一种基于深度学习和声发射信号的电火花加工控制方法技术

本发明专利技术公开了一种基于深度学习和声发射信号的电火花加工控制方法，包括将声发射传感器分别安装在加工工件表面及机床本体上；启动数据采集卡同步采集两路声发射信号及工件与电极丝之间的电信号；利用深度学习模型建立声发射信号与电信号之间的关系，从而间接推理出电火花加工状态；根据该模型，实时调整加工工件进给速度，从而减少加工过程中非正常加工状态的占比，提高加工工艺。与传统的基于电信号的控制方法相比，本发明专利技术通过声发射信号，在保持高精度加工状态的识别下，降低采样设备的要求，提高控制的稳定性。提高控制的稳定性。提高控制的稳定性。

【技术实现步骤摘要】
一种基于深度学习和声发射信号的电火花加工控制方法


[0001]本专利技术涉及加工控制领域，尤其涉及一种基于深度学习和声发射信号的电火花加工控制方法。

技术介绍

[0002]电火花线切割加工是指在一定的介质中，通过工具电极和加工工件之间的脉冲放电的电蚀作用，对工件进行加工的方法，是一种利用电能与热能结合的技术，已广泛应用于模具生产、汽车制造及航空航天等领域。相比于传统的成形与切削加工技术，电火花线切割加工技术是一种非接触的加工技术，适用于加工低刚度、形状复杂和结构特殊的工件。
[0003]在电火花加工过程中，根据当前放电状态实时调整加工工件进给量，减少加工过程中非正常加工状态的占比，是保证加工工件表面质量的关键。传统的电火花线切割机床主要以电极丝与加工工件之间的电信号为采集对象，通过门槛电压阈值法判断当前放电状态，实时调整加工工件进给速度，维持正常电火花放电的有效间隙。然而，这种控制方法对采样设备的采样频率要求较高，导致在实际应用中控制的实时性及稳定性达不到理想的效果。

