一种多模型融合的切削刀具磨损量动态预测方法技术

本发明专利技术涉及一种多模型融合的切削刀具磨损量动态预测方法，属于精益制造技术领域；解决了目前切削刀具磨损预测精度较差、实用性弱的技术问题。本发明专利技术方法包括选择切削过程机床工况数据采集方式、进行刀具磨损加工试验并采集刀具磨损退化量数据和相应的切削过程工况数据、对磨损退化数据预处理、建立磨损增量预测模型、建立磨损量预测模型、构建混合预测模型并预测刀具磨损量。本发明专利技术方法依据切削过程工况数据，通过混合预测模型得出多个时间段内的退化增量，依退化增量累积情况预测退化程度，实现了对切削刀具未来一段时间内刀具磨损量动态预测，模型更贴近实际情况。实施本发明专利技术方法无需添加外部传感器及另行布线，更具经济性、实用性和可行性。实用性和可行性。实用性和可行性。

【技术实现步骤摘要】
一种多模型融合的切削刀具磨损量动态预测方法


[0001]本专利技术涉及精益制造
，尤其涉及一种多模型融合的切削刀具磨损量动态预测方法。

技术介绍

[0002]作为直接参与切削加工的重要设备，切削刀具的磨损状态对于工件的加工质量有着直接的影响关系，对其磨损状态进行预测，对于加工质量的保证具有重要的作用。目前对于刀具状态的预测主要有两种方式，一种是通过对加工完成后的刀具进行人工直接测量，利用获取的刀具磨损量来预测未来的刀具磨损状况，这种只有在切削过程是完全稳定的条件下，其预测的结果才具有一定的价值，忽视了复杂切削过程中异常状况对于刀具磨损的影响。另一种方法是通过在线采集切削过程中的动态工况参数，利用人工智能算法对当前的刀具磨损状态进行预测。这种方法大多采用基于“信号分析+特征提取”，再建立模型的方法，建模通常会使用时域特征，扩大了加工参数改变对模型预测的干扰，使得模型的泛化能力不够。另外，有效特征的选取也是一个较为困难的过程。另外，目前对于刀具磨损退化量的预测，基本上都是利用实时的信号，来拟合当前的退化程度，这种方法使得预测出来的刀具磨损退化量曲线存在非单调性的特点，与机械产品性能退化过程不符，且这种预测方法均忽略了时间效应，导致预测结果不够理想。在实际生产过程中，相比于预测长期的刀具磨损量，对未来一段加工时间内的刀具磨损状态进行预测更加切合实际也更具实用性。
[0003]因此，本专利技术考虑通过切削过程的工况数据去预测每一时间段内的退化增量，根据退化增量的累积情况来预测退化程度，提出了一种多模型融合的切削刀具磨损量动态预测方法，通过将卷积神经网络和BP神经网络相结合，并融合了机床数控系统获取的多源动态数据信息与少量人工测量的刀具磨损数据，实现对切削刀具未来一段时间内刀具磨损量的动态预测。

