基于新型胶囊网络的刀具破损监测系统及方法技术方案

本发明专利技术公开了基于新型胶囊网络的刀具破损监测系统及方法，包括信号采集模块、数据处理模块、新型胶囊网络模型、胶囊网络层和分类层，监测方法包括步骤一，数据获取和预处理；步骤二，搭建新型胶囊网络模型；步骤三，模型训练；步骤四，模型测试；本发明专利技术相较于现有的刀具监测系统，通过采集振动信号和声发射信号来表征刀具的状态，以此构建新型胶囊网络，实现了刀具在不同切削参数下是否发生细微崩刃的有效识别，实现了刀具破损状态的实时监测，可以更加全面反映刀具的状态，有效地提升模型的泛化能力和监测准确性，本发明专利技术具有网络模型端到端、识别准确率高的优点，可实现精准监测刀具是否破损，保证加工质量。保证加工质量。保证加工质量。

【技术实现步骤摘要】
基于新型胶囊网络的刀具破损监测系统及方法


[0001]本专利技术涉及车削加工
，具体为基于新型胶囊网络的刀具破损监测系统及方法。

技术介绍

[0002]随着加工零件产品样式的复杂化以及所用材料硬度的提高，导致刀具失效的频率要高于传统产品；在加工过程中由于切削材料的组织和硬度不均匀、加工系统产生不良振动或是刀具刃磨质量欠佳均易造成切削刃微崩，但是当刀具发生细微崩刃时并不会引起较大的加工噪声变化，因此不易被察觉；一旦出现这种情况后刀具的切削能力会下降，虽能够继续切削工作但会大幅降低工件的表面质量，若未及时发现则会导致刀具的刃损部分迅速扩大使刀具完全丧失切削能力，造成生产线的停工；因此及时有效地监测切削刃的破损状态对提示工艺系统服役能力、减少质量损失具有重要的意义；
[0003]现有的刀具破损监测技术，是在生产线停工后通过监测装置的触头与刀具间的接触或者非接触式激光束监测进行判断刀具的状态，但考虑到加工现场的可操作性以传感器信号来反映刀具切削刃的变化更为常用，常用信号有切削力信号、振动信号、声发射信号、主轴功率信号以及电流信号；由于加工过程中的信号噪声含量较高，需采用信号处理技术提取有效特征来表征刀具状态；最常用的是根据加工动态信号的特性，从时域、频域以及时频域分析提取有效特征来表征刀具的变化，例如Li在时域中分析电流信号均值的变化来跟踪铣刀的状态，从而达到监测的目的，Sun依据声发射信号的特定频率分量特征来判断刀具的破损状态，Guo和Wang则将信号模态分解到不同频带分量中提取其时频域中的能量特征来监测铣刀的破损状态，Akbari则通过时频域特征研究主轴电流信号的谐波畸变，发现峰值和均方差能够及时反映刀具的状态；通常表征刀具变化的相关特征是根据加工过程和失效机制来定义的，而特征的选择则是影响模型预测精度的关键因素，因此针对不同的加工过程想要保证后续模型预测的精度，不仅需要依靠丰富的专家经验来提取特征同时也要花费大量的时间；
[0004]随着深度学习方法的不断发展，神经网络在特征提取和异常监测方面的性能不断提高，被广泛应用于刀具状态监测研究中，也取得了相应的成果；在神经网络中CNN因其较强的特征提取能力被广泛应用于刀具状态监测领域，Duroa等通过搭建声发射传感器框架以采集过程数据，使用CNN拟合刀具失效的过程来增强刀具状态监测系统的可靠性；Li等在主轴电流信号时域分析的基础上通过CNN学习刀具在加工过程中的失效过程，达到预测刀具破损的目的；Ambadekar等基于DCNN提取刀具的侧面磨损特征，在线监测刀具状态；以往的研究人员在利用CNN模型监测刀具状态时，通常采用传统CNN结构，即构造二维数据样本和二维卷积核提取刀具特征；受此启发，Antic将提取到的振动信号经短时傅里叶变换为频谱图，再经过CNN学习频谱图中的磨损特征，也取得了较好的监测效果；
[0005]但想要通过CNN有效提取复杂数据中刀具破损的相关特征，往往需要大量不同工况下的样本数据训练模型，才能准确得到不同状态下的特征分布；以往研究中作者对数据
集的构建仅限于采集单一切削参数下的加工数据，然而单一的工况不能够全面反映机械加工中的复杂工况，因此造成模型的泛化能力差和监测准确性差的结果。

