CN114227382B - 基于新型胶囊网络的刀具破损监测***及方法 - Google Patents
基于新型胶囊网络的刀具破损监测***及方法 Download PDFInfo
- Publication number
- CN114227382B CN114227382B CN202210056573.0A CN202210056573A CN114227382B CN 114227382 B CN114227382 B CN 114227382B CN 202210056573 A CN202210056573 A CN 202210056573A CN 114227382 B CN114227382 B CN 114227382B
- Authority
- CN
- China
- Prior art keywords
- layer
- model
- capsule network
- data
- cutter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000002775 capsule Substances 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012544 monitoring process Methods 0.000 title claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000005520 cutting process Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 12
- 238000003754 machining Methods 0.000 claims description 11
- 238000007514 turning Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 230000004927 fusion Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
- B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
- B23Q17/0957—Detection of tool breakage
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mechanical Engineering (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了基于新型胶囊网络的刀具破损监测***及方法，包括信号采集模块、数据处理模块、新型胶囊网络模型、胶囊网络层和分类层，监测方法包括步骤一，数据获取和预处理；步骤二，搭建新型胶囊网络模型；步骤三，模型训练；步骤四，模型测试；本发明相较于现有的刀具监测***，通过采集振动信号和声发射信号来表征刀具的状态，以此构建新型胶囊网络，实现了刀具在不同切削参数下是否发生细微崩刃的有效识别，实现了刀具破损状态的实时监测，可以更加全面反映刀具的状态，有效地提升模型的泛化能力和监测准确性，本发明具有网络模型端到端、识别准确率高的优点，可实现精准监测刀具是否破损，保证加工质量。
Description
技术领域
本发明涉及车削加工技术领域，具体为基于新型胶囊网络的刀具破损监测***及方法。
背景技术
随着加工零件产品样式的复杂化以及所用材料硬度的提高，导致刀具失效的频率要高于传统产品；在加工过程中由于切削材料的组织和硬度不均匀、加工***产生不良振动或是刀具刃磨质量欠佳均易造成切削刃微崩，但是当刀具发生细微崩刃时并不会引起较大的加工噪声变化，因此不易被察觉；一旦出现这种情况后刀具的切削能力会下降，虽能够继续切削工作但会大幅降低工件的表面质量，若未及时发现则会导致刀具的刃损部分迅速扩大使刀具完全丧失切削能力，造成生产线的停工；因此及时有效地监测切削刃的破损状态对提示工艺***服役能力、减少质量损失具有重要的意义；
现有的刀具破损监测技术，是在生产线停工后通过监测装置的触头与刀具间的接触或者非接触式激光束监测进行判断刀具的状态，但考虑到加工现场的可操作性以传感器信号来反映刀具切削刃的变化更为常用，常用信号有切削力信号、振动信号、声发射信号、主轴功率信号以及电流信号；由于加工过程中的信号噪声含量较高，需采用信号处理技术提取有效特征来表征刀具状态；最常用的是根据加工动态信号的特性，从时域、频域以及时频域分析提取有效特征来表征刀具的变化，例如Li在时域中分析电流信号均值的变化来跟踪铣刀的状态，从而达到监测的目的，Sun依据声发射信号的特定频率分量特征来判断刀具的破损状态，Guo和Wang则将信号模态分解到不同频带分量中提取其时频域中的能量特征来监测铣刀的破损状态，Akbari则通过时频域特征研究主轴电流信号的谐波畸变，发现峰值和均方差能够及时反映刀具的状态；通常表征刀具变化的相关特征是根据加工过程和失效机制来定义的，而特征的选择则是影响模型预测精度的关键因素，因此针对不同的加工过程想要保证后续模型预测的精度，不仅需要依靠丰富的专家经验来提取特征同时也要花费大量的时间；
