基于深度迁移学习的跨工况在线刀具磨损预测

随着深度学习在工业中的广泛应用,通过精确可靠的刀具剩余寿命预测,可以有效地提高刀具的利用率,进而最大程度地提高加工可靠性并降低生产成本。然而,传统的刀具磨损预测通常是在相同工况下进行,致使在工况变化后预测精度较差。针对加工条件的复杂性和多样性,提出了一种用于跨工况进行刀具磨损状态预测的方法,以实现跨工况条件下精准预测刀具磨损量。针对刀具多传感器数据提出了一种提取原始数据特征的多尺度卷积神经网络,以高效、精准提取刀具数据特征,进而使多尺度卷积神经网络和Transformer训练得到具有强泛化能力的模型。最后通过共享的参数信息在新工况的下游任务中进行预测。实验中以IEEE PHM 2010挑战数据集为源数据集,以UC Berkeley Milling数据集为目标数据集进行验证。实验结果表明,在跨工况条件下能够实现精准刀具磨损预测,证实了方法的鲁棒性和可靠性。

基于分层隐马尔科夫模型的刀具磨损状态监测

针对在以往的刀具磨损状态监测中,磨损状态的错误识别现象往往出现在磨损状态的衔接区这一问题,提出了一种基于分层隐马尔科夫模型(hierarchical hidden markov model,HHMM)的刀具磨损状态监测方法。首先,采用力信号和振动信号作为监测信号,提取时域、频域和时频域特征;其次,通过刀具磨损物理模型对刀具磨损阶段进行划分,提高模型的物理可解释性;然后,采用Fisher Score(FS)特征选择方法筛选出刀具不同磨损状态的敏感特征,构建不同磨损状态的敏感特征集;最后,使用不同磨损状态的敏感特征集训练HHMM,建立分类模型库,从而实现刀具磨损状态监测。实验结果表明,所提模型可以有效地提高刀具磨损状态的识别率,准确率为98.41%,综合查准率和查全率的Macro-F1评价指标为98.44%。

砂卵石地层盾构刀具磨损预测模型及刀具参数敏感性分析

[目的]砂卵石地层中的石英颗粒体积分数较高,会导致盾构刀具磨损严重,影响施工进度及工期。建立盾构刀具磨损预测模型来预测盾构刀具的磨损量,是确保盾构法施工高效安全进行的重要环节。因此,有必要研究刀具磨损预测模型,并进行刀具参数敏感性分析。[方法]分析了砂卵石地层对盾构刀具的研磨性;介绍了砂卵石地层盾构刀具的切削机理;建立了考虑微观磨损特征的盾构刀具磨损预测模型,并对刀具参数进行敏感性分析。[结果及结论]不均匀系数、特征粒径与材料的磨损量正相关;塑性去除磨损、脆性去除磨损和黏着磨损的体积分数分别为61.4%、30.8%、7.8%,塑性去除磨损和脆性去除磨损占比较大;磨损系数随着不均匀系数和特征粒径的增大而增大,盾构刀具的磨损量整体随着刀具刃角的减小而减小。盾构刀具的磨损主要由磨粒磨损和黏着磨损造成。

轻量化CNN与时间序列融合识别刀具磨损方法

针对传统卷积神经网络刀具磨损程度识别方法网络模型体积大、结构复杂以及在线获取刀具磨损图像数据难的问题,提出一种将轻量卷积神经网络应用于刀具磨损程度识别的研究方法。将铣刀加工时产生的力信号与振动信号经格拉姆角场处理转化为图像数据集。再将图像数据分别输入到轻量级卷积神经网络MobilenetV2、MobilenetV3、ShuffleNet模型中进行对比分析。结果表明:在初期磨损和正常磨损阶段使用MobilenetV2,在急剧磨损阶段使用MobilenetV3对刀具磨损识别效果能够达到最佳。与一般卷积神经网络进行对比表明,轻量化卷积神经网络对刀具磨损识别效果优于一般卷积神经网络。该方法解决了刀具图像数据在线获取困难的问题,增加了信息处理的容错性,能有效减少模型体积和计算量,便于植入嵌入式系统并集成到机床系统中。

