of drill wear and optimization using Adaptive Neuro fuzzy–genetic algorithm technique toward sustainable machining | |
| Yan et al. | A hybrid method for on-line performance assessment and life prediction in drilling operations | |
| Natarajan et al. | Study on optimization of WEDM process parameters on stainless steel | |
| CN116408501A (zh) | 窜刀模式下滚刀磨损状态在机无监督实时监测方法 | |
| CN117840819B (zh) | 一种基于lm算法的钻削加工刀具堵屑智能监测方法 | |
| CN117252086A (zh) | 一种盾构机刀盘健康评估与退化预测方法、系统及设备 | |
| Bai et al. | Real-time tool breakage monitoring based on dimensionless indicators under time-varying cutting conditions | |
| Al Hazza et al. | Cutting temperature and surface roughness optimization in cnc end milling using multi objective genetic algorithm | |
| CN107679330B (zh) | 一种tbm刀盘系统破岩性能损耗程度的实时评价方法 | |
| CN115239108B (zh) | 一种基于tbm实时破岩数据的软弱破碎围岩感知方法 | |
| CN113158562B (zh) | 基于物理约束与数据挖掘的tbm岩机映射构建方法及系统 | |
| CN113431557B (zh) | 一种基于人工智能的井下井眼轨迹跟踪方法 | |
| Fan et al. | Adaptive monitoring for geological drilling process using neighborhood preserving embedding and Jensen–Shannon divergence | |
| Kolář et al. | Indirect drill condition monitoring based on machine tool control system data | |
| Prasad et al. | Analysis of real-time vibration assisted tool condition monitoring in drilling | |
| Thanikasalam et al. | Online tool condition monitoring and optimizing of process parameters for surface integrity and hole quality in deep hole drilling process | |
| Hamade et al. | A methodology for the optimization of PCD compact core drilling in basalt rock | |
| Li et al. | Tool Wear Monitoring Technology Based on Deep Learning of Machining State Features | |
| Mogaji et al. | Investigating optimum parameters required for drilling brass using response surface methodology | |
| Ding et al. | On-line monitoring for cutting tool wear reliability analysis | |
| SR | A Review of Optimization Techniques, effect of process parameter with reference to vibration in end milling processes | |
| CN117851761B (zh) | 一种盾构机刀盘状态评估方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |