CN117961646A - 一种重载加工用数控刀片剩余使用寿命预测方法及系统 - Google Patents
一种重载加工用数控刀片剩余使用寿命预测方法及系统 Download PDFInfo
- Publication number
- CN117961646A CN117961646A CN202410375451.7A CN202410375451A CN117961646A CN 117961646 A CN117961646 A CN 117961646A CN 202410375451 A CN202410375451 A CN 202410375451A CN 117961646 A CN117961646 A CN 117961646A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- service life
- numerical control
- control blade
- 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
- 238000003754 machining Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000005520 cutting process Methods 0.000 claims abstract description 99
- 238000012549 training Methods 0.000 claims abstract description 71
- 238000001514 detection method Methods 0.000 claims abstract description 35
- 230000002159 abnormal effect Effects 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000005299 abrasion Methods 0.000 claims description 88
- 238000007781 pre-processing Methods 0.000 claims description 28
- 230000004927 fusion Effects 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 15
- 230000010354 integration Effects 0.000 claims description 12
- 230000005856 abnormality Effects 0.000 claims description 9
- 238000004821 distillation Methods 0.000 claims description 9
- 238000013256 Gubra-Amylin NASH model Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 4
- 238000003801 milling Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 16
- 230000008569 process Effects 0.000 description 10
- 238000012423 maintenance Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 240000000233 Melia azedarach Species 0.000 description 1
- 238000012614 Monte-Carlo sampling Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000007514 turning Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000003466 welding 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)
- Machine Tool Sensing Apparatuses (AREA)
Abstract
本发明涉及切削加工和刀具技术领域，具体为一种重载加工用数控刀片剩余使用寿命预测方法及系统。首先，采集指定重载加工用数控刀片加工时的第一磨损数据、第一当前切削次数、第一切削总次数、第一信号数据、第一温度数据和第一影像数据。经过预处理后整合成第一多模态数据；经过异常检测和过滤得到第二多模态数据。对其进行划分，用训练集训练第一磨损量预测模型；用测试集进行预测，得到第一预测磨损量；将第一预测磨损量输入训练好的剩余使用寿命预测模型，获得第一使用剩余寿命；当发现异常数据或第一使用剩余寿命低于预设阈值时，进行预警。本发明能够及时准确地预测刀片的剩余使用寿命，为加工生产提供重要保障。
Description
技术领域
本发明涉及切削加工和刀具技术领域，具体为一种重载加工用数控刀片剩余使用寿命预测方法及系统。
背景技术
数控刀片是用于数控机床上的切削工具，用于执行切削、铣削、车削和钻孔等工艺。数控刀片通常由高强度材料制成，以应对不同材料和加工需求，是数控加工中不可或缺的工具之一，其性能和设计特点直接关系到加工效率、加工质量和刀具寿命。重载加工用数控刀片则是专为处理较大工件或需要承受较大切削力的加工场景而设计的切削工具。在重载加工中，通常涉及更高的切削力和振动，需要刀具具备更强的耐用性、稳定性和切削性能，对数控刀片的选择要求更高。对重载加工用数控刀片剩余使用寿命进行预测可以提高生产效率、降低成本、保障加工质量和提升设备管理的智能化水平。通过准确预测刀片的剩余使用寿命，可以优化刀具的更换计划，避免不必要的加工中断和成本支出，同时保证加工质量和设备可靠性，实现生产过程的智能化管理，推动制造业的环境可持续发展。