刀具磨损和变摩擦系数对切削力的影响

刀具磨损和摩擦系数对切削力、表面质量有显著影响。为进一步研究刀具磨损和摩擦系数对切削力的影响规律,提出了同时考虑刀具磨损和变摩擦系数的切削力模型。首先分析了刀具磨损对刃口半径的影响规律,指出随刀具磨损增加,刃口半径增加;其次明确了刀具磨损及刃口半径对最小切削厚度的影响规律,认为最小切削厚度随刀具磨损、刃口半径的增加而增加。进一步用单晶金刚石刀具切削铝合金,并在切削深度、进给速度、刀具刃口半径、刀具磨损宽度以及恒定摩擦系数与变摩擦系数等方面进行了对比。研究表明,随切削深度、进给速度增加,法向切削力与切向切削力增加;随刃口半径从150 nm增加到450 nm,切向力增加了1.13倍,法向力增加了2.12倍;随刀具磨损宽度从0增加到0.55μm,切向力增加了1倍,法向力增加了约7倍;恒定摩擦系数切削力最大误差高达41%,变摩擦系数切削力最大误差在11%以内。因此,同时考虑了刀具磨损与变摩擦系数的切削模型与实际切削过程更加吻合。

小波包和1D CNN结合的刀具磨损状态识别

为监测机床切削加工过程中刀具的非线性磨损变化,提出了一种基于小波包分解和一维卷积神经网络(1D CNN)的刀具磨损状态识别方法。采集机床主轴振动数据作为监测信号,采用经信噪比定量分析后的小波包进行预处理,然后选取小波包分解后各频带的能量特征作为1D CNN的输入,实现了对刀具磨损状态的有效识别。实验表明,该模型能够实现刀具磨损状态的准确预测,相比于BP网络、能量频谱图-Alexnet和Lstm网络模型,刀具磨损状态识别率最优,平均准确率达到98.262%。

机械刻划层分结构铝膜刀具磨损研究

掌握机刻光栅刀具磨损机理是稳定制备大面积光栅的关键,由镀制工艺决定的具有层分结构铝膜是机刻光栅的首选膜坯。为获取光栅机械刻划过程中层分构铝膜对金刚石刻划刀具磨损影响规律,首次开展层分构铝膜力学性能测试与刀具刻划磨损规律研究,采用纳米压痕实验测得层分构铝膜硬度与弹性模量分别为0.48 GPa与65.2 GPa,满足Hall-Petch强化理论。据此,首次运用Deform 3D有限元分析软件建立层分构铝膜模型,将刻深位置设置在铝膜层分界面位置,分别对刻深在2μm与4μm的单层与4层铝膜进行刻划仿真后发现,分层膜界面对于其应力传递影响作用明显,且刻深突破第一、二层铝膜界面时,该界面对于应力传递的阻碍作用消失;不同刻深刻划单层和4层铝膜时刀具磨损形式与磨损部位大体相同,但刻划4层铝膜时刀具磨损较小,与后续机刻试验结果相符。

基于动态专家会议算法的刀具磨损度在线识别

为了提高机床加工过程中刀具磨损度识别准确率,提出基于动态专家会议算法的在线识别方法。分析刀具磨损机制,设计刀具磨损度识别框架;使用CEEMD分解源信号得到IMF分量,并基于IMF分量提取信号的改进I-kazTM系数、功率谱熵、标准差等多指标特征矩阵;针对随机森林算法存在的问题,将决策树视为决策专家,根据专家历史决策准确率动态确定专家决策权,从而设计一种新的动态专家会议算法。经PHM2010刀具磨损数据集验证,多指标特征矩阵在空间分布的类内聚集度、类间区分度均较好;基于动态专家会议算法的刀具磨损识别准确率为98.44%,分别比RF、LS-SVM算法高出了17.19%、11.72%,说明动态专家会议算法在刀具磨损度识别中是有效的。

基于VMD-SSA-LSTM考虑刀具磨损的数控铣床切削功率预测模型研究

传统的切削过程功率获取需要基于复杂的切削功率模型且很少考虑刀具磨损的影响,针对此设计了一种基于变分模态分解(VMD)、麻雀搜索算法(SSA)、长短时记忆(LSTM)神经网络的考虑刀具磨损的数控铣床切削功率预测模型,该模型无需解构数控铣床运行过程的能耗机理,基于一次性的历史实验数据即可实现数控铣床切削过程功率的高精度预测。首先,采用人工智能机器视觉技术对刀具磨损图片进行分析处理,获取刀具磨损图像的数字化特征,从而得到刀具最大磨损量;然后,建立基于VMD-SSA-LSTM考虑刀具磨损的数控铣床切削功率预测模型,利用VMD对数控铣床运行数据进行分解,采用SSA算法对LSTM神经网络超参数进行寻优,并将分解出的铣床运行数据分量输入到LSTM神经网络中,接着将每个分量的预测值相加,得到切削功率预测值;最后以面铣加工为例,将所提出的预测模型与BP神经网络、LSTM神经网络和传统模型进行对比分析,验证了所提模型的有效性和优越性。

