一种基于MES的刀具磨损检测方法及其系统技术方案

本发明专利技术公开了一种基于MES的刀具磨损检测方法及其系统。本发明专利技术包括建立刀具磨损信号分析与特征值模块，通过具的磨损过程及磨钝的标准，分析影响刀具寿命因素，并根据本发明专利技术中的数据分析数据的类别，采集形式，数据的总量与加工的次数，在通过本发明专利技术选择的特征种类，同时处理本发明专利技术的数据，为后续建模做准备。本发明专利技术建立基于深度残差网络的刀具磨损状态监测系统，用于实时监测数控机床及其辅助设备的运行状态，构建基于深度残差网络的刀具磨损量监测，实时监测刀具在加工过程中的磨损值，设置阈值报警机制，以制造执行系统进行信息交互，确保刀具达到寿命后准确更换刀具。确保刀具达到寿命后准确更换刀具。确保刀具达到寿命后准确更换刀具。

【技术实现步骤摘要】
一种基于MES的刀具磨损检测方法及其系统


[0001]本专利技术涉及刀具检测
，具体为一种基于MES的刀具磨损检测方法及其系统。

技术介绍

[0002]高精度零部件加工主要依赖数控机床。生产航空飞机、航天火箭、船舶、汽车、重型机械等高 精度零部件生产中，数控机床都是不可或缺的设备，其先进性代表着一个国家的工业发展水平。而所 有机床都需要刀具这个耗件。作为切削工具，在加工过程中会经受高温高压、扭曲受力、振动和冲击 等复杂工况，化学反应及外部物理冲击会造成其切削刃随着加工时间的增加而不断磨损。对于不规范 操作或者刀具质量存在问题等外部因素，还会造成崩刀、断刀等危害。
[0003]以前，依靠工人经验对刀具进行检测是主要的方法。但是，在数控机床加工时代，大批量的加 工环境只能通过计件更换刀具，或者通过计时更换刀具。但是这些方法都有一定的缺陷性，首先，人 工判断的准确性主要依靠工人经验的丰富程度；其次，按计件及计时换刀的方式往往无法充分利用刀 具的使用寿命。如果在寿命远未到达之前更换刀具，会造成企业生产成本的增加，另一方面，更换刀 具不及时又会造成产品质量的下降。