在现有研究中，申请号为CN202110642406.X的专利提出了一种数控机床刀具剩余使用寿命预测方法、系统及应用。首先，对数控机床运行时的控制信号与传感器信号的采集，通过信号处理、特征提取和特征选择等步骤，挖掘了数控机床刀具的磨损情况。在此基础上，结合LSTM模型和注意力机制，构建了一个刀具剩余寿命预测模型。然而，在实际的数据采集中，确保数控机床工作过程中控制器信号和传感器信号的质量和一致性可能面临一些挑战。不同型号的数控机床可能会产生不同类型和格式的信号。王艺玮、邓蕾和郑联语等学者在“基于多通道融合及贝叶斯理论的刀具剩余寿命预测方法”中提出了一种刀具剩余寿命预测方法，采用多通道信号融合和贝叶斯更新的策略。首先，通过计算多通道信号提取的特征在时间序列上与对应时间矢量的斯皮尔曼等级相关系数，对特征时序进行单调性排序。然后选取单调性得分高的特征，采用主成分分析进行融合，构建健康因子作为观测数据。基于贝叶斯理论和马尔科夫链蒙特卡洛采样，对退化模型参数进行估计，并随着时间推进和监测数据序列的可获得性，实时在线更新退化模型参数以逐渐逼近刀具磨损退化趋势。同时，对每个时刻的剩余寿命进行迭代估计。然而，在切削后期，刀具剩余寿命预测倾向于保守估计，使得预测值一直处于“欠预测”的状态。这意味着更倾向于提前建议更换刀具。可能导致成本增加和资源浪费。因此，在提高准确性的同时，需要权衡成本和效益，以优化刀具剩余寿命的预测策略。何彦、凌俊杰和王禹林等学者在“基于长短时记忆卷积神经网络的刀具磨损在线监测模型”中提出了一种基于振动、力和声发射等多传感器的检测方法。针对所收集的数据具有时序性和多维性等特点，通过LSTM-CNN网络对所收集的数据进行时序和多维度的特征抽取，并通过线性回归方法建立与刀具损耗量之间的对应关系，提升了预测的精度。然而，本方法仅限于对刀具损耗量进行在线监测，未对刀具剩余寿命进行进一步预测，缺乏全面性。
通过上述分析，现有技术中对数控刀具剩余使用寿命的预测还有待进一步改进和完善，数据来源存在局限性，尚不够全面。同时，剩余使用寿命预测的准确性和效率有待进一步提升，以实现降本增效。
为此，提出一种重载加工用数控刀片剩余使用寿命预测方法及系统。
发明内容
本发明的目的在于提供一种重载加工用数控刀片剩余使用寿命预测方法及系统，通过使用指定的重载加工用数控刀片对加工件进行切削，采集第一信号数据、第一温度数据和第一影像数据。对上述数据分别进行预处理，使用自注意力机制对来自不同模态类别的特征进行加权融合，得到第一多模态数据。然后，利用异常检测技术识别出异常数据，对其进行过滤，得到第二多模态数据。将第二多模态数据集划分为第一训练集和第一测试集；将第一训练集输入长短时记忆网络中进行训练，得到第一磨损量预测模型。将第一测试集输入训练好的第一磨损量预测模型中，得到第一预测磨损量。将所述第一预测磨损量输入训练好的剩余使用寿命预测模型，得到第一使用剩余寿命；最后，当检测到异常数据或剩余使用寿命低于预设阈值时，进行预警。
为实现上述目的，本发明提供如下技术方案：
一种重载加工用数控刀片剩余使用寿命预测方法，包括以下步骤：
使用指定重载加工用数控刀片进行加工件切削，得到第一磨损数据、第一当前切削次数和第一切削总次数；利用力传感器、振动传感器和声发射传感器采集刀具信号，得到第一信号数据；利用温度传感器采集温度数据，得到第一温度数据；
采集所述指定重载加工用数控刀片的表面影像，得到第一影像数据；
经过预处理后，将所述第一信号数据、所述第一温度数据和所述第一影像数据整合，得到第一多模态数据；
对所述第一多模态数据进行异常检测，得到第一异常数据；从所述第一多模态数据中过滤掉所述第一异常数据，得到第二多模态数据；
对所述第二多模态数据进行划分，得到第一训练集和第一测试集；
将所述第一训练集输入长短时记忆网络中进行训练，得到第一磨损量预测模型，所述第一磨损量预测模型用于所述指定重载加工用数控刀片磨损量的在线预测；
将所述测试集输入所述第一磨损量预测模型得到第一预测磨损量；
将所述第一预测磨损量输入训练好的剩余使用寿命预测模型，得到第一使用剩余寿命；
当识别到所述第一异常数据或所述第一使用剩余寿命小于预设阈值时，进行预警。
进一步地，使用指定重载加工用数控刀片进行加工件切削，得到第一磨损数据、第一当前切削次数和第一切削总次数具体为：
所述加工件切削在指定切削条件下进行全寿命周期监测；每次走刀端面铣的长度固定且每次走刀时间相等，每次走刀后用光学显微镜测量所述指定重载加工用数控刀片的后刀面磨损量，得到第一磨损数据；
所述第一当前切削次数是指在所述加工件切削中所述指定重载加工用数控刀片当前完成的切削次数；
所述第一切削总次数是指在所述加工件切削中记录的所述指定重载加工用数控刀片在全寿命周期内完成的总切削次数。
进一步地，所述第一信号具体为：
所述第一信号数据包括第一切削力数据、第一振动数据、第一温度数据和第一声音数据；
第一切削力数据包括X、Y和Z三向切削力信号；所述第一振动数据包括X、Y和Z三向切削振动信号；所述声音数据为声发射均方根值。
进一步地，采集所述指定重载加工用数控刀片的表面影像具体为：
在相同的光照条件及设备条件下，通过高分辨率工业相机采集所述指定重载加工用数控刀片的前刀面表面影像以及后刀面表面影像。
进一步地，经过预处理后，将所述第一信号数据、所述第一温度数据和所述第一影像数据整合包括：
对所述第一信号数据进行预处理，包括去噪、归一化、数据增强和特征提取，得到第一信号预处理数据；
对所述第一影像数据进行预处理，包括图像去噪、灰度化、归一化、图像增强和特征提取，所述特征提取包括使用卷积神经网络从所述第一影像数据中自动学习特征，最终得到第一影像特征数据；
将所述第一信号预处理数据和所述第一影像特征数据进行特征融合和数据整合，使用自注意力机制对来自不同模态类别的特征进行加权融合，得到第一多模态数据；所述模态类别分为图像数据、信号数据和温度数据；所述图像数据包括由所述第一影像数据得到的特征，所述信号数据包括由所述第一信号数据得到的特征，所述温度数据包括由所述第一温度数据得到的特征。
进一步地，对所述第一多模态数据进行异常检测具体为：
使用平滑技术和多尺度特征提取技术，从所述第一多模态数据中提取趋势分量和细节特征；将所述第一多模态数据减去所述趋势分量，得到残差分量；将所述细节特征与所述残差分量进行融合得到综合特征集；使用孤立森林模型、SVM模型以及随机森林构建异常检测融合模型；使用所述异常检测融合模型对所述综合特征集进行异常检测。
进一步地，所述第一磨损量预测模型具体为：
构建第一长短时记忆网络模型作为第一磨损量教师模型，用于训练和生成标签；所述第一磨损量教师模型使用所述第一训练集的80%数据进行训练；
构建第二长短时记忆网络模型作为第一磨损量学生模型；
利用所述第一磨损量教师模型生成的软标签作为所述第一磨损量学生模型的目标；
将交叉熵损失作为蒸馏损失函数，衡量所述第一磨损量学生模型的输出与所述第一磨损量教师模型的输出之间的相似度；
在训练过程中，使用所述第一磨损量教师模型生成的软标签和所述蒸馏损失函数来更新第一磨损量学生模型；
使用所述第一训练集的剩余20%数据用于评估所述第一磨损量预测模型的性能；得到最优的所述第一磨损量预测模型。
进一步地，所述剩余使用寿命预测模型具体为：
根据所述第二多模态数据、所述第一当前切削次数和所述第一切削总次数训练回归模型，所述回归模型的标签为所述第一切削总次数与所述第一当前切削次数的差；
所述回归模型的训练步骤包括：