基于FIR-Stacking的刀具磨损预测

针对铣刀加工工件时传感器信号存在噪声、单一传统机器学习模型预测效果不理想的问题,提出一种基于自适应FIR滤波器和Stacking集成模型的刀具磨损预测方法。首先,采用自适应FIR滤波器去噪,计算时域、频域和时频域常用统计量作为信号特征,并对同一信号的多源信号特征进行拼接,经Pearson相关系数筛选保留相关系数大于0.2的特征;最后,以LightGBM、支持向量回归(support vector regression,SVR)、多层感知机(multilayer perceptron,MLP)作为基模型,Lasso作为元模型,构建Stacking集成模型进行刀具磨损预测。使用铣削加工数据集进行验证,结果表明该方法可有效提高预测准确性。

基于声振融合的二次EWT-CNN刀具磨损监测

为了实现加工过程中对刀具磨损状态的监测,提出一种基于协同过滤融合的方法。首先,对工作刀具振动信号和声音信号进行特征相关性分析后进行数据层融合;然后,将得到的声振融合信号进行二次经验小波变换(EWT)后去噪重构;最后,将重构信号进行信号增强并送入CNN实现特征提取及刀具故障识别。通过对不同故障类型的麻花钻头进行故障识别实验,在声音、振动以及声振融合信号和不同信号去噪重构方法的对比下,该方法对不同故障类型的钻头作出了98.96%的高识别率。验证了所提方法在刀具故障识别方面的优越性。

多传感器信息融合的刀具磨损状态智能监测系统

为了提高数控机床刀具磨损状态智能监测的可靠性,提出一种基于多传感器信息融合的刀具磨损状态智能监测方法及系统。利用多种传感器分别采集刀具加工过程中的机床变频器输入电流信号、工件三向振动信号和声信号,然后对采集到的信号进行时域、频域和时频域处理分析。系统自动识别提取出其中与刀具磨损程度相关性较高的敏感特征变量,并利用马氏距离法对敏感特征向量进行分析计算,确定刀具不同状态下的阈值,并据此判断刀具的磨损状态。最后基于上述原理利用QT开发平台研发一套完整的数控机床刀具磨损状态智能监测系统。试验结果表明,该系统能够实时准确地监测出刀具的磨损状态。

基于机器视觉的刀具磨损量在机检测研究

针对小型刀具在复杂加工环境中磨损难以测量的问题,提出了基于机器视觉的刀具磨损量在机检测方法.首先,设计了刀刃图像自适应分割计算方法,利用改进的高斯混合模型分割算法对原始图像进行分割;然后,利用改进的非线性滤波进行降噪处理,使刀具磨损区域图像在进行模糊降噪的同时保留边缘、降低误差,从而实现刀具图像自动分割、降噪和测量;最后,设计了单相机刀具图像采集机构并进行了切削实验.结果表明,刀具侧面、底面磨损面积和最大磨损带宽与传统电子显微镜测量结果相比误差分别为3.88%、5.41%和6.26%,精度可以达到微米级.相比传统磨损测量方法,该方法图像降噪更快且边缘清晰.不规则磨损区域以像素点为单位进行计算,有效解决了小型刀具刀刃微小不易观察和测量的问题,能够满足小型刀具在机检测的要求.

基于GMM的纳米制造刀具磨损状态在线识别

为满足纳米制造刀具磨损状态在线诊断对时间和精度的要求,采用跨物理数据融合建模方案,建立具有物理一致性的高斯混合模型(GMM),以动态识别原子力显微镜(AFM)尖端状态。随机抽取历史加工数据,提取特征参数并进行训练,获得3维GMM模型并预存;以加窗分帧的形式,截取连续过程中短时段纳米加工力时变信号,构成瞬时稳态数据空间;以尖端旋转周期为时间单位,计算横向加工力的特征参数:极大值、峰-峰值和方差;采用马氏距离检测并去除异常值。使用预存的GMM模型,对每帧特征参数聚类,识别尖端磨损状态;根据连续分析帧的尖端失效点数据变化曲线,探测跟踪尖端状态。实验证明该算法平均识别精度为0.8917,平均召回率为0.963;每2000个点的最长识别时间为31ms,平均识别时间为23.97ms,适用于大规模纳米制造的刀具磨损在线自动诊断。

融合注意力机制的刀具磨损预测方法

刀具的磨损状态影响着工件表面质量与加工稳定性,故实现其磨损量的准确监测对于保证加工可靠性、维持生产加工连续性具有积极作用.为进一步提高刀具磨损预测模型的泛化性能和准确度,提出一种融合注意力机制的多尺度卷积双向门控循环(multiscale convolutional bidirectional gated recurrent unit-attention,MSCBGRU-A)神经网络的刀具磨损预测方法,其由特征拓展模块、多尺度卷积模块、双向GRU模块、注意力模块、回归模块组成.首先,将切削力、声发射、振动信号作为输入信号,输入信号通过多尺度卷积模块获得多个尺度的刀具磨损输出特征图,将多个卷积通道输出的特征图输入到连接层进行首尾和层叠两种方式的连接来获得两种输出数据.然后,将两种输出数据分别输入到双向GRU模块与注意力模块,通过双向GRU模块学习输出特征图动态变化来获取时序特征,通过注意力模块对多尺度卷积神经网络的输出进行权值分配,强化对刀具磨损预测结果贡献度更大的特征.最后,通过回归模块对磨损值进行预测.经过对比实验引入混合域注意力机制的基于卷积块的注意力机制(convolutional block attention mechanism,CBAM),获得MSCBGRU-CBAM模型,并且通过绘制CBAM的注意力权重图证明注意力机制可以自适应地关注与刀具磨损更相关的特征.与其他深度学习模型进行对比实验表明,MSCBGRU-CBAM模型具有最高的预测精度,且与未使用注意力机制的MSCBGRU模型相比,RMSE降低19.3%,MAE降低17.7%,R 2提高2.7%.

结合时空特征的多传感器刀具磨损监测

针对传统深度学习方法监测刀具磨损状况时,相关特征提取繁琐,数据隐含信息提取不全面导致识别精度较低等问题,提出了结合时空特征的多传感器刀具磨损监测模型。首先,将不同传感器采集的波形信号经简单预处理后作为输入,再使用多通道1D卷积神经网络(MC-1DCNN)提取输入数据的空间特征;然后,利用双向长短时记忆网络(BiLSTM)提取时序特征;最终,由全连接层和Softmax层对特征进行分类。仿真结果表明,监测模型流程简单、识别准确率高,具备较强的可适用性。

基于切削区域温度数据的刀具磨损预测

刀具磨损预测是制造业中至关重要的问题,提前预测刀具的磨损,并及时进行更换,能够降低生产成本,提高生产效率。选择切削区域温度数据来预测刀具磨损,同时考虑到加工过程中切削屑的脱落会影响数据的采集,设计了降噪算法来去除切削屑的干扰。具体而言,首先,设计了基于帧差法的降噪算法;之后,构建了卷积长短时记忆网络预测刀具磨损;最后,通过实验对方法的有效性进行验证。实验结果表明降噪算法能够有效地去除切削屑产生的噪声,提出的网络模型相比传统的BP神经网络模型预测精度有所提高,不同工况下的预测结果均方根误差平均降低了0.0171。

盾构机刀具磨损检测专利技术现状

随着盾构机被越来越多地应用于交通运输业,盾构机刀具磨损检测技术也取得了较大发展。本文以盾构机刀具磨损检测技术的专利申请情况为入口,从多个维度对专利信息进行分析和挖掘,并梳理了技术分支和发展路径,分析了该领域重要专利,为盾构机刀具磨损检测的研究者提供有益借鉴与参考,并对我国盾构机产业相关创新主体的专利申请和布局提出了建议。

基于注意力机制堆叠LSTM的多传感器信息融合刀具磨损预测

刀具磨损是影响数控机床加工质量和加工效率的重要因素之一。针对现有铣刀磨损预测中信号单一和预测精度不足的问题,提出了一种基于注意力机制的堆叠LSTM (long short-term memory,长短期记忆网络)的多传感器信息融合刀具磨损预测方法。对多传感器信号进行预处理,然后提取多域特征,利用核主成分分析法对其进行特征级信息融合,得到后续网络的输入。采用基于注意力机制的堆叠LSTM网络模型,使得网络能够自适应地学习数据的重要信息,在PHM2010的数据集上预测精度达到99.9%。通过与其他算法的对比试验和加入人工噪声的方法,验证了本文所提出的模型的高精度和鲁棒性。

基于改进BiGRU的刀具磨损预测

针对双向门控循环神经网络(bidirectional gated recurrent unit,BiGRU)超参数难以确定以及对重要特征捕捉能力较弱的问题,提出了一种改进模型用于刀具磨损预测。模型采用经过下采样的多通道传感器数据作为输入,使用随机搜索算法自适应的确定深度学习模型的最优超参数组合,并引入注意力机制与指数搜索算法增强对全局特征与局部趋势的捕捉能力。模型在PHM2010数据集上进行了实验验证,结果表明,该方法可快速确定超参数组合,并获得更稳定的预测值,具有更好的综合性能。