技术实现思路

[0006]本专利技术的目的在于提供基于新型胶囊网络的刀具破损监测系统及方法，以解决上述
技术介绍
中提出的问题。
[0007]为实现上述目的，本专利技术提供如下技术方案：基于新型胶囊网络的刀具破损监测系统，包括信号采集模块、数据处理模块和新型胶囊网络模型，所述信号采集模块与数据处理模块建立数据连接，数据处理模块与新型胶囊网络模型建立数据连接。
[0008]优选的，所述信号采集模块包括振动信号采集子模块和声发射信号采集子模块。
[0009]优选的，所述数据处理模块包括信号融合子模块、分段处理子模块和数据集划分子模块。
[0010]优选的，所述新型胶囊网络模型包括多尺度卷积层、批量归一化层、胶囊网络层和分类层，且多尺度卷积层的输出端通过批量归一化层与胶囊网络层建立数据连接，胶囊网络层的输出端与分类层建立数据连接。
[0011]优选的，所述多尺度卷积层包括宽核卷积层和小卷积核层。
[0012]优选的，所述胶囊网络层包括普通卷积层、主胶囊层和数字胶囊层。
[0013]基于新型胶囊网络的刀具破损监测系统的监测方法，包括步骤一，数据获取和预处理；步骤二，搭建新型胶囊网络模型；步骤三，模型训练；步骤四，模型测试；
[0014]其中上述步骤一中，采集数控机床车削加工过程中，正常和细微崩刃状态刀具，在不同切削参数的加工过程中所产生的振动信号和声发射信号；由信号采集模块进行采集，并将所采集到的信号输送给数据处理模块，数据处理模块去除进刀和退刀过程中的信号数据，取其平稳加工阶段的信号数据，然后将不同种类传感器信号融合后进行分割，得到多个等长度的时间序列样本；根据分割得到的多个样本数据根据对应的刀具状态贴上标签，并且将样本与标签组合成数据集，选取数据集的85％作为训练集，15％作为测试集；
[0015]其中上述步骤二中，构建多尺度卷积层、批量归一化层、胶囊网络层和分类层，完成新型胶囊网络模型的搭建；其中，批量归一化层即BN层，用以将数据的分布拉回一致；胶囊网络层用以将多尺度卷积层的标量输出胶囊化为向量；分类层对数字胶囊层中输出的预测向量求其二范数来表征不同刀具状态的概率，其公式为：
[0016]P
j
＝‖v
j
‖
[0017]其中，P
j
表示模型输出的概率值；
[0018]其中上述步骤三中，将上述步骤一中所得到的训练集输入到步骤二中所构建的新型胶囊网络模型中，利用Adam优化算法，采用的损失函数由间隔损失和重构损失结合来计算总损失，其表达式为：
[0019]L
j
＝T
j
max(0,m
+
‑
‖v
j
‖)2+λ(1
‑
T
j
)max(0,‖v
j
‖
‑
m
‑
)2[0020]其中，v
j
表示模型预测出的向量；‖v
j
‖代表模型输出的概率值，下标j表示刀具状态类别；T
j
为分类指示函数，当输入的样本类别与状态类别j为同一类别时T
j
＝1，否则T
j
＝0；m+为上边界，取固定值为0.9；m
‑
为下边界，取固定值为0.1；λ为比例系数，用来调整两项损失的比例，取值为0.5；在模型的整个训练过程中，使用批处理的方法分批训练样本，训练完成
后选择损失值最小，准确率最高的模型作为最终模型；
[0021]其中上述步骤四中，将上述步骤一中所得到的测试集输入到步骤三中所得到的最终模型中进行测试，预测刀具的状态。
[0022]优选的，所述步骤二中，多本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于新型胶囊网络的刀具破损监测系统，包括信号采集模块(1)、数据处理模块(2)和新型胶囊网络模型(3)，其特征在于：所述信号采集模块(1)与数据处理模块(2)建立数据连接，数据处理模块(2)与新型胶囊网络模型(3)建立数据连接。2.根据权利要求1所述的基于新型胶囊网络的刀具破损监测系统，其特征在于：所述信号采集模块(1)包括振动信号采集子模块(10)和声发射信号采集子模块(11)。3.根据权利要求1所述的基于新型胶囊网络的刀具破损监测系统，其特征在于：所述数据处理模块(2)包括信号融合子模块(20)、分段处理子模块(21)和数据集划分子模块(22)。4.根据权利要求1所述的基于新型胶囊网络的刀具破损监测系统，其特征在于：所述新型胶囊网络模型(3)包括多尺度卷积层(30)、批量归一化层(31)、胶囊网络层(32)和分类层(33)，且多尺度卷积层(30)的输出端通过批量归一化层(31)与胶囊网络层(32)建立数据连接，胶囊网络层(32)的输出端与分类层(33)建立数据连接。5.根据权利要求4所述的基于新型胶囊网络的刀具破损监测系统，其特征在于：所述多尺度卷积层(30)包括宽核卷积层(300)和小卷积核层(301)。6.根据权利要求4所述的基于新型胶囊网络的刀具破损监测系统，其特征在于：所述胶囊网络层(32)包括普通卷积层(320)、主胶囊层(321)和数字胶囊层(322)。7.基于新型胶囊网络的刀具破损监测系统的监测方法，包括步骤一，数据获取和预处理；步骤二，搭建新型胶囊网络模型；步骤三，模型训练；步骤四，模型测试；其特征在于：其中上述步骤一中，采集数控机床车削加工过程中，正常和细微崩刃状态刀具，在不同切削参数的加工过程中所产生的振动信号和声发射信号；由信号采集模块(1)进行采集，并将所采集到的信号输送给数据处理模块(2)，数据处理模块(2)去除进刀和退刀过程中的信号数据，取其平稳加工阶段的信号数据，然后将不同种类传感器信号融合后进行分割，得到多个等长度的时间序列样本；根据分割得到的多个样本数据根据对应的刀具状态贴上标签，并且将样本与标签组合成数据集，选取数据集的85％作为训练集，15％作为测试集；其中上述步骤二中，构建多尺度卷积层(30)、批量归一...

【专利技术属性】
技术研发人员：吴琪文，潘晓明，周学良，
申请(专利权)人：湖北汽车工业学院，
类型：发明
国别省市：