构建一个GAN模型，包括生成器和鉴别器；其中，所述生成器的任务是根据所述第二多模态数据生成逼真的第三多模态数据，而所述鉴别器的任务是区分所述第三多模态数据和所述第二多模态数据；
使用所述第二多模态数据来训练所述GAN模型，得到第一数据生成模型；
训练完成后，使用所述第一数据生成模型生成所述第三多模态数据；
将所述第三多模态数据和第二多模态数据进行整合，得到第一扩充数据集；
使用所述第一扩充数据集建立基于多层感知器模型的所述剩余寿命预测模型。
进一步地，当识别到所述第一异常数据或所述第一使用剩余寿命小于预设阈值时，进行预警具体为：
当识别到所述第一异常数据或所述第一使用剩余寿命小于预设阈值时，生成预警报告，包括所述指定重载加工用数控刀片的磨损状态、所述第一使用剩余寿命以及相关建议；并将所述预警报告发送给相关工作人员。
一种重载加工用数控刀片剩余使用寿命预测系统，包括数据采集模块、数据预处理模块、多模态数据整合模块、异常检测与处理模块、数据集划分模块、磨损量训练模块、磨损量预测模块、剩余使用寿命训练模块、剩余使用寿命预测模块和用户界面与反馈模块；
所述数据采集模块用于采集第一磨损数据、第一当前切削次数和第一切削总次数；利用力传感器、振动传感器和声发射传感器采集刀具信号，得到第一信号数据；利用温度传感器采集温度数据，得到第一温度数据；同时，采集指定重载加工用数控刀片的表面影像，得到第一影像数据；
所述数据预处理模块用于将所述第一信号数据和所述第一影像数据进行预处理；
所述多模态数据整合模块用于将所述第一信号数据、所述第一温度数据和所述第一影像数据整合，得到第一多模态数据；
所述异常检测与处理模块用于对所述第一多模态数据进行异常检测，得到第一异常数据；从所述第一多模态数据中过滤掉所述第一异常数据，得到第二多模态数据；
所述数据集划分模块用于将所述第二多模态数据进行划分，得到第一训练集和第一测试集；
所述磨损量训练模块用于将所述第一训练集输入长短时记忆网络中进行训练，得到第一磨损量预测模型，所述第一磨损量预测模型用于所述指定重载加工用数控刀片磨损量的在线预测；
所述磨损量预测模块用于将所述测试集输入所述第一磨损量预测模型得到第一预测磨损量；
所述剩余使用寿命训练模块用于训练剩余使用寿命预测模型；
所述剩余使用寿命预测模块用于将所述第一预测磨损量输入训练好的所述剩余使用寿命预测模型，得到第一使用剩余寿命；
所述用户界面与反馈模块用于当所述第一使用剩余寿命小于预设阈值时，进行预警，包括：显示所述指定重载加工用数控刀片的磨损状态、第一使用剩余寿命以及相关建议；并将所述预警报告以可视化或通知的方式传递给相关工作人员。
与现有技术相比，本发明的有益效果为：
1、本发明采集并整合了来自不同模态的数据，包括信号、温度和影像数据，使得模型能够更全面地理解刀片的工作状态，进而提高了剩余使用寿命预测的综合性。该方法通过对信号数据和影像数据进行预处理和特征提取，包括去噪、归一化和数据增强，同时，使用卷积神经网络自动学习特征，可以提取出数据的关键信息。通过自注意力机制对不同模态的特征进行加权融合，进一步帮助模型更准确地捕获刀片工作状态的复杂特征，得到更综合和准确的多模态数据。这有助于提升重载加工用刀片剩余使用寿命预测的全面性和准确性。
2、本发明通过构建第一长短时记忆网络模型作为第一磨损量教师模型，并使用80%的第一训练集数据进行训练，引入长短时记忆网络结构。这有助于模型更好地学习并捕捉刀片磨损的时间序列特征，提高了磨损量预测的准确性。其次，引入第二长短时记忆网络模型作为第一磨损量学生模型，并利用第一磨损量教师模型生成的软标签作为学生模型的目标。这种蒸馏的方式使得学生模型能够从教师模型的知识中受益，加速学习过程，提高了模型的泛化能力。这种基于教师－学生模型的蒸馏方法，结合了长短时记忆网络的优势，使得刀片剩余使用寿命的预测更具准确性和高效性。
3、本发明结合了生成对抗网络和多模态数据的训练过程，以提高剩余寿命预测模型的性能。通过构建GAN模型，将第二多模态数据作为输入，生成逼真的第三多模态数据，进而扩充了原始数据集，不但增加了模型的训练样本数量，而且提升了数据采集的效率，丰富了模型对不同模态数据之间复杂关系的理解，提高了模型的泛化能力和预测准确性。最终，将第三多模态数据与第二多模态数据整合，并应用于基于多层感知器模型的剩余寿命预测模型的训练中。整体上有效地提升了剩余寿命预测的效率和准确率。
附图说明
图1为本发明实施例提供的重载加工用数控刀片进行加工件切削所用的主要设备示意图；
图2为本发明实施例提供的一种重载加工用数控刀片剩余使用寿命预测方法流程示意图；
图3为本发明实施例提供的光学显微镜下的重载加工用数控刀片后刀面磨损情况示意图；
图4为本发明实施例提供的由数据采集到获得第二多模态数据的流程示意图；
图5为本发明实施例提供的由第二多模态数据到得到第一使用剩余寿命的流程示意图；
图6为本发明实施例提供的一种重载加工用数控刀片剩余使用寿命预测系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一：
在本实施例中，由于重载条件下切削余量大且分布不均，工件表面存在大裂纹、硬化皮、夹砂、气孔及补焊点等多种缺陷，加上重载加工下的工件通常尺寸庞大、重量沉重，因此与普通切削加工相比，其加工工艺存在显著差异。在这种情况下，剩余使用寿命的定义即为当前到发生潜在故障的预计正常工作时间。
提出了一种重载加工用数控刀片剩余使用寿命预测方法，包括以下步骤：
加工所用主要设备如图1所示，机床的工作台与工件间安装一台三向平台测力仪，对加工过程中X、Y和Z三个方向的切削力进行测量；其中，X轴方向为走刀方向，Y轴方向为径向切深方向，Z轴方向为轴向切深方向；在工件上安装3个振动传感器3，实现对刀具加工过程中X、Y和Z三个方向的振动信号测量；在工件上安装了1个声发射传感器4，对切削过程中产生的高频应力波进行测量。温度传感器5安装于刀具附近的刀架上。
详见图2中的S10，使用指定重载加工用数控刀片1进行加工件6切削，选择若干把全新的重载加工用数控刀片1，并设置好重载加工的加工参数，包括切削速度、进给率和切削深度等。确保机床和刀具处于良好状态，以减少其他因素对数据的影响。在重载加工用数控刀片1开始加工到寿命终止的整个过程中，使用传感器实时监控刀具的磨损情况、切削力信号、振动信号和声发声信号等关键指标。记录第一磨损数据、第一当前切削次数和第一切削总次数；利用力传感器2（三向平台测力仪）、振动传感器3和声发射传感器4采集刀具信号，得到第一信号数据，第一信号数据的样例数据见表1；利用温度传感器5采集温度数据，得到第一温度8数据；
表1.第一信号数据样例数据表
| X轴切削力 | Y轴切削力 | Z轴切削力 | X轴振动 | Y轴振动 | Z轴振动 | 声音信号 |
| 0.704 | -0.387 | -1.084 | 0.018 | 0.031 | 0.027 | -0.004 |
