一种多传感器信息融合的砂带磨损检测方法技术

本发明专利技术一种多传感器信息融合的砂带磨损检测方法，属于磨削加工领域；该方法具体步骤为：首先定义砂带磨损因数，搭建磨削平台，设置多组磨削用量并采集各类传感器信号；然后对采集到的原始传感器信号进行初步处理；再对初步处理后的信号进行裁剪处理；训练深度卷积神经网络模型；最后获取实际磨削中砂带磨损传感器信号，输入磨削用量编号，调用相应模型来判断对应的砂带磨损状态并输出砂带使用时间、剩余寿命和磨损因数等。本发明专利技术提出了多个深度卷积神经网络模型相互配合的方法，提高了模型的准确度，从而可以输出更为准确的砂带磨损信息。从而可以输出更为准确的砂带磨损信息。从而可以输出更为准确的砂带磨损信息。

【技术实现步骤摘要】
一种多传感器信息融合的砂带磨损检测方法


[0001]本专利技术属于磨削加工领域，具体涉及一种多传感器信息融合的砂带磨损检测方法。

技术介绍

[0002]磨削一般作为机械加工的最后一道工序，可以有效的消除前面工序产生的加工缺陷，提高产品表面质量。磨削过程复杂，影响磨削质量的因素众多，其中磨具磨损影响尤为突出。磨具磨损状态受磨具类型、磨削对象、使用时间以及工艺参数等因素影响，是一个典型的时变、多因素耦合过程，因而磨损状态检测困难。现有磨削过程中，主要依赖人工经验，通过人眼观察磨具状态或者记录使用时间的方式进行磨具状态判断，容易导致过早或不及时的磨具更换，降低抛光效率，甚至造成工件损坏，提高加工成本。因而如何有效进行磨具磨损状态检测，对于保证磨削质量，实现磨削加工智能化具有重要的理论意义与工程应用价值。
[0003]人们开展了对工具的磨损过程和磨损状态的许多研究，提出了多种检测方法。按照是否对工具本身进行测量分为直接法和间接法，直接法对工具本体进行测量，一般是通过视觉取相或接触的方法测量工具表面的形貌和几何尺寸来获得工具的磨损状态，甚至采用称重的方法来检测砂轮等硬质磨削工具的磨损状态。间接法是指基于对磨损密切相关的传感器信号的监测，构建监测信号与工具磨损状态的模型以间接获取当前磨损状态，常使用的传感器信号有力信号、振动信号、声发射信号、功率信号和声音信号等。这种方法不干涉正常的磨削过程，检测时不需要停机，可以满足实时监测的要求。但是在砂带磨削领域，砂带作为柔性抛光工具，结构尺寸微小，砂带结构与砂轮等硬质抛光工具不同，难以使用数字量表征磨损程度，因此许多直接检测方法如称重等不适用于砂带磨损检测。而对于间接法，目前使用的监测信号类型较少，且每种信号对砂带磨损的响应程度不明确，模型的搭建需要大量的信号数据支持，对模型的准确度要求较高。所以到目前为止依然没有一种较为成熟的砂带磨损检测方法。

