基于深度学习的刀具磨损监测研究现状

基于传统机器学习的刀具磨损监测模型监测精度低且计算复杂度高,难以满足智能制造的发展需求。而基于深度学习的刀具磨损监测模型数据处理和特征提取能力较强,可明显提高监测精度,使加工过程更智能化,因此广泛应用于刀具磨损监测。根据采用的模型,将基于深度学习的刀具磨损监测分为基于卷积神经网络的刀具磨损监测、基于稀疏自编码网络的刀具磨损监测、基于深度置信网络的刀具磨损监测、基于长短时记忆网络的刀具磨损监测和基于混合模型的刀具磨损监测,介绍了各种深度学习模型的基础理论及基本结构,总结了国内外基于深度学习模型的刀具磨损监测方法,分析了存在的问题,并指出了未来的发展方向。     

结合域对抗自适应的刀具磨损预测方法

数控加工中存在刀具几何误差及安装误差、刀具及工件材料性能的随机波动等因素,导致刀具之间的磨损过程与监测信号上存在较大差异的问题,使得刀具磨损值难以精确预测。为此,本文提出了一种结合域对抗自适应的多尺度分布式卷积长短时记忆网络模型（Multiscale time-distributed convolutional long short-term memory,MTDCLSTM）。将加工过程中采集到的多传感器信号作为模型输入,通过域分类器与预测器之间的对抗学习,提取出可有效表征刀具磨损且与域无关的多尺度时空特征,经预测器的非线性映射,实现对刀具磨损值的精确预测。实验结果表明,结合域对抗自适应的MTDCLSTM模型预测性能明显优于分布式卷积神经网络、长短时记忆网络、卷积神经网络与支持向量机模型。与基于迁移成分分析的支持向量回归模型相比,本文模型的均方根误差与平均绝对误差分别降低了59.8%和62.5%,决定系数提高了66.1%,可有效缩小刀具个体之间的差异,提高磨损值预测精度。     

基于一维卷积长短时记忆网络的多信号融合刀具磨损评估

为实现刀具磨损状态的有效在线监测,提出一种基于一维卷积长短时记忆网络的多信号融合刀具磨损评估模型.该模型综合使用加工过程中主轴和工作台的振动和声发射信号,以实现信号间的优势互补,弥补单一信号的不足;基于一维卷积的特征学习能力和长短时记忆网络的时序特征分析能力,充分挖掘信号中包含的刀具磨损状态信息;最后通过全连接层和softmax分类器对刀具磨损状态进行评估.试验结果表明,该模型在各单一工况下对刀具磨损状态的识别准确率均可达93.8％以上,整体工况下识别准确率达95.3％,具有很好的稳定性和多工况通用性.     

基于深度门控循环单元神经网络的刀具磨损状态实时监测方法

为监测生产加工过程中的刀具磨损状态,提出一种基于深度门控循环单元神经网络的轻量化状态监测模型。首先,预处理阶段对加速度传感器采集的时序信号进行小波阈值去噪,并将每次刀具进给产生的冗长信号划分为多个训练样本,以滤除噪声、改善算法的鲁棒性;然后,利用卷积神经网络(CNN)从时序信号输入中自适应地提取特征,构建深度双向门控循环单元(BiGRU)神经网络学习特征向量间的时序信息,并将Attention机制的思想引入其中,自适应地感知对磨损状态分类结果有关联的网络权重,并对其进行合理分配,避免因人工提取特征带来的复杂性和局限性。实验结果表明,所提方法能够对传感器采集的原始数据实时准确地预测刀具磨损状态,在识别精度和泛化能力上均达到了较好的效果,为实际工业场景下的刀具磨损状态监测提供了新的思路。     