| 0.772 | -0.573 | -1.153 | -0.056 | -0.057 | -0.058 | -0.004 |
| 0.828 | -0.673 | -1.242 | 0.037 | 0.019 | 0.031 | -0.004 |
| 0.866 | -0.601 | -1.311 | -0.028 | -0.027 | -0.022 | -0.004 |
进一步地，使用指定重载加工用数控刀片1进行加工件6切削，得到第一磨损数据、第一当前切削次数和第一切削总次数具体为：
所述加工件6切削在指定切削条件下进行全寿命周期监测；每次走刀端面铣的长度固定且每次走刀时间相等，每次走刀后用光学显微镜测量所述指定重载加工用数控刀片1的后刀面磨损量，参阅图3，得到第一磨损数据；
所述第一当前切削次数是指在所述加工件6切削中所述指定重载加工用数控刀片1当前完成的切削次数；
所述第一切削总次数是指在所述加工件6切削中记录的所述指定重载加工用数控刀片1在全寿命周期内完成的总切削次数。
这种全寿命周期监测方法针对重载加工用数控刀片1的磨损情况进行了详细监测和记录，通过固定的切削条件，确保加工过程中的一致性和可重复性。通过保持固定的切削参数，如走刀端面铣的长度和时间，可以更容易地比较不同时间点或不同刀具之间的磨损情况。这种一致性有助于准确监测刀具磨损、建立可靠的预测模型，并提高加工质量和稳定性。由于后刀面是直接与工件接触的部分，更容易受到切削力和磨损的影响。因此，每次走刀后用光学显微镜测量所述指定重载加工用数控刀片1的后刀面磨损量，得到第一磨损数据。同时，准确记录了当前完成的切削次数和全寿命周期内的总切削次数，为后续建立剩余使用寿命预测模型奠定数据基础。
进一步地，所述第一信号具体为：
所述第一信号数据包括第一切削力数据、第一振动数据、第一温度8数据和第一声音数据；
第一切削力数据包括X、Y和Z三向切削力信号9；所述第一振动数据包括X、Y和Z三向切削振动信号10；所述声音数据为声发射均方根值。
与普通数控刀片相比，重载加工用数控刀片1面临更大的振动和热量冲击，因此在数据采集和准备过程中会充分利用这些多源信号，为后续的通过综合分析奠定数据基础。
详见图2中的S20，采集所述指定重载加工用数控刀片1的表面影像7，得到第一影像数据；
进一步地，采集所述指定重载加工用数控刀片1的表面影像7具体为：
在相同的光照条件及设备条件下，通过高分辨率工业相机采集所述指定重载加工用数控刀片1的前刀面表面影像7以及后刀面表面影像7。
通过高分辨率工业相机在相同的光照和设备条件下采集刀面表面影像7，可以提供详细且清晰的表面信息，包括表面缺陷、磨损情况和几何特征等。仅使用传感器数据可能会导致局限性，这些图像数据可以作为评估刀片磨损程度和剩余使用寿命的重要依据，有助于更准确地预测刀具的寿命，进而提高生产效率和质量。采集表面影像7的过程也有助于实时监测刀具的状况，及早发现异常情况，从而进行及时调整和维护。同时，为后续多模态数据分析奠定数据基础。
详见图2中的S30，经过预处理后，将所述第一信号数据、所述第一温度8数据和所述第一影像数据整合，得到第一多模态数据；
进一步地，经过预处理后，将所述第一信号数据、所述第一温度8数据和所述第一影像数据整合包括：
对所述第一信号数据进行预处理，包括去噪、归一化、数据增强和特征提取，得到第一信号预处理数据；
对所述第一影像数据进行预处理，包括图像去噪、灰度化、归一化、图像增强和特征提取，所述特征提取包括使用卷积神经网络从所述第一影像数据中自动学习特征，最终得到第一影像特征数据；
将所述第一信号预处理数据和所述第一影像特征数据进行特征融合和数据整合，使用自注意力机制对来自不同模态类别的特征进行加权融合，得到第一多模态数据；所述模态类别分为图像数据、信号数据和温度数据；所述图像数据包括由所述第一影像数据得到的特征，所述信号数据包括由所述第一信号数据得到的特征，所述温度数据包括由所述第一温度8数据得到的特征。
这种数据整合方法不仅包括对信号和影像数据的去噪、归一化和特征提取等处理，还利用了卷积神经网络从影像数据中自动学习特征，进一步提高了数据的表达能力。不同类型的数据源可以互相弥补信息的不足，从而提高了预测模型的鲁棒性和准确性。在重载加工用数控刀片1的加工过程中，仅仅依靠信号数据可能无法全面反映刀具的工作状态，而结合温度数据和影像数据可以更全面地评估刀具的磨损情况。通过自注意力机制对来自不同模态类别的特征进行加权融合，有效地整合了不同类型的数据特征，使得所得的多模态数据更具有综合性和代表性。这样的数据整合方法有助于提高预测模型的准确性和鲁棒性，从而更精准地预测刀片的磨损量。同时，多模态数据能够提供更多的特征信息，有助于更准确地识别和检测异常情况。在重载加工时，异常可能会来自不同的方面，结合多种数据可以更全面地捕捉异常信号，为后续异常检测奠定基础。
详见图2中的S40，对所述第一多模态数据进行异常检测，得到第一异常数据；从所述第一多模态数据中过滤掉所述第一异常数据，得到第二多模态数据；上述完整流程详见图4。
进一步地，对所述第一多模态数据进行异常检测具体为：
使用平滑技术和多尺度特征提取技术，从所述第一多模态数据中提取趋势分量和细节特征；将所述第一多模态数据减去所述趋势分量，得到残差分量；将所述细节特征与所述残差分量进行融合得到综合特征集；使用孤立森林模型、SVM模型以及随机森林构建异常检测融合模型；使用所述异常检测融合模型对所述综合特征集进行异常检测。
采用孤立森林模型、SVM模型以及随机森林构建异常检测融合模型，利用不同模型之间的集成，进一步提高了异常检测的性能和可靠性。综合利用多种模型的优势，可以更全面地考虑数据的不同特点，提高了异常检测的泛化能力。利用异常检测融合模型对综合特征集进行异常检测，异常检测融合模型的应用不仅进一步提升了模型的鲁棒性和准确性，同时有助于准确区分正常和异常工作状态。通过对识别到的异常工况进行及时预警，而不需要进行后续剩余使用寿命的预测，能够有效降低响应时间，实现对刀具状态的及时维护。这种优化方案不仅简化了维护流程，还最大程度地减少了生产系统中的停机时间，提高了生产效率。综合而言，该方法不仅确保了刀具运行的可靠性，还为生产系统的维护提供了更精准和高效的解决方案。
详见图2中的S50，后续完整流程详见图5，对所述第二多模态数据进行划分，得到第一训练集和第一测试集；
详见图2中的S60，将所述第一训练集输入长短时记忆网络中进行训练，得到第一磨损量11预测模型，所述第一磨损量11预测模型用于所述指定重载加工用数控刀片1磨损量的在线预测；
进一步地，所述第一磨损量11预测模型具体为：
构建第一长短时记忆网络模型作为第一磨损量11教师模型，用于训练和生成标签；所述第一磨损量11教师模型使用所述第一训练集的80%数据进行训练；
构建第二长短时记忆网络模型作为第一磨损量11学生模型；