技术实现思路

[0004]要解决的技术问题：
[0005]为了避免现有技术的不足之处，实时检测砂带的磨损状态，避免砂带欠用造成的砂带频繁更换以及砂带过用造成的工件破坏等问题，本专利技术提出一种多传感器信息融合的砂带磨损检测方法，采集磨削过程中力信号、振动信号和声音信号等传感器信号，训练深度学习模型对磨损状态进行识别的砂带磨损检测方法，可以快速的对砂带磨损状况进行测量，获得准确的砂带磨损信息。
[0006]本专利技术的技术方案是：一种多传感器信息融合的砂带磨损检测方法，其特征在于具体步骤如下：
[0007]步骤一：首先，通过以下公式定义砂带磨损因数k
t
：
[0008][0009]其中，C
a
为砂带初始磨损常数，h为去除深度，F
n
为法向力，V
r
为砂带与工件相对速度；将全新砂带磨损因数设定为k
t
＝1，由全新砂带初次驻留磨削的去除深度h标定砂带初始磨损常数C
a
；
[0010]然后，搭建磨削平台，设置多组磨削用量并采集各类传感器信号；
[0011]步骤二：对步骤一采集到的原始传感器信号进行初步处理，得到零点对齐的信号；
[0012]步骤三：对步骤二初步处理后的信号进行裁剪处理，得到深度卷积神经网络训练所需的训练集和测试集；
[0013]步骤四：采用多个卷积神经网络模型配合的磨损状态识别方法，训练步骤三的训练集和测试集得到深度卷积神经网络模型，用以判断采用的磨削用量；再训练针对各个磨削用量的深度卷积神经网络模型，用以判断砂带的磨损程度；
[0014]步骤五：获取实际磨削中砂带磨损传感器信号，信号输入磨削用量识别的卷积神经网络模型中判断所用的磨削用量编号，调用相应的的深度卷积神经网络模型判断该信号对应的砂带磨损状态并输出砂带使用时间、剩余寿命和磨损因数。
[0015]本专利技术的进一步技术方案是：所述步骤一中利用力传感器、振动传感器和声音传感器来采集工件磨削过程中与砂带磨损密切相关的各类传感器信号，分别为力信号、振动信号和声音信号；在每组磨削用量下，一个砂带磨损因数对应该段磨削时间采集到的一组原始传感器信号。
[0016]本专利技术的进一步技术方案是：所述步骤二初步处理方法为：
[0017](1)从步骤一所采集的原始信号中截取出磨削段信号；所述原始信号包括磨削段和怠速非磨削段；
[0018](2)对截取出的磨削段信号进行低通滤波，减小噪声对信号的干扰；
[0019](3)对信号的零点进行标定，实现零点对齐，减少由于信号传播介质带来的延时误差。
[0020]本专利技术的进一步技术方案是：所述步骤三中，将每个信号裁剪为若干个小信号，随机划分入训练集和测试集，其中训练集占总数据集的80％，测试集占20％。
[0021]本专利技术的进一步技术方案是：所述步骤四中，多个卷积神经网络模型是指两个卷积神经网络模型，分别为用于对输入信号做作16种磨削用量判断的卷积神经网络模型和用于对14种磨损状态判断的卷积神经网络模型。
[0022]有益效果
[0023]本专利技术的有益效果在于：
[0024]1.本专利技术针对变磨削参数下砂带磨损状态的检测，采用深度卷积神经网络模型，与传统机器学习方法相比，不需要提取信号特征值，训练过程不受主观因素干扰；提出了多个深度卷积神经网络模型相互配合的方法，提高了模型的准确度，从而可以输出更为准确的砂带磨损信息。
[0025]2.方法采用的传感器包括力传感器、振动传感器和声音传感器等，易安装且采集效果稳定，通过考虑信号传播延时的影响，提高并保证了信号的准确度。
附图说明
[0026]图1为本专利技术多传感器信息融合砂带磨损状态方法流程图；
[0027]图2为本专利技术方法以力传感器和振动传感器采集磨削过程信号的示意图；
[0028]图3为本专利技术方法实施例采集的三个方向力信号和振动信号示意图；
[0029]图4为本专利技术方法实施例采集的声音信号滤波前后波形图；
[0030]图5为本专利技术方法实施例模型结构示意图；
[0031]图6为本专利技术方法实施例模型训练过程示意图；
[0032]图7为本专利技术方法实施例模型配合识别磨损状态过程示意图。
具体实施方式
[0033]下面通过参考附图描述的实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。
[0034]参照图1至图7。本专利技术以力传感器、振动传感器和声音传感器为例,采用工业机器人砂带机磨削平台,砂带选择3M金字塔形砂带,工件材料为TC4,尺寸为230mm
×
150mm
×
11mm,来说明基于多传感器信息融合的砂带磨损检测方法的数据采集、处理、模型搭建和磨损识别的具体步骤。
[0035]步骤一：原始传感器数据的采集。
[0036]将测力平台安装到磨削工作台上，利用压板和垫块组成夹具将工件材料固定在测力台上，振动传感器安装在工件侧面，声音传本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多传感器信息融合的砂带磨损检测方法，其特征在于具体步骤如下：步骤一：首先，通过以下公式定义砂带磨损因数k
t
：其中，C
a
为砂带初始磨损常数，h为去除深度，F
n
为法向力，V
r
为砂带与工件相对速度；将全新砂带磨损因数设定为k
t
＝1，由全新砂带初次驻留磨削的去除深度h标定砂带初始磨损常数C
a
；然后，搭建磨削平台，设置多组磨削用量并采集各类传感器信号；步骤二：对步骤一采集到的原始传感器信号进行初步处理，得到零点对齐的信号；步骤三：对步骤二初步处理后的信号进行裁剪处理，得到深度卷积神经网络训练所需的训练集和测试集；步骤四：采用多个卷积神经网络模型配合的磨损状态识别方法，训练步骤三的训练集和测试集得到深度卷积神经网络模型，用以判断采用的磨削用量；再训练针对各个磨削用量的深度卷积神经网络模型，用以判断砂带的磨损程度；步骤五：获取实际磨削中砂带磨损传感器信号，信号输入磨削用量识别的卷积神经网络模型中判断所用的磨削用量编号，调用相应的的深度卷积神经网络模型判断该信号对应的砂带磨损状态并输出砂带使用时...

【专利技术属性】
技术研发人员：齐俊德，陈冰，李山，陶志健，张香月，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：