随着深度学习方法的不断发展，神经网络在特征提取和异常监测方面的性能不断提高，被广泛应用于刀具状态监测研究中，也取得了相应的成果；在神经网络中CNN因其较强的特征提取能力被广泛应用于刀具状态监测领域，Duroa等通过搭建声发射传感器框架以采集过程数据，使用CNN拟合刀具失效的过程来增强刀具状态监测***的可靠性；Li等在主轴电流信号时域分析的基础上通过CNN学习刀具在加工过程中的失效过程，达到预测刀具破损的目的；Ambadekar等基于DCNN提取刀具的侧面磨损特征，在线监测刀具状态；以往的研究人员在利用CNN模型监测刀具状态时，通常采用传统CNN结构，即构造二维数据样本和二维卷积核提取刀具特征；受此启发，Antic将提取到的振动信号经短时傅里叶变换为频谱图，再经过CNN学习频谱图中的磨损特征，也取得了较好的监测效果；
但想要通过CNN有效提取复杂数据中刀具破损的相关特征，往往需要大量不同工况下的样本数据训练模型，才能准确得到不同状态下的特征分布；以往研究中作者对数据集的构建仅限于采集单一切削参数下的加工数据，然而单一的工况不能够全面反映机械加工中的复杂工况，因此造成模型的泛化能力差和监测准确性差的结果。
发明内容
本发明的目的在于提供基于新型胶囊网络的刀具破损监测***及方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：基于新型胶囊网络的刀具破损监测***，包括信号采集模块、数据处理模块和新型胶囊网络模型，所述信号采集模块与数据处理模块建立数据连接，数据处理模块与新型胶囊网络模型建立数据连接。
优选的，所述信号采集模块包括振动信号采集子模块和声发射信号采集子模块。
优选的，所述数据处理模块包括信号融合子模块、分段处理子模块和数据集划分子模块。
优选的，所述新型胶囊网络模型包括多尺度卷积层、批量归一化层、胶囊网络层和分类层，且多尺度卷积层的输出端通过批量归一化层与胶囊网络层建立数据连接，胶囊网络层的输出端与分类层建立数据连接。
优选的，所述多尺度卷积层包括宽核卷积层和小卷积核层。
优选的，所述胶囊网络层包括普通卷积层、主胶囊层和数字胶囊层。
基于新型胶囊网络的刀具破损监测***的监测方法，包括步骤一，数据获取和预处理；步骤二，搭建新型胶囊网络模型；步骤三，模型训练；步骤四，模型测试；
其中上述步骤一中，采集数控机床车削加工过程中，正常和细微崩刃状态刀具，在不同切削参数的加工过程中所产生的振动信号和声发射信号；由信号采集模块进行采集，并将所采集到的信号输送给数据处理模块，数据处理模块去除进刀和退刀过程中的信号数据，取其平稳加工阶段的信号数据，然后将不同种类传感器信号融合后进行分割，得到多个等长度的时间序列样本；根据分割得到的多个样本数据根据对应的刀具状态贴上标签，并且将样本与标签组合成数据集，选取数据集的85％作为训练集，15％作为测试集；
其中上述步骤二中，构建多尺度卷积层、批量归一化层、胶囊网络层和分类层，完成新型胶囊网络模型的搭建；其中，批量归一化层即BN层，用以将数据的分布拉回一致；胶囊网络层用以将多尺度卷积层的标量输出胶囊化为向量；分类层对数字胶囊层中输出的预测向量求其二范数来表征不同刀具状态的概率，其公式为：
Pj＝‖vj‖
其中，Pj表示模型输出的概率值；
其中上述步骤三中，将上述步骤一中所得到的训练集输入到步骤二中所构建的新型胶囊网络模型中，利用Adam优化算法，采用的损失函数由间隔损失和重构损失结合来计算总损失，其表达式为：
Lj＝Tjmax(0,m+-‖vj‖)2+λ(1-Tj)max(0,‖vj‖-m-)2
其中，vj表示模型预测出的向量；‖vj‖代表模型输出的概率值，下标j表示刀具状态类别；Tj为分类指示函数，当输入的样本类别与状态类别j为同一类别时Tj＝1，否则Tj＝0；m+为上边界，取固定值为0.9；m-为下边界，取固定值为0.1；λ为比例系数，用来调整两项损失的比例，取值为0.5；在模型的整个训练过程中，使用批处理的方法分批训练样本，训练完成后选择损失值最小，准确率最高的模型作为最终模型；
其中上述步骤四中，将上述步骤一中所得到的测试集输入到步骤三中所得到的最终模型中进行测试，预测刀具的状态。
优选的，所述步骤二中，多尺度卷积层的第一层为宽核卷积层，第二层和第三层为小卷积核层。
与现有技术相比，本发明的有益效果是：本发明相较于现有的刀具监测***，通过采集振动信号和声发射信号来表征刀具的状态，以此构建新型胶囊网络，实现了刀具在不同切削参数下是否发生细微崩刃的有效识别，实现了刀具破损状态的实时监测，可以更加全面反映刀具的状态，有效地提升模型的泛化能力和监测准确性，本发明具有网络模型端到端、识别准确率高的优点，可实现精准监测刀具是否破损，保证加工质量。