利用所述第一磨损量11教师模型生成的软标签作为所述第一磨损量11学生模型的目标；
将交叉熵损失作为蒸馏损失函数，衡量所述第一磨损量11学生模型的输出与所述第一磨损量11教师模型的输出之间的相似度；
在训练过程中，使用所述第一磨损量11教师模型生成的软标签和所述蒸馏损失函数来更新第一磨损量11学生模型；
使用所述第一训练集的剩余20%数据用于评估所述第一磨损量11预测模型的性能；得到最优的所述第一磨损量11预测模型。
引入对照组，将所述第一训练集输入传统的长短时记忆网络中进行训练，调整参数后得到最优的LSTM模型。
表2.实验对比数据表
| 实验对比指标 | LSTM模型 | 基于LSTM的教师－学生模型 |
| 平均绝对百分比误差 | 5.50% | 3.50% |
| 推理时间 | 1.20s | 0.26s |
通过表2可以看出，教师－学生模型相比于传统的LSTM模型在磨损量预测任务上表现更好，预测误差更小，且推理速度明显提高，证明其有效性。
使用蒸馏技术，分别构建教师模型和学生模型可以将一个复杂的教师模型的知识转移到一个较简单的学生模型中。在这种情况下，可以通过将老师模型的知识转移给学生模型来实现模型压缩和加速。学生模型比老师模型更简单，因此在推理阶段执行更快，并且需要更少的存储空间这样的设计可以帮助学生模型更快地学习到教师模型的知识，实现了对数控刀片磨损量的在线精准预测，从而提高预测性能。
详见图2中的S70，将所述测试集输入所述第一磨损量11预测模型得到第一预测磨损量；
详见图2中的S80，将所述第一预测磨损量输入训练好的剩余使用寿命预测模型，得到第一使用剩余寿命；
进一步地，所述剩余使用寿命预测模型具体为：
根据所述第二多模态数据、所述第一当前切削次数和所述第一切削总次数训练回归模型，所述回归模型的标签为所述第一切削总次数与所述第一当前切削次数的差；
所述回归模型的训练步骤包括：
构建一个GAN模型，包括生成器和鉴别器；其中，所述生成器的任务是根据所述第二多模态数据生成逼真的第三多模态数据，而所述鉴别器的任务是区分所述第三多模态数据和所述第二多模态数据；
使用所述第二多模态数据来训练所述GAN模型，得到第一数据生成模型；
训练完成后，使用所述第一数据生成模型生成所述第三多模态数据；
将所述第三多模态数据和第二多模态数据进行整合，得到第一扩充数据集；
使用所述第一扩充数据集建立基于多层感知器模型的所述剩余寿命预测模型。
通过GAN生成逼真的数据样本，可以减少对大量真实数据的依赖，同时加速模型训练的过程。相比于传统的手动收集和标注大量数据，使用GAN可以更快速地获取所需的数据样本，并且生成的数据更加多样化和逼真，有助于提高模型的泛化能力和预测准确性。这样的设计在资源受限的情况下尤其有用，可以节省时间和成本，同时提高模型的效率和性能。
详见图2中的S90，当识别到所述第一异常数据或所述第一使用剩余寿命小于预设阈值时，进行预警。
进一步地，当识别到所述第一异常数据或所述第一使用剩余寿命小于预设阈值时，进行预警具体为：
当识别到所述第一异常数据或所述第一使用剩余寿命小于预设阈值时，生成预警报告，包括所述指定重载加工用数控刀片1的磨损状态、所述第一使用剩余寿命以及相关建议；并将所述预警报告发送给相关工作人员。
第一使用剩余寿命小于预设阈值表示刀片的剩余可用寿命低于预先设定的安全阈值，需要及时更换以防止加工过程停滞。同时，当识别到第一异常数据时，意味着系统或设备的运行状态与正常预期情况存在明显的偏离或异常，需要及时排查问题。预警系统的建立有助于优化生产计划和资源调配，提高生产效率和设备利用率，降低维护成本，延长设备寿命。
本方法适用于重载加工用数控刀片1处于平稳工作时的剩余使用寿命预测，即后续重载加工中没有意外事件发生及外部因素影响。该重载加工用数控刀片1剩余使用寿命预测方法通过整合多模态数据（包括刀具信号、温度和影像数据），并利用长短时记忆网络（LSTM）进行训练，构建了第一磨损量11预测模型，实现了对数控刀片磨损量的在线精准预测。随后，将预测的磨损量输入到剩余使用寿命预测模型中，以准确预测刀片的剩余使用寿命，并在其达到预设阈值或出现异常时及时发出预警。这一方法显著提高了重载加工中数控刀片的使用效率和安全性，同时减少了意外停机和维护成本，为制造业的高效率和高稳定性提供了有力支持。
在实施例中，为证实异常检测及过滤步骤的有效性，设置对照组进行对照试验，分别使用第二多模态数据和未经过异常值过滤的第一多模态数据完成磨损量预测及剩余使用寿命预测，分别用MAE和MAPE进行评估。
表3.不同评估指标分别用于评估两个数据的实验比较
| 评估指标 | 磨损量预测（第一多模态数据） | 磨损量预测（第二多模态数据） | 剩余使用寿命预测（第一多模态数据） | 剩余使用寿命预测（第二多模态数据） |
| MAE | 0.15 | 0.12 | 10.50 | 8.20 |
| MAPE | 5.50% | 4.00% | 8.20% | 6.00% |
如表3所示，对于磨损量预测，第二多模态数据的MAE（平均绝对误差）为0.12，比第一多模态数据的MAE（平均绝对误差）0.15更低，表明使用第二多模态数据建立的模型的预测值与实际观测值之间的平均差异小。同样地，第二多模态数据的MAPE（平均绝对百分比误差）为4.00%，比第一多模态数据的MAPE（5.50%）更低，表明第二多模态数据的预测误差也更低。
对于剩余使用寿命预测，同样地，第二多模态数据的MAE为8.20，比第一多模态数据的MAE（10.50）更低，表明第二多模态数据的预测精度更高。第二多模态数据的MAPE为6.00%，比第一多模态数据的MAPE（8.20%）更低，表明第二多模态数据的预测误差更低。综合来看，第二多模态数据在两个任务（磨损量预测和剩余使用寿命预测）上的模型性能都更好，具有更小的平均绝对误差和更小的平均百分比误差，表现出更高的预测准确性。
实施例二：
一种重载加工用数控刀片1剩余使用寿命预测系统，包括数据采集模块、数据预处理模块12、多模态数据整合模块13、异常检测与处理模块、数据集划分模块、磨损量训练模块、磨损量预测模块、剩余使用寿命训练模块、剩余使用寿命预测模块和用户界面与反馈模块；详见图6。
所述数据采集模块用于采集第一磨损数据、第一当前切削次数和第一切削总次数；利用力传感器2、振动传感器3和声发射传感器4采集刀具信号，得到第一信号数据；利用温度传感器5采集温度数据，得到第一温度8数据；同时，采集指定重载加工用数控刀片1的表面影像7，得到第一影像数据；
所述数据预处理模块12用于将所述第一信号数据和所述第一影像数据进行预处理；
所述多模态数据整合模块13用于将所述第一信号数据、所述第一温度8数据和所述第一影像数据整合，得到第一多模态数据；
所述异常检测与处理模块用于对所述第一多模态数据进行异常检测，得到第一异常数据；从所述第一多模态数据中过滤掉所述第一异常数据，得到第二多模态数据；