技术实现思路

[0004]本专利技术的目的在于公开种基于声发射信号的电火花加工控制方法，解决现有的电火花加工过程中，对采样频率要求较高，导致控制的实时性及稳定性达不到理想的效果的问题。
[0005]为了达到上述目的，本专利技术采用如下技术方案：
[0006]一种基于深度学习和声发射信号的电火花加工控制方法，包括：
[0007]第一步骤：将第一声发射传感器和第二声发射传感器分别安装在加工工件表面及机床本体上；
[0008]第二步骤：开启电火花线切割机对工件进行加工，并通过分别与第一声发射传感器、第二声发射传感器连接的数据采集卡同步地采集两路声发射信号及工件与电极丝之间的电信号；
[0009]第三步骤：建立上述采集的两路声发射信号与电信号之间的关系，对采集的声发射信号进行标签化，得到基于声发射信号的电火花状态预测模型的训练数据；
[0010]第四步骤：通过输入上述已标签化的声发射信号对模型进行训练，得到用于加工过程中的基于声发射信号的电火花状态预测模型；
[0011]第五步骤：在加工过程中，仅采集加工过程中的两路声发射信号，将两路声发射信号输入到上述电火花状态预测模型中，预测当前的电火花加工状态，并基于电火花加工状态实时调整加工工件进给速度，实现基于声发射信号的电火花加工控制。
[0012]优选地，所述第一步骤包括：
[0013]将第一声发射传感器安装至加工工件表面，使得第一声发射传感器获取火花爆炸
产生的声发射信号的能量的期望值大于预设的第一期望值阈值；
[0014]将第二声发射传感器安装至机床本体上，使得第二声发射传感器获取的机床本体的背景噪声的声发射信号的能量的期望值大于预设的第二期望值阈值。
[0015]优选地，所述第三步骤包括：
[0016]采用基于脉冲面积统计分布标签化的方法对声发射信号进行标签化，得到基于声发射信号的电火花状态预测模型的训练数据。
[0017]优选地，所述电火花状态预测模型包括输入层、噪声提取层、主信号提取层、批信号产生层、编码层、批信号关联层、解码层和输出层；
[0018]噪声提取层用于通过带偏置的线性层和激活层对采集的背景噪声的声发射信号进行自适应的映射，获得经过自适应映射的背景噪声；
[0019]主信号提取层用于对火花爆炸产生的声发射信号与经过自适应映射的背景噪声处作差值运算，获取主信号的有效特征。
[0020]与现有技术相比，本专利技术的增益效果如下：
[0021]相比于传统的仅采用一个声发射传感器进行数据采集的方法不同，本专利技术采用了至少两个声发射传感器进行采集，将第一声发射传感器安装至加工工件表面，使得第一声发射传感器获取火花爆炸产生的声发射信号的能量的期望值大于预设的第一期望值阈值；
[0022]将第二声发射传感器安装至机床本体上，使得第二声发射传感器获取的机床本体的背景噪声的声发射信号的能量的期望值大于预设的第二期望值阈值，通过对第二声发射传感器获取的声发射信号进行线性偏置激活后与第一声发射传感器获取的声发射信号求差值，可更有效地从混合噪声中提取出有用的声信号特征。
[0023]相比于传统的基于声波强度阈值判断电火花加工状态的方法，本专利技术利用深度学习方法，提出一个基于声发射信号的电火花加工状态预测模型，其主干网络结构可分为八层，分别为输入层、噪声提取层、主信号提取层、批信号产生层、编码层、批信号关联层、解码层及输出层，具有更高的识别准确率。
[0024]在加工过程中产生的声发射信号具有周期振荡衰减的特征，因此加工状态相对于的声发射信号能维持一定时间，从而在较低的采样率下依然能实现特征捕捉，以便为后续的加工状态检测模型提供有效信息。
[0025]利用上述的预测模型，在加工过程中，可通过仅采集加工过程中的声发射信号，实现电火花放电状态的预测，从而实时地调整加工工件进给速度，实现了基于声发射信号的电火花控制。本专利技术在保持高精度加工状态的识别下，降低采样设备的要求，提高控制的稳定性。
附图说明
[0026]利用附图对本专利技术作进一步说明，但附图中的实施例不构成对本专利技术的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
[0027]图1，为本专利技术一种基于深度学习和声发射信号的电火花加工控制方法的一种示例性实施例图。
[0028]图2，为本专利技术实现基于声发射信号的电火花加工控制方法的硬件系统结构的一
种示例性实施例图。
[0029]图3，为本专利技术采用基于脉冲面积统计分布标签化的方法对声发射信号进行标签化的方法的一种示例性实施例图。
[0030]图4，为本专利技术电火花状态预测模型的一种示例性实施例图。
具体实施方式
[0031]下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利技术，而不能理解为对本专利技术的限制。
[0032]如图1所示的一种实施例，本专利技术提供了一种基于深度学习和声发射信号的电火花加工控制方法，包括：
[0033]第一步骤：将第一声发射传感器和第二声发射传感器分别安装在加工工件表面及机床本体上；
[0034]第二步骤：开启电火花线切割机对工件进行加工，并通过分别与第一声发射传感器、第二声发射传感器连接的数据采集卡同步地采集两路声发射信号及工件与电极丝之间的电信号；
[0035]第三步骤：建立上述采集的两路声发射信号与电信号之间的关系，对采集的声发射信号进行标签化，得到基于声发射信号的电火花状态预测模型的训练数据；
[0036]第四步骤：通过输入上述已标签化的声发射信号对模型进行训练，得到用于加工过程中的基于声发射信号的电火花状态预测模型；
[0037]第五步骤：在加工本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习和声发射信号的电火花加工控制方法，其特征在于，包括：第一步骤：将第一声发射传感器和第二声发射传感器分别安装在加工工件表面及机床本体上；第二步骤：开启电火花线切割机对工件进行加工，并通过分别与第一声发射传感器、第二声发射传感器连接的数据采集卡同步地采集两路声发射信号及工件与电极丝之间的电信号；第三步骤：建立上述采集的两路声发射信号与电信号之间的关系，对采集的声发射信号进行标签化，得到基于声发射信号的电火花状态预测模型的训练数据；第四步骤：通过输入上述已标签化的声发射信号对模型进行训练，得到用于加工过程中的基于声发射信号的电火花状态预测模型；第五步骤：在加工过程中，仅采集加工过程中的两路声发射信号，将两路声发射信号输入到上述电火花状态预测模型中，预测当前的电火花加工状态，并基于电火花加工状态实时调整加工工件进给速度，实现基于声发射信号的电火花加工控制。2.根据权利要求1所述的一种基于深度学习和声发射信号的电火花加工控制方法，其特征在于，所述第一步骤包括：将第一声发...

【专利技术属性】
技术研发人员：刘长红，杨兴鑫，张永俊，彭凌西，陈荣东，彭绍湖，刘晓初，梁忠伟，
申请(专利权)人：广州大学，
类型：发明
国别省市：