技术实现思路

[0004]鉴于上述的分析，本专利技术实施例旨在提供一种用多模型融合的切削刀具磨损量动态预测方法，以解决目前切削刀具磨损预测精度较差、实用性较弱的技术问题。
[0005]一种多模型融合的切削刀具磨损量动态预测方法，包括如下步骤：
[0006]S1、确定所要采集的切削过程机床工况数据，确定相应的数据采集方式；
[0007]S2、进行刀具磨损加工试验：
[0008]进行切削试验设计；进行切削加工；采集切削加工过程中刀具磨损退化量数据，以及采集同一时间内切削过程的机床工况数据；
[0009]S3、对S2中获取的刀具磨损退化量数据进行预处理，提取S2中稳定磨损期的刀具磨损退化量数据和相应的机床工况数据；根据时间序列建立多个数据样本集；制作刀具磨损量变化曲线；
[0010]S4、建立磨损增量预测模型：
[0011]用数据样本集训练卷积神经网络模型，构建卷积神经网络的磨损增量预测模型；
[0012]S5、建立刀具磨损量预测模型：
[0013]根据S3中的数据样本，利用BP神经网络，建立基于BP神经网络的刀具磨损量预测模型；
[0014]S6、建立混合预测模型：
[0015]将S4的磨损增量预测模型与S5的刀具磨损量预测模型在预测结果匹配性检验准则的约束下相结合构成混合预测模型；用于对相同工艺条件下的刀具在未来一段时间的刀具磨损量进行预测。
[0016]进一步的，S1中与刀具磨损过程相关的切削过程机床工况数据为与切削力相关的数据，包括主轴负载、主轴扭矩和主轴功率。
[0017]进一步的，S1中的数据采集方式，包括RS
‑
232协议的串口模式、TCP/IP协议的以太网模式和数据采集卡模式中的一种或任意组合。
[0018]进一步的，S2中关键工步中的工艺方法包括如下步骤：
[0019]S21、选择需要进行刀具磨损状态监控的关键切削工步；
[0020]S22、选取关键切削工步的工艺参数；
[0021]S23、进行切削试验，获取切削过程刀具磨损退化量数据和同一时间内的切削过程工况数据。
[0022]进一步的，S3中所述的“预处理”是指剔除S2中获取的切削过程机床工况数据中的异常数据、用异常数据相邻的正常数据的均值进行填充，并对测量数据进行平滑处理。
[0023]进一步的，S4中所述的数据样本集为在切削试验稳定磨损期采集的机床工况数据建立的数据样本集。
[0024]进一步的，S4中的“磨损增量预测模型”为采用卷积神经网络的方法，并以预处理后的数据信号为输入所构建的性能退化增量的预测模型。建立磨损增量预测模型的步骤包括：
[0025]S41、将一定时间内输入的工况数据映射为一个退化增量；
[0026]S42、在模型的各层均加入BN归一化层；
[0027]S43、将第一个池化层后的输出结果经过下采样，与第二次池化后的输出结果相加；
[0028]S44、重复S43，直至模型收敛；
[0029]S45、输出连接2个全连接层；
[0030]S46、输出退化增量S91.采用卷积神经网络对预处理后的数据信号构建性能退化增量的预测模型；
[0031]进一步的，S5中的刀具磨损量预测模型是通过BP神经网络构建的回归模型；回归模型的输入参数包括多个在先时刻的刀具磨损退化量、从上一时刻到当前时刻的切削时间以及通过磨损增量预测模型得出的当前切削时间段内的退化增量；回归模型用于预测下一时刻的刀具磨损退化量。
[0032]进一步的，S6中所述的“混合预测模型”是指将S4中卷积神经网络的磨损增量预测模型与基于BP神经网络的刀具磨损量预测模型相融合，构建混合预测模型。S91.采用卷积神经网络对预处理后的数据信号构建性能退化增量的预测模型；
[0033]S92.获取之前的退化数据，包括多个在先时刻的刀具磨损退化量，从上一时刻到当前时刻的切削时间，以及通过磨损增量预测模型得出的当前切削时间段内的退化增量刀具磨损退化量刀具磨损退化量；
[0034]S93.通过卷积神经网络模型，构建回归模型，输出预测时刻的刀具磨损退化量。
[0035]进一步的，S6中所述的“预测结果匹配性检验准则”是指训练好的混合预测模型所计算的退化量符合如下公式：
[0036][0037]其中，
[0038]y(t)
‑
当前t时刻的刀具磨损退化量预测值；
[0039]y(t
‑
1)
‑
上一时刻t
‑
1时刀具磨损退化量的预测值或者由于预测结果不匹配通过人工测量得到的实际刀具磨损退化量值；
[0040]x(t)
‑
利用(t
‑
1)到(t)时刻的工况数据预测出来的这段时间内的退化增量；
[0041]q
‑
退化增量的偏差阈值；其中，0<q<1。
[0042]与现有技术相比，本专利技术至少可实现如下有益效果之一：
[0043]1、本专利技术提出的多模型融合的切削刀具磨损量动态预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多模型融合的切削刀具磨损量动态预测方法，其特征在于，包括如下步骤：S1、确定所要采集的切削过程机床工况数据，确定相应的数据采集方式；S2、进行刀具磨损加工试验：进行切削试验设计；进行切削加工；采集切削加工过程中刀具磨损退化量数据，以及采集同一时间内切削过程的机床工况数据；S3、对S2中获取的刀具磨损退化量数据进行预处理，提取S2中稳定磨损期的刀具磨损退化量数据和相应的机床工况数据；根据时间序列建立多个数据样本集；制作刀具磨损量变化曲线；S4、建立磨损增量预测模型：用数据样本集训练卷积神经网络模型，构建卷积神经网络的磨损增量预测模型；S5、建立刀具磨损量预测模型：根据S3中的数据样本，利用BP神经网络，建立基于BP神经网络的刀具磨损量预测模型；S6、建立混合预测模型：将S4的磨损增量预测模型与S5的刀具磨损量预测模型在预测结果匹配性检验准则的约束下相结合构成混合预测模型；用于对相同工艺条件下的刀具在未来一段时间的刀具磨损量进行预测。2.根据权利要求1所述的多模型融合的切削刀具磨损量动态预测方法，其特征在于，S1中与刀具磨损过程相关的切削过程机床工况数据为与切削力相关的数据，包括主轴负载、主轴扭矩和主轴功率。3.根据权利要求1所述的多模型融合的切削刀具磨损量动态预测方法，其特征在于，S1中的数据采集方式，包括RS
‑
232协议的串口模式、TCP/IP协议的以太网模式和数据采集卡模式中的一种或任意组合。4.根据权利要求1所述的多模型融合的切削刀具磨损量动态预测方法，其特征在于，S2中关键工步中的工艺方法包括如下步骤：S21、选择需要进行刀具磨损状态监控的关键切削工步；S22、选取关键切削工步的工艺参数；S23、进行切削试验，获取切削过程刀具磨损退化量数据和同一时间内的切削过程工况数据。5.根据权利要求1所述的多模型融合的切削刀具磨损量动态预测方法，其特征在于，S3中所述的“预处理”是指剔除S2中获取的切削过程机...

【专利技术属性】
技术研发人员：卢志远，韩维群，游东洋，张京京，宋海勇，靳世海，
申请(专利权)人：北京航星机器制造有限公司，
类型：发明
国别省市：