所述数据集划分模块用于将所述第二多模态数据进行划分，得到第一训练集和第一测试集；
所述磨损量训练模块用于将所述第一训练集输入长短时记忆网络中进行训练，得到第一磨损量11预测模型，所述第一磨损量11预测模型用于所述指定重载加工用数控刀片1磨损量的在线预测；
所述磨损量预测模块用于将所述测试集输入所述第一磨损量11预测模型得到第一预测磨损量；
所述剩余使用寿命训练模块用于训练剩余使用寿命预测模型；
所述剩余使用寿命预测模块用于将所述第一预测磨损量输入训练好的所述剩余使用寿命预测模型，得到第一使用剩余寿命；
所述用户界面与反馈模块用于当所述第一使用剩余寿命小于预设阈值时，进行预警，包括：显示所述指定重载加工用数控刀片1的磨损状态、第一使用剩余寿命以及相关建议；并将所述预警报告以可视化或通知的方式传递给相关工作人员。
表4.应用该系统与未应用该系统时的数据比较
| 指标 | 应用系统前 | 应用系统后 |
| 生产效率 | 1000件/月 | 1200件/月 |
| 刀具更换频率 | 每599件更换一次 | 每635件更换一次 |
| 加工线停滞次数 | 35次/月 | 9次/月 |
| 刀具维修时间 | 88小时/月 | 43小时/月 |
如表4所示，应用该系统后，在某个月内，生产效率提高了20%，从每月1000件增加到1200件。从加工每599件更换一次增加到每加工635件更换一次，提高了单把重载加工用数控刀片1的加工数量。加工线停滞次数显著减少，从35次降低到9次。同时，刀具维修时间也大幅度减少，从每月88小时降低到43小时。综合来看，系统的应用显著提升了生产效率，降低了加工停滞次数，并在刀具维护方面取得了显著的改善，减少了维修时间。这些结果表明系统的应用对生产过程的优化产生了显著的正面影响，提高了生产效率和设备可靠性。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种重载加工用数控刀片剩余使用寿命预测方法，其特征在于，包括以下步骤：
使用指定重载加工用数控刀片(1)进行加工件(6)切削，得到第一磨损数据、第一当前切削次数和第一切削总次数；利用力传感器(2)、振动传感器(3)和声发射传感器(4)采集刀具信号，得到第一信号数据；利用温度传感器(5)采集温度数据，得到第一温度(8)数据；
采集所述指定重载加工用数控刀片(1)的表面影像(7)，得到第一影像数据；
经过预处理后，将所述第一信号数据、所述第一温度(8)数据和所述第一影像数据整合，得到第一多模态数据；
对所述第一多模态数据进行异常检测，得到第一异常数据；从所述第一多模态数据中过滤掉所述第一异常数据，得到第二多模态数据；
对所述第二多模态数据进行划分，得到第一训练集和第一测试集；
将所述第一训练集输入长短时记忆网络中进行训练，得到第一磨损量(11)预测模型，所述第一磨损量(11)预测模型用于所述指定重载加工用数控刀片(1)磨损量的在线预测；
将所述测试集输入所述第一磨损量(11)预测模型得到第一预测磨损量；
将所述第一预测磨损量输入训练好的剩余使用寿命预测模型，得到第一使用剩余寿命；
当识别到所述第一异常数据或所述第一使用剩余寿命小于预设阈值时，进行预警。
2.根据权利要求1所述的一种重载加工用数控刀片剩余使用寿命预测方法，其特征在于，使用指定重载加工用数控刀片(1)进行加工件(6)切削，得到第一磨损数据、第一当前切削次数和第一切削总次数具体为：
所述加工件(6)切削在指定切削条件下进行全寿命周期监测；每次走刀端面铣的长度固定且每次走刀时间相等，每次走刀后用光学显微镜测量所述指定重载加工用数控刀片(1)的后刀面磨损量，得到第一磨损数据；
所述第一当前切削次数是指在所述加工件(6)切削中所述指定重载加工用数控刀片(1)当前完成的切削次数；
所述第一切削总次数是指在所述加工件(6)切削中记录的所述指定重载加工用数控刀片(1)在全寿命周期内完成的总切削次数。
3.根据权利要求1所述的一种重载加工用数控刀片剩余使用寿命预测方法，其特征在于，所述第一信号具体为：
所述第一信号数据包括第一切削力数据、第一振动数据、第一温度(8)数据和第一声音数据；
第一切削力数据包括X、Y和Z三向切削力信号(9)；所述第一振动数据包括X、Y和Z三向切削振动信号(10)；所述声音数据为声发射均方根值。
4.根据权利要求1所述的一种重载加工用数控刀片剩余使用寿命预测方法，其特征在于，采集所述指定重载加工用数控刀片(1)的表面影像(7)具体为：
在相同的光照条件及设备条件下，通过高分辨率工业相机采集所述指定重载加工用数控刀片(1)的前刀面表面影像(7)以及后刀面表面影像(7)。
5.根据权利要求1所述的一种重载加工用数控刀片剩余使用寿命预测方法，其特征在于，经过预处理后，将所述第一信号数据、所述第一温度(8)数据和所述第一影像数据整合包括：
对所述第一信号数据进行预处理，包括去噪、归一化、数据增强和特征提取，得到第一信号预处理数据；
对所述第一影像数据进行预处理，包括图像去噪、灰度化、归一化、图像增强和特征提取，所述特征提取包括使用卷积神经网络从所述第一影像数据中自动学习特征，最终得到第一影像特征数据；
将所述第一信号预处理数据和所述第一影像特征数据进行特征融合和数据整合，使用自注意力机制对来自不同模态类别的特征进行加权融合，得到第一多模态数据；所述模态类别分为图像数据、信号数据和温度数据；所述图像数据包括由所述第一影像数据得到的特征，所述信号数据包括由所述第一信号数据得到的特征，所述温度数据包括由所述第一温度(8)数据得到的特征。
6.根据权利要求1所述的一种重载加工用数控刀片剩余使用寿命预测方法，其特征在于，对所述第一多模态数据进行异常检测具体为：
使用平滑技术和多尺度特征提取技术，从所述第一多模态数据中提取趋势分量和细节特征；将所述第一多模态数据减去所述趋势分量，得到残差分量；将所述细节特征与所述残差分量进行融合得到综合特征集；使用孤立森林模型、SVM模型以及随机森林构建异常检测融合模型；使用所述异常检测融合模型对所述综合特征集进行异常检测。
7.根据权利要求1所述的一种重载加工用数控刀片剩余使用寿命预测方法，其特征在于，所述第一磨损量(11)预测模型具体为：
构建第一长短时记忆网络模型作为第一磨损量(11)教师模型，用于训练和生成标签；所述第一磨损量(11)教师模型使用所述第一训练集的80%数据进行训练；
构建第二长短时记忆网络模型作为第一磨损量(11)学生模型；
利用所述第一磨损量(11)教师模型生成的软标签作为所述第一磨损量(11)学生模型的目标；
将交叉熵损失作为蒸馏损失函数，衡量所述第一磨损量(11)学生模型的输出与所述第一磨损量(11)教师模型的输出之间的相似度；
在训练过程中，使用所述第一磨损量(11)教师模型生成的软标签和所述蒸馏损失函数来更新第一磨损量(11)学生模型；
