【技术实现步骤摘要】
基于残差卷积神经网络的刀具磨损量的建模和监测方法
本专利技术属于机床加工的
，涉及到刀具磨损量建模及监测问题，具体为一种基于残差卷积神经网络的刀具磨损量的建模和监测方法。
技术介绍
在机床加工过程中，机床在加工零件的过程中，刀具会由于切削刃发生磨损破损失去其切削能力，刀具的磨损量对于刀具的剩余寿命和工件表面的成形起着非常重要的作用；基于已知的知识，刀具的状态监督可以使用传感器方法间接的监测。而随着工业界对加工精度和自动化的要求不断提高，智能制造这一概念在工业中的应用越来越广泛，而刀具磨损量预测成为了智能制造面临的一个巨大挑战。在传统切削加工过程中，目前在工厂中只能依靠加工人员通过切削声音、切屑颜色、切削时间等来判断。这种判断方法主观性较强，所以不可避免的存在两个问题：1.如果刀具磨损量尚未达到磨钝标准却被卸下，则不能充分利用刀具而带来浪费，增加加工成本。例如，仅仅一个航空企业的数控加工车间，每年的刀具消耗可达几千万元。就全国来说，刀具使用时间每提高一个百分点都会带来极为可观的经济效益。2.而如果刀具已经发生磨损或破损而没有更换刀具，则会影响加工表面质量和尺寸...
【技术保护点】
1.一种基于残差卷积神经网络的刀具磨损量的建模和监测方法，其特征在于：包括以下步骤：步骤1：设置传感器：采用三轴力传感器、三轴加速度传感器以及声发射传感器；其中力和加速度传感器都放置于工件或者夹具上，声发射传感器紧贴工件侧面；三轴力传感器检测加工时三轴振动力信号并转换为电信号；三轴加速度传感器检测加工时工件在三个方向上的加速度并转换成电信号，声发射传感器接收加工过程中工件表面的应力波信息，并将其转换为电信号；所有传感器的采样频率相同；步骤2：获取加工信号和形成样本：采用多刃刀具切削工件并且收集加工时候的三轴力、三轴加速度和声发射传感器各自采集的共7个信号；在多刃刀具切削工件...
【技术特征摘要】
1.一种基于残差卷积神经网络的刀具磨损量的建模和监测方法，其特征在于：包括以下步骤：步骤1：设置传感器：采用三轴力传感器、三轴加速度传感器以及声发射传感器；其中力和加速度传感器都放置于工件或者夹具上，声发射传感器紧贴工件侧面；三轴力传感器检测加工时三轴振动力信号并转换为电信号；三轴加速度传感器检测加工时工件在三个方向上的加速度并转换成电信号，声发射传感器接收加工过程中工件表面的应力波信息，并将其转换为电信号；所有传感器的采样频率相同；步骤2：获取加工信号和形成样本：采用多刃刀具切削工件并且收集加工时候的三轴力、三轴加速度和声发射传感器各自采集的共7个信号；在多刃刀具切削工件的过程中，每次走刀沿设定方向切削相同的距离，记为一个切削行程；刀具切削行程结束之后记录刀具每个切削刀刃的后刀面磨损量，共测量N个行程中每个切削刀刃所分别对应的后刀面磨损量；将每个行程内所采集的7个信号分别经过对应的降采样转换为大小为f的7个一维张量，再将7个大小为f的一维信号张量合并为一个形式为[f，7]的张量；合并N个行程所对应的张量为[N，f，7]的张量；使用一维离散小波变换对合并后的七维信号张量进行对称小波变换，将七维信号张量分解为两层高频和一层低频信号分量，形式应为[N，f′，7]，其中f′代表不同层信号分量的采样频率；将三个不同频段分解出来的信号张量按采样频率的维度连接起来，其他维度不变，以此作为残差卷积神经网络模型的输入，该输入形状为[N，F，7]，其中F为三层信号张量的采样频率的累加和F＝∑f′；对于之前N个行程中测量的每个切削刀刃所分别对应的后刀面磨损量，按照对应关系构建一个[N，m]的张量，作为之后残差卷积神经网络模型进行监督式学习的标签，其中m为多刃刀具的切削刀刃数；步骤3：搭建残差卷积神经网络模型：所述残差卷积神经网络模型由对模型输入进行信号去噪的输入块、若干残差块和输出块组成；输入块中包括卷积层、样本规范层和ReLu激活层；每个残差块中含有两个分支，分别为主路和支路，主路包含卷积层、样本规范层、ReLu激活层以及Dropout层；支路只具有一个最大池化层；输入残差块的张量分别通过主路和支路之后，两个张量相加，形成一个残差块的输出；多个残差块使用多层感知机的方法进行重复的堆叠...
【专利技术属性】
技术研发人员：莫蓉，张纪铎，孙惠斌，曹大理，潘军林，杜海雷，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西,61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。