附图说明
图1为本发明的模块框架图；
图2为本发明的新型胶囊网络模型结构示意图；
图3为本发明的***流程图；
图4为本发明的方法流程图；
图中：1、信号采集模块；10、振动信号采集子模块；11、声发射信号采集子模块；2、数据处理模块；20、信号融合子模块；21、分段处理子模块；22、数据集划分子模块；3、新型胶囊网络模型；30、多尺度卷积层；300、宽核卷积层；301、小卷积核层；31、批量归一化层；32、胶囊网络层；320、普通卷积层；321、主胶囊层；322、数字胶囊层；33、分类层。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-3，本发明提供的一种实施例：基于新型胶囊网络的刀具破损监测***，包括信号采集模块1、数据处理模块2和新型胶囊网络模型3，信号采集模块1与数据处理模块2建立数据连接，数据处理模块2与新型胶囊网络模型3建立数据连接；信号采集模块1包括振动信号采集子模块10和声发射信号采集子模块11；数据处理模块2包括信号融合子模块20、分段处理子模块21和数据集划分子模块22；新型胶囊网络模型3包括多尺度卷积层30、批量归一化层31、胶囊网络层32和分类层33，且多尺度卷积层30的输出端通过批量归一化层31与胶囊网络层32建立数据连接，胶囊网络层32的输出端与分类层33建立数据连接；多尺度卷积层30包括宽核卷积层300和小卷积核层301；胶囊网络层32包括普通卷积层320、主胶囊层321和数字胶囊层322。
请参阅图4，本发明提供的一种实施例：基于新型胶囊网络的刀具破损监测***的监测方法，包括步骤一，数据获取和预处理；步骤二，搭建新型胶囊网络模型；步骤三，模型训练；步骤四，模型测试；
其中上述步骤一中，采集数控机床车削加工过程中，正常和细微崩刃状态刀具，在不同切削参数的加工过程中所产生的振动信号和声发射信号；由信号采集模块1进行采集，并将所采集到的信号输送给数据处理模块2，数据处理模块2去除进刀和退刀过程中的信号数据，取其平稳加工阶段的信号数据，然后将不同种类传感器信号融合后进行分割，得到多个等长度的时间序列样本；根据分割得到的多个样本数据根据对应的刀具状态贴上标签，并且将样本与标签组合成数据集，选取数据集的85％作为训练集，15％作为测试集；
其中上述步骤二中，构建多尺度卷积层30、批量归一化层31、胶囊网络层32和分类层33，完成新型胶囊网络模型3的搭建；其中，批量归一化层31即BN层，用以将数据的分布拉回一致；胶囊网络层32用以将多尺度卷积层30的标量输出胶囊化为向量；分类层33对数字胶囊层322中输出的预测向量求其二范数来表征不同刀具状态的概率，其公式为：
Pj＝‖vj‖
其中，Pj表示模型输出的概率值；
其中上述步骤三中，将上述步骤一中所得到的训练集输入到步骤二中所构建的新型胶囊网络模型3中，利用Adam优化算法，采用的损失函数由间隔损失和重构损失结合来计算总损失，其表达式为：
Lj＝Tjmax(0,m+-‖vj‖)2+λ(1-Tj)max(0,‖vj‖-m-)2
其中，vj表示模型预测出的向量；‖vj‖代表模型输出的概率值，下标j表示刀具状态类别；Tj为分类指示函数，当输入的样本类别与状态类别j为同一类别时Tj＝1，否则Tj＝0；m+为上边界，取固定值为0.9；m-为下边界，取固定值为0.1；λ为比例系数，用来调整两项损失的比例，取值为0.5；在模型的整个训练过程中，使用批处理的方法分批训练样本，训练完成后选择损失值最小，准确率最高的模型作为最终模型；
其中上述步骤四中，将上述步骤一中所得到的测试集输入到步骤三中所得到的最终模型中进行测试，预测刀具的状态。
实验例：
基于新型胶囊网络的刀具破损监测***的监测方法，包括步骤一，数据获取和预处理；步骤二，搭建新型胶囊网络模型；步骤三，模型训练；步骤四，模型测试；
其中上述步骤一中，分别使用全新的刀具和细微崩刃的刀具车削进行车削实验，设置六种不同的切削参数，主轴转速为800r/min、1000r/min和1200r/min三种不同转速，进给量为0.05mm/r和0.06mm/r两种不同进给量，切割深度为0.3mm(直径)，获取实测振动信号和声发射信号；由信号采集模块1进行采集，并将所采集到的信号输送给数据处理模块2，数据处理模块2去除进刀和退刀过程中的信号数据，取其平稳加工阶段的信号数据，然后将不同种类传感器信号融合后进行分割，得到多个等长度的时间序列样本；根据分割得到的多个样本数据根据对应的刀具状态贴上标签，并且将样本与标签组合成数据集；两种不同状态的刀具分别在六种不同的切削参数下实验，共计十二组实验，在刀具正常状态的六组实验中，均截取稳定车削阶段下时常为150s的Y方向振动信号，总点数为9216000；在细微崩刃状态的六组实验中，均截取稳定车削阶段下时常为150s的Y方向振动信号，总点数为9216000；因此整个数据集的总点数为18432000；选取数据集的85％作为训练集，15％作为测试集；实验所用的机床设备采用J1CK6132数控车床、切削材料为45钢，切割刀具为硬质合金，信号采集模块1为DT9857数据采集仪，使用Kilster型号为PCB352C33的振动加速度传感器(频率响应：0.3-15khz)采集车削加工中Z和Y方向的振动信号，外部传感器数据以10.24KHZ通道采集声发射信号；