使用所述第一训练集的剩余20%数据用于评估所述第一磨损量(11)预测模型的性能；得到最优的所述第一磨损量(11)预测模型。
8.根据权利要求1所述的一种重载加工用数控刀片剩余使用寿命预测方法，其特征在于，所述剩余使用寿命预测模型具体为：
根据所述第二多模态数据、所述第一当前切削次数和所述第一切削总次数训练回归模型，所述回归模型的标签为所述第一切削总次数与所述第一当前切削次数的差；
所述回归模型的训练步骤包括：
构建一个GAN模型，包括生成器和鉴别器；其中，所述生成器的任务是根据所述第二多模态数据生成逼真的第三多模态数据，而所述鉴别器的任务是区分所述第三多模态数据和所述第二多模态数据；
使用所述第二多模态数据来训练所述GAN模型，得到第一数据生成模型；
训练完成后，使用所述第一数据生成模型生成所述第三多模态数据；
将所述第三多模态数据和第二多模态数据进行整合，得到第一扩充数据集；
使用所述第一扩充数据集建立基于多层感知器模型的所述剩余寿命预测模型。
9.根据权利要求1所述的一种重载加工用数控刀片剩余使用寿命预测方法，其特征在于，当识别到所述第一异常数据或所述第一使用剩余寿命小于预设阈值时，进行预警具体为：
当识别到所述第一异常数据或所述第一使用剩余寿命小于预设阈值时，生成预警报告，包括所述指定重载加工用数控刀片(1)的磨损状态、所述第一使用剩余寿命以及相关建议；并将所述预警报告发送给相关工作人员。
10.一种重载加工用数控刀片剩余使用寿命预测系统，其特征在于，包括数据采集模块、数据预处理模块(12)、多模态数据整合模块(13)、异常检测与处理模块、数据集划分模块、磨损量训练模块、磨损量预测模块、剩余使用寿命训练模块、剩余使用寿命预测模块和用户界面与反馈模块；
所述数据采集模块用于采集第一磨损数据、第一当前切削次数和第一切削总次数；利用力传感器(2)、振动传感器(3)和声发射传感器(4)采集刀具信号，得到第一信号数据；利用温度传感器(5)采集温度数据，得到第一温度(8)数据；同时，采集指定重载加工用数控刀片(1)的表面影像(7)，得到第一影像数据；
所述数据预处理模块(12)用于将所述第一信号数据和所述第一影像数据进行预处理；
所述多模态数据整合模块(13)用于将所述第一信号数据、所述第一温度(8)数据和所述第一影像数据整合，得到第一多模态数据；
所述异常检测与处理模块用于对所述第一多模态数据进行异常检测，得到第一异常数据；从所述第一多模态数据中过滤掉所述第一异常数据，得到第二多模态数据；
所述数据集划分模块用于将所述第二多模态数据进行划分，得到第一训练集和第一测试集；
所述磨损量训练模块用于将所述第一训练集输入长短时记忆网络中进行训练，得到第一磨损量(11)预测模型，所述第一磨损量(11)预测模型用于所述指定重载加工用数控刀片(1)磨损量的在线预测；
所述磨损量预测模块用于将所述测试集输入所述第一磨损量(11)预测模型得到第一预测磨损量；
所述剩余使用寿命训练模块用于训练剩余使用寿命预测模型；
所述剩余使用寿命预测模块用于将所述第一预测磨损量输入训练好的所述剩余使用寿命预测模型，得到第一使用剩余寿命；
所述用户界面与反馈模块用于当所述第一使用剩余寿命小于预设阈值时，进行预警，包括：显示所述指定重载加工用数控刀片(1)的磨损状态、第一使用剩余寿命以及相关建议；并将所述预警报告以可视化或通知的方式传递给相关工作人员。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410375451.7A CN117961646B (zh) | 2024-03-29 | 2024-03-29 | 一种重载加工用数控刀片剩余使用寿命预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410375451.7A CN117961646B (zh) | 2024-03-29 | 2024-03-29 | 一种重载加工用数控刀片剩余使用寿命预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117961646A true CN117961646A (zh) | 2024-05-03 |
| CN117961646B CN117961646B (zh) | 2024-06-14 |
Family
ID=90848244
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410375451.7A Active CN117961646B (zh) | 2024-03-29 | 2024-03-29 | 一种重载加工用数控刀片剩余使用寿命预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117961646B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118617196A (zh) * | 2024-08-14 | 2024-09-10 | 中科航迈数控软件(深圳)有限公司 | 刀具磨损检测方法、设备、存储介质及程序产品 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113458873A (zh) * | 2021-07-01 | 2021-10-01 | 太原科技大学 | 一种刀具磨损量和剩余寿命预测的方法 |
| CN113560955A (zh) * | 2021-06-09 | 2021-10-29 | 西安电子科技大学 | 一种数控机床刀具剩余使用寿命预测方法、系统及应用 |
| CN114670061A (zh) * | 2022-04-01 | 2022-06-28 | 西南交通大学 | 一种基于机器视觉的复材刀具服役寿命监测系统及方法 |
| JP2022126285A (ja) * | 2021-02-18 | 2022-08-30 | 株式会社ジェイテクト | 工具寿命予測システム |
| CN115186574A (zh) * | 2022-06-10 | 2022-10-14 | 燕山大学 | 一种基于门控循环残差网络的刀具剩余寿命预测方法 |
| CN115922443A (zh) * | 2023-01-09 | 2023-04-07 | 湖南大学 | 一种基于滑动窗口的刀具剩余使用寿命实时预测方法 |
| CN116967844A (zh) * | 2023-05-12 | 2023-10-31 | 南京工大数控科技有限公司 | 一种用于数控机床的刀具状态监测和寿命预测系统及其使用方法 |
-
2024