基于长短时记忆网络的深孔镗削刀具状态监测

镗削加工是机械加工领域中非常重要的一种加工手段,被广泛应用于大型零件的深孔加工过程中。但由于镗削加工的切削区域位于深孔内部,所以机床操作者难以对刀具状态做出准确的判别。针对这一问题,提出了基于深度长短时记忆(Long Short-Term Memory,LSTM)网络的镗削刀具状态监测方法。通过对镗削过程的振动和声音信号采集,利用振动和声音信号的频域数据训练深度长短时记忆网络,建立了振动和声音信号与镗削刀具状态的映射模型。在深孔镗床上进行了模型测试试验。试验表明:深度长短时记忆网络模型对刀具状态有着较好的预测准确度。     

基于优化双向长短时记忆网络的刀具磨损状态识别

准确可靠地对刀具磨损状态进行监测和识别，有助于保证加工质量和加工效率。为提高刀具磨损状态识别精度，提出一种优化双向长短时记忆网络(NGO-BiLSTM)的刀具磨损状态识别新方法。NGO-BiLSTM核心思想就是通过北方苍鹰优化算法(NGO)对BiLSTM网络超参数进行自适应优化选取，从而解决BiLSTM网络超参数取值不同导致识别结果不稳定这一问题，进而提高BiLSTM的识别性能。通过刀具磨损状态识别实例对所提方法的有效性进行验证，结果表明：所提方法提高了识别精度，在5种评价指标上也是优于其它几种方法。     

VGG13卷积神经网络在刀具磨损监测中的应用

刀具磨损对工件加工精度和表面质量有很大影响,为保证零件加工质量,需对刀具磨损状况进行监测。在实际加工生产中采集工件铣削时的振动信号和力信号,利用短时傅里叶变换,将一维信号转化为二维谱图,建立刀具磨损阶段与频谱图的对应关系,利用Pytorch搭建VGG13卷积神经网络,将频谱图作为卷积神经网络模型输入进行训练,得到刀具磨损监测模型。通过实验对方案可行性及模型准确度进行测试,实验结果表明,利用卷积神经网络进行刀具磨损状态监测的准确度能够达到98%以上,可为实际生产中的刀具磨损状态监测提供参考。     

基于卷积神经网络的铣刀后刀面磨损状态预测方法研究

为了监测高温合金材料加工时的铣刀后刀面磨损状态,提出了基于卷积神经网络的刀具磨损状态预测方法,建立了基于机床主轴电流与功率信号实时监测的刀具磨损状态预测系统。通过建立与机床数控系统的通信,采集加工过程中的电流和功率信号,采用主成分分析法(PAC)对采集的参数进行特征提取,选择对刀具磨损值影响较大的主成分作为卷积神经网络的输入,实现对刀具磨损状态的准确预测。铣削实验结果表明,该方法具有较高的预测准确率。     

基于改进PCANet模型的铣刀磨损预测方法研究

铣刀健康状况直接影响实际生产加工过程,因此开展铣刀状态监测研究具有较大工程意义。以卷积神经网络为代表的深度学习模型已经逐渐用于监测加工过程中的刀具状态。但是这些模型的可解释性较差,预测结果的差异性也较大。作为一种新颖的卷积神经网络变种,主成分分析模型(Principal component analysis network, PCANet)的可解释性好,但是特征自监督学习能力有待提升,且相关应用案例较少。针对以上问题,拟对PCANet模型进行优化,进而提出了一种激活主成分分析-最大池化-支持向量回归(Activated PCANet with max pooling and support vector regression, APCANet-MP-SVR)模型,用于自适应提取敏感特征并准确预测刀具磨损情况。首先引入tanh激活函数,提高模型泛化能力;再采用最大池化层替代哈希编码和直方图用于特征选择,进一步降低冗余特征规模;最后建立支持向量回归模型实时预测刀具磨损值。应用案例充分证明了所提模型能够更好地用于加工现场刀具磨损值预测。     