其中上述步骤二中，构建多尺度卷积层30、批量归一化层31、胶囊网络层32和分类层33，完成新型胶囊网络模型3的搭建；其中，多尺度卷积层30的第一层为宽核卷积层300，卷积核为64，步长为1；第二层和第三层为小卷积核层301，卷积核为3，步长为2，在三层不同尺度的卷积层中均使用整流线性单元(relu)作为激活函数；批量归一化层31即BN层，用以将数据的分布拉回一致；胶囊网络层32用以将多尺度卷积层30的标量输出胶囊化为向量；分类层33对数字胶囊层322中输出的预测向量求其二范数来表征不同刀具状态的概率，其公式为：
Pj＝‖vj‖
其中，Pj表示模型输出的概率值；
其中上述步骤三中，将上述步骤一中所得到的训练集输入到步骤二中所构建的新型胶囊网络模型3中，利用Adam优化算法，采用的损失函数由间隔损失和重构损失结合来计算总损失，其表达式为：
Lj＝Tjmax(0,m+-‖vj‖)2+λ(1-Tj)max(0,‖vj‖-m-)2
其中，vj表示模型预测出的向量；‖vj‖代表模型输出的概率值，下标j表示刀具状态类别；Tj为分类指示函数，当输入的样本类别与状态类别j为同一类别时Tj＝1，否则Tj＝0；m+为上边界，取固定值为0.9；m-为下边界，取固定值为0.1；λ为比例系数，用来调整两项损失的比例，取值为0.5；在模型的整个训练过程中，使用批处理的方法分批训练样本，训练完成后选择损失值最小，准确率最高的模型作为最终模型；
其中上述步骤四中，将上述步骤一中所得到的测试集输入到步骤三中所得到的最终模型中进行测试，预测刀具的状态；同时，采用宽核卷积神经网络(WDCNN)和卷积神经网络(CNN)监测***的预测结果作为对照组，对比结果见表1。
表1预测结果对比表
基于上述，本发明的优点在于，该发明使用时，通过采集数控机床车削加工过程中产生的振动信号来表征刀具的状态，预处理以上数据后打上标签，再据此构建新型胶囊网络模型3，新型胶囊网络模型3将原始信号作为输入，无需对信号进行预处理，这种端到端的数据驱动方法有效降低了信号处理的复杂性；本发明利用信号采集模块1中的振动信号采集子模块10和声发射信号采集子模块11采集信号；利用数据处理模块2处理信号，经信号融合子模块20、分段处理子模块21和数据集划分子模块22的处理后，得到数据集；利用宽核卷积层300感受野宽的特性来抑制信号中的高频噪声以此增强网络的抗噪性能；利用小卷积核层301增加网络的深度，以此提高网络的学习能力；利用BN层缩短训练时间，以此提升模型性能；利用胶囊网络层32进一步提取特征中的隐藏信息，提高模型的空间特征提取能力；利用分类层33获取不同刀具状态的概率；本发明对处于细微崩刃状态下的刀具具有较高的识别率，因此本方法能够更加准确的识别出刀具是否发生细微崩刃。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (2)
1.基于新型胶囊网络的刀具破损监测***，包括信号采集模块（1）、数据处理模块（2）和新型胶囊网络模型（3），其特征在于：所述信号采集模块（1）与数据处理模块（2）建立数据连接，数据处理模块（2）与新型胶囊网络模型（3）建立数据连接，所述信号采集模块（1）包括振动信号采集子模块（10）和声发射信号采集子模块（11），所述数据处理模块（2）包括信号融合子模块（20）、分段处理子模块（21）和数据集划分子模块（22），所述新型胶囊网络模型（3）包括多尺度卷积层（30）、批量归一化层（31）、胶囊网络层（32）和分类层（33），且多尺度卷积层（30）的输出端通过批量归一化层（31）与胶囊网络层（32）建立数据连接，胶囊网络层（32）的输出端与分类层（33）建立数据连接，所述多尺度卷积层（30）包括宽核卷积层（300）和小卷积核层（301），所述胶囊网络层（32）包括普通卷积层（320）、主胶囊层（321）和数字胶囊层（322），多尺度卷积层（30）的第一层为宽核卷积层（300），第二层和第三层为小卷积核层（301）。
2.基于新型胶囊网络的刀具破损监测***的监测方法，包括步骤一，数据获取和预处理；步骤二，搭建新型胶囊网络模型；步骤三，模型训练；步骤四，模型测试；其特征在于：
其中上述步骤一中，采集数控机床车削加工过程中，正常和细微崩刃状态刀具，在不同切削参数的加工过程中所产生的振动信号和声发射信号；由信号采集模块（1）进行采集，并将所采集到的信号输送给数据处理模块（2），数据处理模块（2）去除进刀和退刀过程中的信号数据，取其平稳加工阶段的信号数据，然后将不同种类传感器信号融合后进行分割，得到多个等长度的时间序列样本；根据分割得到的多个样本数据根据对应的刀具状态贴上标签，并且将样本与标签组合成数据集，选取数据集的85%作为训练集，15%作为测试集；