- 2024-03-29 CN CN202410375451.7A patent/CN117961646B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2022126285A (ja) * | 2021-02-18 | 2022-08-30 | 株式会社ジェイテクト | 工具寿命予測システム |
| CN113560955A (zh) * | 2021-06-09 | 2021-10-29 | 西安电子科技大学 | 一种数控机床刀具剩余使用寿命预测方法、系统及应用 |
| CN113458873A (zh) * | 2021-07-01 | 2021-10-01 | 太原科技大学 | 一种刀具磨损量和剩余寿命预测的方法 |
| CN114670061A (zh) * | 2022-04-01 | 2022-06-28 | 西南交通大学 | 一种基于机器视觉的复材刀具服役寿命监测系统及方法 |
| CN115186574A (zh) * | 2022-06-10 | 2022-10-14 | 燕山大学 | 一种基于门控循环残差网络的刀具剩余寿命预测方法 |
| CN115922443A (zh) * | 2023-01-09 | 2023-04-07 | 湖南大学 | 一种基于滑动窗口的刀具剩余使用寿命实时预测方法 |
| CN116967844A (zh) * | 2023-05-12 | 2023-10-31 | 南京工大数控科技有限公司 | 一种用于数控机床的刀具状态监测和寿命预测系统及其使用方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118617196A (zh) * | 2024-08-14 | 2024-09-10 | 中科航迈数控软件(深圳)有限公司 | 刀具磨损检测方法、设备、存储介质及程序产品 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117961646B (zh) | 2024-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117961646B (zh) | 一种重载加工用数控刀片剩余使用寿命预测方法及系统 | |
| US11402817B2 (en) | Life predicting device and machine learning device | |
| CN104390657B (zh) | 一种发电机组运行参数测量传感器故障诊断方法及系统 | |
| CN113378725B (zh) | 一种基于多尺度-通道注意力网络的刀具故障诊断方法、设备及存储介质 | |
| JP6752866B2 (ja) | 刃具状態検査システム及び方法 | |
| CN104808585A (zh) | 一种机床健康状态快速检查方法 | |
| Mota-Gutiérrez et al. | Mahalanobis-Taguchi system: state of the art | |
| CN117555287B (zh) | 一种基于cae的数控机床加工动态性能监控方法及系统 | |
| Jain et al. | Dynamic optimization of process quality control and maintenance planning | |
| Lieber et al. | Sustainable interlinked manufacturing processes through real-time quality prediction | |
| Lee et al. | Intelligent factory agents with predictive analytics for asset management | |
| Gokulachandran et al. | Predicting remaining useful life of cutting tools with regression and ANN analysis | |
| CN117592354A (zh) | 一种刀具寿命预测方法 | |
| Jiang et al. | A novel ensemble fuzzy model for degradation prognostics of rolling element bearings | |
| Herrera-Granados et al. | An experimental study of multi-sensor tool wear monitoring and its application to predictive maintenance | |
| Brundage et al. | Qualifying evaluations from human operators: Integrating sensor data with natural language logs | |
| Tobon-Mejia et al. | CNC machine tool health assessment using dynamic bayesian networks | |
| Unal et al. | Condition Monitoring and Remaining Useful Life Prediction for Tool Wear in CNC Machines | |
| Di et al. | Tool Fault Diagnosis Method Based on Multiscale-Channel Attention Network | |
| CN118243378B (zh) | 一种悬臂式掘进机截割减速器的故障诊断方法及系统 | |
| CN116880359B (zh) | 一种可信数控系统的测试方法及系统 | |
| CN117826770B (zh) | 轴承阀座铣销控制系统的异常监测方法及系统 | |
| CN114676582B (zh) | 外太空服役电源系统性能退化评估方法、存储介质及设备 | |
| CN118861944A (zh) | 一种物联网和虚拟现实技术结合的系统构建方法 | |
| Hurtado Carreon et al. | CNC linear axis condition-based monitoring: a statistics-based framework to establish a baseline dataset and case study |
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 |