基于并行深度神经网络的数控机床刀具磨损状态预测方法技术

本发明专利技术公开了一种基于并行深度神经网络的数控机床刀具磨损状态预测方法。在数控机床工作台及夹具上安装测力计、加速度传感器和声传感器；进行铣削加工实验，采集铣削加工过程的切削力、振动和声信号，得到多传感器数据，并采集刀具的磨损量；预处理得到训练数据和待测试数据；建立并行深度神经网络模型；将处理好的训练数据及刀具磨损量标签输入到并行深度神经网络中离线训练模型；将待测试多传感器数据传入训练好的模型中，在线实时预测刀具的磨损量。本发明专利技术方法充分挖掘了数控机床刀具加工过程的隐含特征，可以对刀具磨损量进行实时预测。且该方法适用性广泛，可以广泛应用于各种数控机床中。

Tool Wear Prediction Method of CNC Machine Tool Based on Parallel Depth Neural Network

The invention discloses a method for predicting tool wear state of CNC machine tools based on parallel depth neural network. Installation of dynamometer, acceleration sensor and acoustic sensor on workbench and fixture of NC machine tool; milling experiment, acquisition of cutting force, vibration and acoustic signals in milling process, acquisition of multi-sensor data, and collection of tool wear; pre-processing of training data and data to be tested; establishment of parallel depth neural network model; processing of training data; The tool wear label is input into the off-line training model of the parallel depth neural network, and the multi-sensor data to be tested is transferred into the training model to predict the tool wear on-line and in real time. The method of the invention fully excavates the implicit characteristics of the cutting tool processing process of the numerical control machine tool, and can predict the tool wear in real time. The method has wide applicability and can be widely used in various CNC machine tools.

【技术实现步骤摘要】
基于并行深度神经网络的数控机床刀具磨损状态预测方法
本专利技术涉及了一种数控机床加工刀具磨损状态预测方法，特别涉及了一种基于并行神经网络的数控机床刀具磨损状态预测方法，属于数控加工刀具磨损状态预测领域。
技术介绍
在数控机床加工零件的过程中，刀具的使用状态对加工质量有着至关重要的影响。经过严重磨损的刀具会导致零件加工精度差，严重时甚至会导致工件报废，进而大大增加加工成本，影响工期。因此，对刀具磨损量进行预测是非常紧迫且有意义的。通常情况下，刀具磨损量难以直接测量，需要用到较为精密的仪器和复杂的测量方式，因此，采用间接预测方法已经成为一种常用的方法。通常，加工过程中的振动、切削力和声音信号中隐藏着刀具磨损的相关信息，因此被用于监控或者预测刀具的磨损状态。目前，刀具磨损状态的预测方法大都属于基于数据驱动的预测方法。基于数据驱动的方法主要在于构建预测模型，对加工过程中的运行数据进行挖掘，得到运行数据与刀具磨损之间的隐含联系，进而实现预测。常用的模型包括支持向量机、隐马尔可夫模型、卷积神经网络、BP神经网络、长短期记忆网络和门控循环单元等。卷积神经网络最初被提出的时候是用于处理图片相关的工作本文档来自技高网...

【技术保护点】
1.一种基于并行深度神经网络的数控机床刀具磨损状态预测方法，其特征在于，包括以下步骤：S1.在数控机床工作台夹具及工件上安装三分量测力计、加速度传感器和声传感器；S2.通过刀具对工件进行铣削加工操作，通过传感器采集三种不同传感器融合的加工测量数据；S3.对原始测量数据进行特定预处理，得到具有刀具磨损量标签的训练数据和待测试数据；S4.建立基于卷积神经网络和双向门控循环单元记忆网络的并行深度神经网络模型；S5.针对具有刀具磨损量标签的训练数据与其刀具磨损量标签输入到并行深度神经网络模型中，离线训练并行深度神经网络模型；S6.针对数控机床需要预测的未知刀具磨损量标签的待测试数据输入到训练好的并行深...

【技术特征摘要】
1.一种基于并行深度神经网络的数控机床刀具磨损状态预测方法，其特征在于，包括以下步骤：S1.在数控机床工作台夹具及工件上安装三分量测力计、加速度传感器和声传感器；S2.通过刀具对工件进行铣削加工操作，通过传感器采集三种不同传感器融合的加工测量数据；S3.对原始测量数据进行特定预处理，得到具有刀具磨损量标签的训练数据和待测试数据；S4.建立基于卷积神经网络和双向门控循环单元记忆网络的并行深度神经网络模型；S5.针对具有刀具磨损量标签的训练数据与其刀具磨损量标签输入到并行深度神经网络模型中，离线训练并行深度神经网络模型；S6.针对数控机床需要预测的未知刀具磨损量标签的待测试数据输入到训练好的并行深度神经网络模型中，在线处理得到数据数控机床刀具的磨损量预测值。2.根据权利要求1所述的一种基于并行深度神经网络的数控机床刀具磨损状态预测方法，其特征在于：所述步骤S1中，将三分量测力计(9)安装在工件(7)和夹具(8)之间，将三个加速度传感器(4、5、6)分别嵌装在工件(9)的三个方向上，声传感器(10)嵌装在夹具(8)上。3.根据权利要求1所述的一种基于并行深度神经网络的数控机床刀具磨损状态预测方法，其特征在于：所述步骤S2中，对工件进行铣削加工实验，通过S1中安装的传感器得到铣削过程中的加工测量数据，包括切削力、振动信号和声信号。4.根据权利要求1所述的一种基于并行深度神经网络的数控机床刀具磨损状态预测方法，其特征在于：所述步骤S3具体如下：S31.将单个铣削加工操作过程收集的7种加工测量数据沿时间方向按时间方向均分为L份，提取每份数据的平均值和最大值组成新的长度为L、宽度为14的序列数据；将得到的序列数据作为一个时间窗口长度为L、宽度为14的时间窗口数据样本，对于K个铣削加工操作则有K个长度为L、宽度为14的时间窗口数据；S32.对得到的时间窗口数据沿时间轴上进行数据统一的归一化，采用最大-最小归一化方法，将数据均归一至[-1,1]区间内；S33.每个铣削操作后测量刀具的磨损量，并将磨损量作为训练...

【专利技术属性】
技术研发人员：刘振宇，刘惠，郏维强，张栋豪，谭建荣，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33