【技术实现步骤摘要】
基于物理指导的深度学习网络的刀具磨损状态监测方法及应用
[0001]本专利技术属于机械加工制造领域，具体为涉及一种基于物理指导的数据模型的刀具磨损状态状态估计方法及其应用。
技术介绍
[0002]在机械加工过程中，刀具的磨损会对加工工件的质量和加工过程的安全性有着重要的影响。因此加工过程中状态的监测和故障的诊断对提高加工系统运行的可靠性和降低停机维护成本至关重要。有研究表明在微铣削加工中刀具的故障停机时间占了整个机床停机时间的20％，通过对加工过程中刀具的磨损状态进行在线监测，可以节省约40％的刀具成本。所以刀具磨损状态的在线监测对加工过程至关重要。相比于传统的故障诊断方法，智能故障诊断方法摆脱了过分依赖专家经验，通过分析监测信号获取故障特征来识别故障模式。
[0003]虽然当前基于深度学习方法的数据模型有大量的研究，但是在实际的生产过程中基于数据驱动的模型确很少被应用。这是因为对于数据驱动的模型有两个主要缺陷：首先，数据驱动模型属于黑箱模型，它直接利用采集的传感器信号预测刀具的磨损值，无法对模型进行物理解释并存在物...
【技术保护点】
【技术特征摘要】
1.一种基于物理指导的深度学习网络的刀具磨损状态监测方法，其特征在于，是按照以下步骤进行：步骤1、采集数控机床的加工信息，并通过安装在工作台上的力传感器在线采集刀具在三个方向上的铣削力信号{F
d
(t)|d＝x,y,z}，其中，F
d
(t)表示刀具在t时段的第d个方向上的铣削力信号；然后通过电子显微镜来离线获取对应t时段的刀具磨损信息ω
true
(t)并作为标签值；步骤2、对三个方向上的铣削力信号{F
d
(t)|d＝x,y,z}进行标准化处理，得到标准化后的三个方向上的铣削力信号，记为第t时间段的铣削力信号从而得到t时段开始到t+N时段的铣削力信号X
t
＝{S
t+1
,S
t+2
,
…
,S
t+i
,
…
,S
t+N
}，且X
t
∈D，D表示刀具磨损状态监测数据集，表示刀具在t时段的第d个方向上标准化后的铣削力信号；S
t+i
表示第t+i时间段的铣削力信号；步骤3、构建基于物理指导的深度学习网络的刀具磨损状态监测模型，包括：特征提取模块、刀具磨损预测模块、损失函数模块；步骤3.1、所述特征提取模块由N个权值共享的特征提取块组成，N个权值共享的特征提取块分别记为EFeatureBlock1，EFeatureBlock2，
…
，EFeatureBlock
n
，
…
，EFeatureBlock
N
；其中，EFeatureBlock
n
表示第n个特征提取块，n＝1,2...,N；所述第n个特征提取块EFeatureBlock
n
由X个二维卷积层以及X个GRU层以及一个多层感知机MLP1串联组成；所述N段连续的铣削力信号X
t
∈D输入所述特征提取模块中，并分别对应经过N个权值共享的特征提取块EFeatureBlock1，EFeatureBlock2，
…
，EFeatureBlock
n
，
…
，EFeatureBlock
N
的处理后，相应得到对应的基于时间序列的铣削力特征F
t
＝{f
t+1
,f
t+2
,...,f
t+i
,...,f
t+N
}；其中，f
t+i
表示第t+i时段的铣削力信号S
t+i
经过第i个权值共享的特征提取块EFeatureBlock
i
处理后得到的铣削力特征；步骤3.2、所述刀具磨损预测模块包含基于物理指导GRU层和一个多层感知机MLP2；所述基于时间序列铣削力特征F
t
＝{f
t+1
,f
t+2
,...,f
t+i
,...,f
t+N
}输入基于物理指导GRU层中进行处理，得到基于时间序列的刀具磨损特征其中，表示f
t+i
经过基于物理指导GRU层后得到的刀具磨损特征；所述基于时间序列的刀具磨损特征再通过后续的多层感知机MLP2进行处理后，得到预测的刀具磨损值ω
pre
(t)；步骤3.3、所述损失函数模块用于建立数据项Loss_data和物理损失项Loss_Phy之和的损失函数；所述数据项Loss_data为标签值与预测值之间的误差，并使用均方误差MSE测量误差的平均大小，记作Loss_data＝MSE(ω
true
,ω
pre
)；所述物理损失项...
【专利技术属性】
技术研发人员：朱锟鹏，李申申，
申请(专利权)人：常州先进制造技术研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。