技术实现思路

[0004]本专利技术的目的在于提供一种基于MES的刀具磨损检测方法，以解决上述
技术介绍
中提出的问题: 如果在寿命远未到达之前更换刀具，会造成企业生产成本的增加，如果更换刀具不及时又会造成产品 质量的下降。
[0005]为实现上述目的，本专利技术提供如下技术方案。
[0006]一种基于MES的刀具磨损检测方法，步骤如下：
[0007]S1：建立刀具磨损信号分析与特征值模块；
[0008]S2:建立基于强噪声下深度残差收缩网络的刀具磨损状态识别模块，将对深度残差网络进行优化， 在模型中加入软阈值化函数，构建基于软阈值化的深度残差收缩网络，让深度训练模型在处理数据时 自适应去掉信号中的噪声成分，根据对信号加入不同信噪比的噪声，依次建立卷积神经网络、深度残 差网络对比算法，训练不同信噪比噪声信号下的深度训练模型，通过分析不同模型在刀具状态分类任 务中分类的准确性判断模型是否具有去噪的能力；
[0009]S3:建立多传感器融合下深度残差网络在刀具磨损值监测模块，通过实验分析各类传感器在刀具 监测有的有效性与精确性，其次，利用基于深度神经网络的方法融合多个传感器的特征，以融合特征 再进行深度残差网络模型的构建，对比不同传感器融合后的监测结果，同时对比单一传感器下的监测 结果，以此说明多传感器共同监测刀具磨损值在应用中的有效性。
[0010]进一步地，其中，所述刀具磨损信号分析与特征值模块包括：
[0011]了解刀具的属性、磨损方式、磨损形成原因的刀具磨损机理、刀具磨损监测实验和特征值分析；
[0012]所述刀具磨损机理包括刀具的磨损形式和刀具磨损过程。
[0013]进一步地，所述刀具的磨损形式为刀具正常磨损的主要有摩擦造成的磨损，高温造成金属相变， 从而改变金属硬度导致刀具磨损；刀具磨损过程为刀具的磨损阶段可大致分为三个磨损阶段：磨损的 早期，中期和晚期；
[0014]其中，特征值分析包括时域特征分析、域特征分析和时频域特征分析。
[0015]进一步地，其中，所述基于强噪声下深度残差收缩网络的刀具磨损状态识别模块为基于软阈值 化深度残差收缩网络的刀具磨损状态识别方法；
[0016]所述基于软阈值化深度残差收缩网络的刀具磨损状态识别方法包括软阈值化、深度残差收缩网 络基本模块和深度残差收缩网络结构。
[0017]进一步地，其中，所述软阈值化的计算公式如下：
[0018][0019]公式中sign(x)函数为取符号函数，公式如下：
[0020][0021]所述深度残差收缩网络基本模块含有两个卷尺层，每次卷积操作输入数据先进行批标准化处理， 后经过激活函数激活后输入卷积层；
[0022]所述深度残差收缩网络结构，模型以时域、频域、小波包能量组合特征矩阵作为模型的输入。
[0023]进一步地，所述基于软阈值化深度残差收缩网络的刀具磨损状态识别方法还包括基于强噪声条 件下深度残差收缩网络的刀具磨损状态识别流程。
[0024]进一步地，所述基于强噪声条件下深度残差收缩网络的刀具磨损状态识别流程的诊断流程如下：
[0025]数据预处理：通过S2步骤中特征分析提取本专利技术所需特征；
[0026]定义深度残差收缩网络超参数：在神经网络测试实验阶段，通过不断实验调整神经网络结构， 根据实验效果及需求调整卷积层的卷积核个数及大小，设置批处理化参数及池化尺寸；
[0027]深度残差收缩网络的测试：以5折交叉实验的平均测试准确率作为模型的测试结果。
[0028]进一步地，所述多传感器融合下深度残差网络在刀具磨损值监测模块包括：
[0029]基于ResNet模型的刀具磨损值监测方法：通过ResNet模型结构进行检测，同时通过模型中的初 始卷积层和池化层使得数据经过残差块处理完后经过一个全局平均池化操作，后输入回归层进行刀具 磨损值回归分析，回归层使用完全连接的两层神经网络，最后输出刀具磨损监测值。
[0030]一种基于MES的刀具磨损检测方法的系统，用于上述任意一种所述一种基于MES的刀具磨损检 测方法，所述系统包括刀具磨损检测系统包括数据采集模块、数据预处理与特征提取模块、刀具磨损 状态识别与磨损量预测模块和刀具寿命可视化管理模块；
[0031]所述数据采集模块包括设备通信配置、数据采集、数据库管理；
[0032]所述数据预处理与特征提取模块包括数据清洗、特征提取和特征融合
[0033]所述刀具磨损状态识别与磨损量预测模块包括磨损状态评估和磨损值实时预测
[0034]所述刀具寿命可视化管理模块包括机床及刀具工作状态、刀具加工时间统计、磨损值预测实时 分析和刀具换刀预警。
[0035]与现有技术相比，本专利技术的有益效果是：
[0036]1、本专利技术通过对振动传感器、力传感器及声发射传感器进行建模，以刀刃磨损最大值作为监测 目标进行监督训练，通过对三类传感器进行分别建模的分析中，振动传感器及力传感器信号能够很好 的监测刀具的磨损值，监测精度能够到达99％；
[0037]2、本专利技术采用深度残差收缩网络进行强噪声环境下刀具磨损状态的识别，并通过多个传感器的 融合特征作为训练数据，为了确保深度残差收缩网络能有效的在强噪声环境下识别刀具磨损状态，本 专利技术除了对原始信号进行建模外，还分分别向原始信号中加入不同信噪比的噪声，制作对照训练集， 以卷积神经网络、深度残差网络作为对比模型，分别用包含不同噪声的特征向量训练这三个模型，对 比统一噪声强度下，各模型的识别准确率；
[0038]3、本专利技术采用三种融合对比实验，融合3个振动传感器，3个力传感器及全部7个传感器，通 过实验结果对比分析得出，振动传感器融合特征与力传感器融合特征在刀具磨损监测中的精度相较于 单一振动、力传感器本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于MES的刀具磨损检测方法，其特征在于，步骤如下：S1：建立刀具磨损信号分析与特征值模块；S2:建立基于强噪声下深度残差收缩网络的刀具磨损状态识别模块，对深度残差网络进行优化，在模型中加入软阈值化函数，构建基于软阈值化的深度残差收缩网络，让深度训练模型在处理数据时自适应去掉信号中的噪声成分，根据对信号加入不同信噪比的噪声，依次建立卷积神经网络、深度残差网络对比算法，训练不同信噪比噪声信号下的深度训练模型，通过分析不同模型在刀具状态分类任务中分类的准确性判断模型是否具有去噪的能力；S3:建立多传感器融合下深度残差网络在刀具磨损值监测模块，通过实验分析各类传感器在刀具监测有的有效性与精确性，其次，利用基于深度神经网络的方法融合多个传感器的特征，以融合特征再进行深度残差网络模型的构建，对比不同传感器融合后的监测结果，同时对比单一传感器下的监测结果，以此说明多传感器共同监测刀具磨损值在应用中的有效性。2.根据权利要求1所述的一种基于MES的刀具磨损检测方法，其特征在于，其中，所述刀具磨损信号分析与特征值模块包括以下功能：了解刀具的属性、磨损方式、磨损形成原因的刀具磨损机理、刀具磨损监测实验和特征值分析；所述刀具磨损机理包括刀具的磨损形式和刀具磨损过程。3.根据权利要求2所述的一种基于MES的刀具磨损检测方法，其特征在于，所述刀具的磨损形式为刀具正常磨损的主要有摩擦造成的磨损，高温造成金属相变，从而改变金属硬度导致刀具磨损；刀具磨损过程为刀具的磨损阶段可大致分为三个磨损阶段：磨损的早期，中期和晚期；其中，特征值分析包括时域特征分析、域特征分析和时频域特征分析。4.根据权利要求1所述的一种基于MES的刀具磨损检测方法，其特征在于，其中，所述基于强噪声下深度残差收缩网络的刀具磨损状态识别模块为基于软阈值化深度残差收缩网络的刀具磨损状态识别方法；所述基于软阈值化深度残差收缩网络的刀具磨损状态识别方法包括软阈值化、深度残差收缩网络基本模块和深度残差收缩网络结构。5.根据权利要求4所述的一种基于MES的刀具磨损检测方法，其特征在于，其中，所述软阈值化的计算公式如下：公式中sign(x)函数...

【专利技术属性】
技术研发人员：董绍江，刘娟，方鹏，
申请(专利权)人：重庆文高科技有限公司，
类型：发明
国别省市：