刀具磨损状态识别与智能监测方法综述

刀具作为机械生产中机床加工所使用的关键执行件,其磨损状态识别和智能监测技术对于提高生产效益具有重要意义。传统的刀具磨损信号分析都是利用经验方法分解提取出信号特征来对信号特征进行解析,无法实现智能化监测。随着大数据时代的到来和深度学习算法的不断优化和改进,诸如卷积神经网络、深度置信网络、稀疏自动编码器等算法的应用越来越广泛,因此可以利用大数据平台,将深度学习算法与现代传感器技术、计算机技术、信号采集存储技术相结合,实现刀具磨损状态识别和智能监测。大数据技术和人工智能技术在机械工业生产中的结合应用是当今时代的必然发展趋势。     

基于多源同步信号与深度学习的刀具磨损在线识别方法

为提高刀具状态监测系统的实用性、避免实际加工过程中工序变换产生的信号干扰,提出一种基于多源同步信号与深度学习的刀具磨损在线识别方法。该方法利用自动触发的方式实现了机床运行在特定工序时的刀具振动、主轴功率、数控系统参数等多源信号的同步在线采集,保证信号同步性的同时有效避免了因工序变换而产生的信号波动干扰;进一步利用高频振动特征实现了 “切削过程”与“切削间隙”采集样本的准确划分,并基于皮尔逊积矩相关系数筛选出强关联特征,保证了多源监测信号融合样本的可用性;最后基于一维卷积神经网络建立了刀具磨损在线识别模型。实验结果表明,该方法无论从识别精度还是诊断效率,均能实现实际加工过程中刀具磨损状态的在线识别。     

A method for predicting hobbing tool wear based on CNC real-time monitoring data and deep learning

Intelligent monitoring and diagnosis of tool status are of great significance for improving the manufacturing efficiency and accuracy of the workpiece. It is difficult to quickly and accurately predict the wear state of worm gear hob under different working conditions. This paper proposes a novel approach to predict hob wear status based on CNC real-time monitoring data. Based on the open platform communication unified architecture (OPC UA) technology and orthogonal test, the machine data of motor power, current, etc. related to tool wear are collected online in the worm gear machining process. And then, an improved deep belief network (DBN) is used to generate a tool wear model by training data. A growing DBN with transfer learning is introduced to automatically decide its best model structure, which can accelerate its learning process, improve training efficiency and model performance. The experiment results show that the proposed method can effectively predict hob wear status under multi-cutting conditions. To show the advantages of the proposed approach, the performance of the DBN is compared with the traditional back propagation neural network (BP) method in terms of the mean-squared error (MSE). The compared results show that this tool wear prediction method has better prediction accuracy than the traditional BP method during worm gear hobbing.     

基于磨料水射流的螺杆转子加工新方法研究

螺杆转子传统加工过程中存在刀具磨损和过高切削热量等难题。为此,将具有无刀具磨损、切削热量低、绿色环保特点的磨料水射流加工方法引入螺杆转子加工研究之中,提出了磨料水射流多轴联动加工螺杆转子的新方法,以提高转子加工精度和效率。采用任意拉格朗日与欧拉方法构建了转子加工模拟模型,将模拟分析结果与实验数据进行比较,验证了模拟模型的正确性。最后,通过磨料对水射流多轴联动加工模拟结果的分析,证明了螺杆转子加工新方法的合理性。     

基于长短时记忆卷积神经网络的刀具磨损在线监测模型

为了提高机械加工过程中刀具磨损在线监测的准确性,提出了一种基于长短时记忆卷积神经网络（LSTM-CNN）的刀具磨损在线监测模型。在该监测模型中,通过振动、力、声发射传感器对刀具切削过程中的振动、力和声发射信号进行采集,采集的数据其本质为时间序列数据。考虑采集数据的序列和多维度特性,采用LSTM-CNN网络对采集的数据进行序列和多维度特征提取,利用线性回归实现特征到刀具磨损值的映射。通过实验验证了该模型的有效性和可行性,模型的精度较其他几种方法有了较大的提高。     