其中上述步骤二中，构建多尺度卷积层（30）、批量归一化层（31）、胶囊网络层（32）和分类层（33），完成新型胶囊网络模型（3）的搭建；多尺度卷积层（30）的第一层为宽核卷积层（300），第二层和第三层为小卷积核层（301）；其中，批量归一化层（31）即BN层，用以将数据的分布拉回一致；胶囊网络层（32）用以将多尺度卷积层（30）的标量输出胶囊化为向量；分类层（33）对数字胶囊层（322）中输出的预测向量求其二范数来表征不同刀具状态的概率，其公式为：
其中，表示模型输出的概率值；
其中上述步骤三中，将上述步骤一中所得到的训练集输入到步骤二中所构建的新型胶囊网络模型（3）中，利用Adam优化算法，采用的损失函数由间隔损失和重构损失结合来计算总损失，其表达式为：
其中，表示模型预测出的向量；/>代表模型输出的概率值，下标/>表示刀具状态类别；/>为分类指示函数，当输入的样本类别与状态类别/>为同一类别时/>，否则/>；为上边界，取固定值为0.9；/>为下边界，取固定值为0.1；/>为比例系数，用来调整两项损失的比例，取值为0.5；在模型的整个训练过程中，使用批处理的方法分批训练样本，训练完成后选择损失值最小，准确率最高的模型作为最终模型；
其中上述步骤四中，将上述步骤一中所得到的测试集输入到步骤三中所得到的最终模型中进行测试，预测刀具的状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210056573.0A CN114227382B (zh) | 2022-01-18 | 2022-01-18 | 基于新型胶囊网络的刀具破损监测***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210056573.0A CN114227382B (zh) | 2022-01-18 | 2022-01-18 | 基于新型胶囊网络的刀具破损监测***及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114227382A CN114227382A (zh) | 2022-03-25 |
| CN114227382B true CN114227382B (zh) | 2023-07-28 |
Family
ID=80746738
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210056573.0A Active CN114227382B (zh) | 2022-01-18 | 2022-01-18 | 基于新型胶囊网络的刀具破损监测***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114227382B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114841212B (zh) * | 2022-05-18 | 2023-04-28 | 中南大学 | 基于胶囊网络的智能电网时间序列异常检测方法及*** |
| CN116690313B (zh) * | 2023-08-01 | 2023-12-12 | 成都飞机工业（集团）有限责任公司 | 一种飞机结构件腹板加工刀具失效监控方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102091972B (zh) * | 2010-12-28 | 2013-06-05 | 华中科技大学 | 一种数控机床刀具磨损监测方法 |
| US20210197335A1 (en) * | 2019-12-26 | 2021-07-01 | Dalian University Of Technology | Data Augmentation Method Based On Generative Adversarial Networks In Tool Condition Monitoring |
| WO2021174525A1 (zh) * | 2020-03-06 | 2021-09-10 | 大连理工大学 | 一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法 |
| CN111832663A (zh) * | 2020-07-30 | 2020-10-27 | 上海电机学院 | 一种基于门控循环单元的胶囊网络滚动轴承故障诊断*** |
| CN113344077A (zh) * | 2021-06-08 | 2021-09-03 | 中国农业大学 | 一种基于卷积胶囊网络结构的抗噪茄科病害识别方法 |