一种不同工艺条件下刀具磨损状态多类域适应迁移辨识方法

在新的工艺条件下,针对采用历史工艺条件进行训练的刀具磨损状态辨识模型识别准确率低的问题,提出了一种基于迁移学习的跨工艺条件刀具磨损状态辨识模型。构建卷积神经网络提取刀具样本可迁移特征,利用最大均值差异测量不同工艺条件下刀具样本分布差异,通过类间-类内距离约束提升源域特征的样本距离,对目标域数据概率矩阵采取最大化核范数的策略,以提取区分性高的目标域样本故障特征。以铣刀加工试验为例验证了模型的有效性,模型的平均辨识准确率为96.8%,比没有类间-类内距离约束与最大化核范数的方法平均辨识准确率提升4.9%。     

Tool wear predictive model based on least squares support vector machines

The development of tool wear monitoring system for machining processes has been well recognised in industry due to the ever-increased demand for product quality and productivity improvement. This paper presents a new tool wear predictive model by combination of least squares support vector machines (LS-SVM) and principal component analysis (PCA) technique. The corresponding tool wear monitoring system is developed based on the platform of PXI and LabVIEW. PCA is firstly proposed to extract features from multiple sensory signals acquired from machining processes. Then, LS-SVM-based tool wear prediction model is constructed by learning correlation between extracted features and actual tool wear. The effectiveness of proposed predictive model and corresponding tool wear monitoring system is demonstrated by experimental results from broaching trials.     

一种在线监测铣刀磨损量的新方法

提出了一种在线监测铣刀磨损量的新方法,该方法利用B样条神经网络建立不同刀具磨损状态下加工参数与切削力之间的映射关系。通过比较实时采集的切削力与不同刀具磨损值对应的切削力大小,可确定刀具的磨损状态,并利用建立的简化模型计算刀具的精确磨损值。试验结果表明,该方法消除了加工参数变化对特征的影响,简化了特征选取的方法,能够适应外部加工环境的变化,完全满足刀具状态监测系统的实用化需求。     

Survival life analysis applied to tool life estimation with variable cutting conditions when machining titanium metal matrix composites (Ti-MMCs)

A survival analysis methodology is employed through a novel approach to model the progressive states of tool wear under different cutting conditions during machining of titanium metal matrix composites (Ti-MMCs). A proportional hazards model (PHM) with a Weilbull baseline is developed to estimate the reliability and hazard functions of the cutting inserts. A proper criterion is assigned to each state of tool wear and used to calculate the tool life at the end of each state. Accounting for the machining time and different stages of tool wear, in addition to the effect of cutting parameters, an accurate model is proposed. Investigating the results obtained for different states, it was shown that the evolution of the time-dependent phenomena, such as different tool wear mechanisms, throughout the whole machining process were also reflected in the model. The accuracy and reliability of the predicted tool lives were experimentally validated. The results showed that the model gives very good estimates of tool life and the critical points at which changes of states take place.     

切削用量对铣削非标内螺纹刀具磨损的影响

与传统螺纹加工方法相比,铣削螺纹不仅具有较高的加工精度和加工效率,而且不受螺纹结构的制约,可较为自由地选取合理的加工参数。应用DEFORM-3D软件对铣削非标内螺纹刀具磨损进行仿真,运用正交仿真试验研究切削速度、最大切削厚度和径向切削深度等切削用量对刀具磨损的影响,并对加工参数进行了优化。结果表明:切削刃圆角处刀具磨损最严重,在研究范围内,径向切削深度对刀具磨损的影响最大。     

[设备健康管理]基于机床信息的加工过程刀具磨损状态在线监测

为实现刀具磨损状态的在线监测,提高监测系统的实用性,提出一种基于机床信息的加工过程刀具磨损状态在线监测方法。采用OPC UA通信技术在线采集与存储数控机床信息,得到与磨损相关的机床内部过程信息,并基于这类信息与相应的刀具磨损信息,利用卷积神经网络建立了刀具磨损状态识别模型。应用案例证明了该方法的监测性能,与其他传统监测方法相比,该方法更适用于实际的生产加工。