| CN113591638A (zh) * | 2021-07-20 | 2021-11-02 | 天津理工大学 | 一种基于卷积胶囊网络的行星齿轮箱故障诊断方法 |
-
2022
- 2022-01-18 CN CN202210056573.0A patent/CN114227382B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN114227382A (zh) | 2022-03-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114227382B (zh) | 基于新型胶囊网络的刀具破损监测***及方法 | |
| CN110153801A (zh) | 一种基于多特征融合的刀具磨损状态辨识方法 | |
| Tran et al. | Drill fault diagnosis based on the scalogram and mel spectrogram of sound signals using artificial intelligence | |
| CN109158953B (zh) | 一种刀具磨损状态在线监测方法及*** | |
| CN114619292B (zh) | 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法 | |
| CN113378725B (zh) | 一种基于多尺度-通道注意力网络的刀具故障诊断方法、设备及存储介质 | |
| CN111037365A (zh) | 基于生成式对抗网络的刀具状态监测数据集增强方法 | |
| CN109298680A (zh) | 一种数控机床刀具检测的数据采集*** | |
| CN116070527B (zh) | 基于退化模型的铣削刀具剩余寿命预测方法 | |
| CN110434676A (zh) | 一种多传感器时频特征融合的镗削颤振监测方法 | |
| CN112207631B (zh) | 刀具检测模型的生成方法、检测方法、***、设备及介质 | |
| Bhakta et al. | Fault diagnosis of induction motor bearing using cepstrum-based preprocessing and ensemble learning algorithm | |
| CN113869339A (zh) | 用于故障诊断的深度学习分类模型及故障诊断方法 | |
| Liu et al. | Feasibility study of the GST-SVD in extracting the fault feature of rolling bearing under variable conditions | |
| CN117131425B (zh) | 一种基于反馈数据的数控机床加工状态监测方法及*** | |
| CN110530495A (zh) | 一种基于振动分析的切削颤振监测方法 | |
| CN109389039A (zh) | 一种优化核极限学习机在线监测刀具磨损状态方法及*** | |
| Manjunath et al. | In-process monitoring of the ultraprecision machining process with convolution neural networks | |
| CN114047259B (zh) | 一种基于时间序列多尺度钢轨伤损缺陷的检测方法 | |
| Xu et al. | CapsFormer: A Novel Bearing Intelligent Fault Diagnosis Framework With Negligible Speed Change Under Small-Sample Conditions | |
| Zhao et al. | Tool wear monitoring based on an improved convolutional neural network | |
| Li et al. | Tool fault diagnosis based on improved multiscale network and feature fusion | |
| CN114235043A (zh) | 外圆磨削颤振识别与尾架顶尖力在线监控测量装置及方法 | |
| CN114310483B (zh) | 一种数控加工尺寸误差预测方法 | |
| Di et al. | Tool Fault Diagnosis Method Based on Multiscale-Channel Attention Network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |