CN115971970B - 一种基于多参数引导空间注意力机制的铣刀磨损监测方法 - Google Patents
一种基于多参数引导空间注意力机制的铣刀磨损监测方法 Download PDFInfo
- Publication number
- CN115971970B CN115971970B CN202211534665.1A CN202211534665A CN115971970B CN 115971970 B CN115971970 B CN 115971970B CN 202211534665 A CN202211534665 A CN 202211534665A CN 115971970 B CN115971970 B CN 115971970B
- Authority
- CN
- China
- Prior art keywords
- milling cutter
- layer
- cutting
- abrasion
- monitoring
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012544 monitoring process Methods 0.000 title claims abstract description 58
- 238000003801 milling Methods 0.000 title claims abstract description 56
- 238000005299 abrasion Methods 0.000 title claims abstract description 49
- 230000007246 mechanism Effects 0.000 title claims abstract description 15
- 238000005520 cutting process Methods 0.000 claims abstract description 41
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000005070 sampling Methods 0.000 claims abstract description 11
- 208000035874 Excoriation Diseases 0.000 claims description 46
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000003754 machining Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 abstract description 16
- 238000013136 deep learning model Methods 0.000 abstract description 9
- 230000001737 promoting effect Effects 0.000 abstract description 4
- 238000012938 design process Methods 0.000 abstract description 3
- 230000005764 inhibitory process Effects 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 8
- 239000012634 fragment Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000002203 pretreatment Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种基于多参数引导空间注意力机制的铣刀磨损监测方法，将铣刀结构参数、工艺参数、监测信号采样频率等多参数引入深度学习模型的结构及参数设计过程的方法，建立了多参数与深度学习模型之间的联系；所提出的空间注意力模块可实现对监测信号中分切削/非切削部分信号段的辨识，并分别进行自适应的增强或抑制，屏蔽信号中与刀具状态无关的信号段，可准确对刀具磨损状态进行监测。为基于深度学习的刀具磨损监测方法提供了一种新思路，增强模型与刀具、工艺等对象之间的关联性，对提高模型的可解释性及可靠性，推动深度学习方法在刀具磨损监测领域的应用具有重要意义。
Description
【技术领域】
本发明涉及铣削加工刀具磨损监测技术领域，具体涉及一种基于多参数引导空间注意力机制的铣刀磨损监测方法。
【背景技术】
刀具磨损监测是当前智能制造的关键技术之一，其监测精度的提高对产品质量、生产效率、成本的优化都有着不可替代的作用。随着传感器技术、信息技术、以及人工智能等相关领域的高速发展，当前刀具磨损监测也逐渐由传统的物理模型、统计模型向机器学习、尤其是深度学习等方法转变。深度学习可以摆脱对专家知识的依赖，同时具备强大的高维非线性映射能力。当前深度学习在刀具磨损监测领域被广泛研究。
由于铣刀刀齿之间存在着凹槽，同时出于排屑、散热的考虑，其轴向切深通常不会太深，因此铣削过程实际是非连续的，所采集的任一类监测信号均在时间上包含了大量的非切削信号片段。然而当前深度学习在刀具磨损监测中的方法大多以原始信号直接作为输入。虽有部分方法如公开号CN114833636的一种基于多特征空间卷积神经网络的刀具磨损监测方法对信号进行了时域、频域、时频域特征的提取，但该系列特征中未能考虑非切削阶段信号的影响。同时现有深度学习方法在结构设计时也缺乏对非切削信号片段的考虑。非切削信号片段对模型决策的影响程度是难以评价的，即现有深度学习方法的可靠性是不确定的。因此虽然现有方法能够在已知加工条件下取得较高的监测精度，但难以泛化到其他的加工场景中，这也限制了该类方法在实际加工中的应用。
铣削过程中的非切削信号片段在时间上的长度可以通过铣刀结构参数、工艺参数、监测信号采样频率等多参数进行计算。该计算方法只须通过少量参数实现，并且通用，并不依赖额外的专家知识。但现有基于深度学习的铣刀监测方法对上述参数的利用仅限于作为一种先决条件，即作为模型有效边界的限定。缺乏上述参数与深度学习方法之间融合模式的研究。对加工过程中多种参数、监测信号以及深度学习模型结构之间的关系进行研究，并建立融合机制，对提高模型的可解释性及可靠性，推动深度学习方法在刀具磨损监测领域的应用具有重要意义。
【发明内容】
本发明是为了解决深度学习在刀具磨损监测中的不足，尤其是在监测信号中多参数共同决定的非切削信号片段对深度学习模型决策可靠性的影响，提出一种通用的基于频率注意力机制的铣刀磨损监测方法。该方法首先在频域对信号的高频噪音部分进行滤波。随后从时域出发，通过铣刀结构参数、工艺参数、监测信号采样频率等多参数对监测信号中的切削信号片段进行推导，根据推导结果对深度学习模型的结构基参数进行设计。所设计的模型可以实现对信号中实际切削信号片段进行自适应加权，对非切削信号片段进行抑制，并采用卷积模块对加权后的特征进行高维特征提取，可准确地监测铣刀磨损状态。
为实现上述目的，本发明所提供的技术方案是：
一种基于多参数引导空间注意力机制的铣刀磨损监测方法，其特征在于，包括一种基于多参数引导空间注意力的铣刀磨损监测模型；所述基于多参数引导空间注意力的铣刀磨损监测模型包括依次连接的空间注意力模块、卷积模块和全连接层；所述方法包括以下步骤：
步骤1，采集机床加工过程中的主轴振动信号(Scutting)和对应时刻的铣刀磨损状态；
步骤2，对所述步骤1中的Scutting进行预处理，然后进行低通滤波；对滤波后的信号进行切片并对齐，形成样本集；所述样本集为二维矩阵，形状为[j,L]；
步骤3，将步骤2中的样本输入构建的基于多参数引导空间注意力的铣刀磨损监测模型，对模型进行训练；具体训练过程如下：
步骤3-1，步骤2中样本集包含的样本按数量为Batch的批次首先输入到降采样层，对输入样本按将采样率kpool进行降采样，输出降采样后形状为[Batch,1,L/kpool]的张量；
步骤3-2，将步骤3-1中输出的张量输入参数引导感受野卷积层，通过卷积运算实现对输入的样本在空间上赋予不同的权重值，输出形状为[Batch,1,L/kpool]的空间权重矩阵；
步骤3-3，将步骤3-2的空间权重矩阵按顺序进行归一化处理、ReLU激活，通过元素重复层按所述步骤3-1中的kpool进行上采样，输出形状为[Batch,1,L]的空间权重矩阵；
步骤3-4，将步骤3-3的结果与步骤3-1中的输入按元素对应相乘，输出形状为[Batch,1,L]的加权张量；
步骤3-5，将步骤3-4中的加权张量依次输入卷积模块和全连接层，得到输出的分类结果；
步骤3-6，将步骤3-5中的分类结果与对应的磨损状态真实值进行比较，经过反向传播对模型中的权重进行更新，完成模型的训练；
步骤4，采用步骤3中训练好的铣刀磨损监测模型对铣刀磨损进行监测。
进一步地，所述卷积模块数量为2～5，包括依次连接的1维卷积层、1维批归一化层、ReLU激活层和1维平均池化层；所述全连接层的数量为1，包括依次连接的展开层、线性层、Softmax激活层；所述步骤3-1中的降采样层是核大小和步长均为kpool的1维平均池化层，其中kpool为整数并可整除L，可取范围为1～20；所述步骤3-2中的参数引导感受野卷积层是核大小为k，步长为1的1维卷积层；所述k的计算方法如下：
式中，fs为所述步骤1中Scutting的采样频率，单位为Hz；N为主轴转速，单位为转/分钟；n为铣刀的齿数；
所述步骤3-3中的元素重复层是对输入特征的每一个值进行重复，重复的倍数为kpool，重复维度为最后一维。
进一步地，所述步骤2中的低通滤波采用的技术是傅立叶低通滤波器；所述低通滤波的低通截止频率为：
式中，i为整数，取值范围为6～10。
进一步地，所述步骤2中的预处理方法如下：
式中，S'是处理后的信号，S为处理前的信号，T是信号长度；
所述步骤2中的切片是将所述Scutting划分为同一长度的未对齐样本S'cutting-j；所述未对齐S'cutting-j的长度L'为：
式中，fs为Scutting的采样频率，单位为Hz；N为主轴转速，单位为转/分钟；l为整数，可取范围为4～20；
所述步骤2中的j为式(3)中T除以式(4)中L'后向下取整，且可被100整除的数；
所述步骤2中的L为S'cutting-j在时间上对齐之后的长度；所述对齐步骤如下：
步骤2-1，以所述S'cutting-j中的第一个值为起点开始检索；
步骤2-2，以式(3)中L’除以l的商作为检索范围，对该范围内最小值的位置Localmin进行确定；
步骤2-3，以步骤2-2中的Localmin为起点，截取对齐信号段；所述对齐信号段的长度L为：
式中，所有符号与式(4)中含义、值均一致。
进一步地，所述步骤1中铣刀磨损状态包括初始磨损阶段、稳定磨损阶段、急剧磨损阶段和失效阶段；所述铣刀磨损状态划分依据是刀齿后刀面的最大宽度(VB)；所述初始磨损阶段、稳定磨损阶段、急剧磨损阶段和失效阶段对应的VB范围分别为0～0.1mm，0.1mm～0.2mm，0.2mm～0.3mm，大于0.3mm；所述步骤3-1中的Batch为小于j且可被32整除的整数。
与现有技术相比，本发明的有益效果在于：本发明提出了一种将铣刀结构参数、工艺参数、监测信号采样频率等多参数引入深度学习模型的结构及参数设计过程的方法，建立了多参数与深度学习模型之间的联系；所提出的空间注意力模块可实现对监测信号中分切削/非切削部分信号段的辨识，并分别进行自适应的增强或抑制，可屏蔽信号中与刀具状态无关(在物理意义上)的信号段，可准确对刀具磨损状态进行监测，同时为基于深度学习的刀具磨损监测方法提供了一种新思路，增强模型与对象(刀具、工艺等)之间的关联性，对提高模型的可解释性及可靠性，推动深度学习方法在刀具磨损监测领域的应用具有重要意义。
【附图说明】
图1是本发明方法流程图；
图2是本发明样本对齐流程；
图3是本发明基于多参数引导空间注意力机制的刀具磨损监测模型的结构示意图；
图4是本发明实施案例中对铣刀磨损状态辨识结果的混淆矩阵；
图5是本发明实施案例中刀具不同磨损阶段下原始信号的热力图；
图6是本发明实施案例中刀具不同磨损阶段下经过空间注意力模块加权之后的特征的热力图。
【具体实施方式】
为使本发明的目的、技术方案和优点更加清楚，下面结合实施例和附图，对本发明作进一步的详细说明。应当理解，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突，均可以以任何方式组合。
参阅图1～图3，本发明提供一种基于多参数引导空间注意力机制的刀具磨损监测方法，主要包括一种基于多参数引导空间注意力的铣刀磨损监测模型；所述基于多参数引导空间注意力的铣刀磨损监测模型包括依次连接的空间注意力模块(用于对信号中切削/非切削信号片段的增强/抑制)、卷积模块(用于提取特征)和全连接层(用于最后的结果输出)；所述方法包括如下步骤：
步骤1，采集机床加工过程中的主轴振动信号(Scutting)和对应时刻的铣刀磨损状态；
步骤2，对所述步骤1中的Scutting进行预处理，然后进行低通滤波(用于滤除高频噪音)；对滤波后的信号进行切片并对齐(空间注意力要求信号在时间上的周期对齐)，形成样本集；所述样本集为二维矩阵，形状为[j,L]；
步骤3，将步骤2中的样本输入构建的基于多参数引导空间注意力的铣刀磨损监测模型，对模型进行训练；具体训练过程如下：
步骤3-1，步骤2中样本集包含的样本按数量为Batch(小于j的整数，将样本按批量喂入模型)的批次首先输入到降采样层，对输入样本按将采样率kpool进行降采样(AvgPool1d，降低计算量)，输出降采样后形状为[Batch,1,L/kpool]的张量；
步骤3-2，将步骤3-1中输出的张量输入参数引导感受野卷积层(Conv1d)，通过卷积运算实现对输入的样本在空间上赋予不同的权重值，输出形状为[Batch,1,L/kpool]的空间权重矩阵；
步骤3-3，将步骤3-2的空间权重矩阵按顺序进行归一化处理(BatchNorm1d，将各通道的特征归一化)、ReLU激活(增加不同特征的非线性)，通过元素重复层按所述步骤3-1中的kpool进行上采样，输出形状为[Batch,1,L]的空间权重矩阵；
步骤3-4，将步骤3-3的结果与步骤3-1中的输入按元素对应相乘(加权)，输出形状为[Batch,1,L]的加权张量；
步骤3-5，将步骤3-4中的加权张量依次输入卷积模块和全连接层，得到输出的分类结果；
步骤3-6，将步骤3-5中的分类结果与对应的磨损状态真实值进行比较，经过反向传播对模型中的权重进行更新，完成模型的训练；
步骤4，采用步骤3中训练好的铣刀磨损监测模型对铣刀磨损进行监测。
具体的，所述卷积模块数量为2，包括依次连接的1维卷积层、1维批归一化层、ReLU激活层和1维平均池化层；所述全连接层的数量为1，包括依次连接的展开层、线性层、Softmax激活层；所述步骤3-1中的降采样层是核大小和步长均为kpool的1维平均池化层，其中kpool为4；所述步骤3-2中的参数引导感受野卷积层是核大小为k，步长为1的1维卷积层；所述k的计算方法如下：
式中，fs为所述步骤1中Scutting的采样频率，单位为Hz；N为主轴转速，单位为转/分钟；n为铣刀的齿数；通过公式(1)设置的卷积核大小在时间上等于铣刀旋转一周的信号按齿数等分之后的长度；
所述步骤3-3中的元素重复层是对输入特征的每一个值进行重复(通过pytorch中的repeat_interleave函数实现)，重复的倍数为kpool，重复维度为最后一维。
具体的，所述步骤2中的低通滤波采用的技术是傅立叶低通滤波器；所述低通滤波的低通截止频率为：
式中，i为10，与磨损状态高度相关的信号在频率上集中在齿通频率附近，同时噪音主要集中在高频部分，因此通过公式(2)对低通滤波截止频率进行确定。
具体的，所述步骤2中的预处理方法如下：
式中，S'是处理后的信号，S为处理前的信号，T是信号长度(所获取信号的长度，无须设置)；
所述步骤2中的切片是将所述Scutting划分为同一长度的未对齐样本S'cutting-j；所述未对齐S'cutting-j的长度L′为：
式中，fs为Scutting的采样频率，单位为Hz；N为主轴转速，单位为转/分钟；l为7；
所述步骤2中的j为式(3)中T除以式(4)中L'后向下取整，且可被100整除的数；
所述步骤2中的L为S'cutting-j在时间上对齐之后的长度；所述对齐步骤如下：
步骤2-1，以所述S'cutting-j中的第一个值为起点开始检索；
步骤2-2，以式(4)中L’除以l的商(铣刀旋转一周对应的信号长度)作为检索范围，对该范围内最小值的位置Localmin进行确定；
步骤2-3，以步骤2-2中的Localmin为起点，截取对齐信号段；所述对齐信号段的长度L为：
式中，所有符号与式(4)中含义、值均一致。
具体的，所述步骤1中铣刀磨损状态包括初始磨损阶段、稳定磨损阶段、急剧磨损阶段和失效阶段；所述铣刀磨损状态划分依据是刀齿后刀面的最大宽度(VB)；所述初始磨损阶段、稳定磨损阶段、急剧磨损阶段和失效阶段对应的VB范围分别为0～0.1mm，0.1mm～0.2mm，0.2mm～0.3mm，大于0.3mm；所述步骤3-1中的Batch为64。
本发明工作过程：
本发明一种基于多参数引导空间注意力机制的铣刀磨损监测方法在工作过程中，结合实施例进行说明。
一、数据获取：
以某五轴数控加工中心进行试验，所切削的工件材料为40号钢，每次走刀行程为420mm，用于切削工件的铣刀为某型3齿整体式立铣刀(n为3)，采用某型三向振动加速度传感器采集主轴X，Y，Z三向振动信号，所获取的振动信号采样频率fs为10000Hz，以X方向的主轴振动信号(Scutting)作为分析对象。
机床始终保持工艺参数(主轴转速N为1200RPM，进给速度180mm/min，轴向切深3mm，径向切深1.8mm)不变，进行切削，每次走刀结束后采用数码显微镜测量刃口的最大后刀面磨损VB值并进行记录，直至VB值超过0.3mm，共走刀15次，每次走刀时间约为74.6秒。根据VB值按0～0.1mm，0.1mm～0.2mm，0.2mm～0.3mm，大于0.3mm，将刀具磨损状态划分为初始磨损阶段、稳定磨损阶段、急剧磨损阶段和失效阶段。每次走刀结束最大后刀面磨损VB值及磨损状态见表1。
表1每次走刀结束最大后刀面磨损VB值及磨损状态
二、数据预处理与切片：
对获取到的Scutting分别进行预处理，预处理方法如下：
采用傅立叶低通滤波器分别对预处理后的信号进行低通滤波，低通滤波的低通截止频率为：
式中，i设置为10；将滤波后的Scutting划分为长度L'＝3500的未对齐样本S'cutting-j。
长度L'计算方法：
式中，l设置为7；此外，j＝3200(共有3200个样本，计算方法为每次走刀时间乘以fs的积再除以L'向下取整的结果)；
三、样本对齐：
以所述切片后的S'cutting-j中的第一个值为起点开始检索；
以500作为检索范围，对该范围内最小值的位置Localmin进行确定；
以Localmin为起点，截取对齐信号段；所述对齐信号段的长度L为：
可得，L＝3000；最终获取形状为[3200,3000]的样本集，按7:3的比例将样本集划分为训练集与测试集。
四、模型构建：
基于Python3.9.7-Anaconda 2.1.1-Pytorch 1.10.1进行模型构建，在i7-11800H16GB-NVIDIA’s GeForce GTC 3060GPU上进行训练；模型的超参数设置见表2。
表2模型训练超参数
本实施例中模型的结构和参数见表3。
表3模型结构和参数
其中，卷积模块1、卷积模块2中池化层(AvgPool1d)之前均包含ReLU激活函数(不需设置参数)；全连接层最后还包含Softmax激活函数(不需设置参数)。所述k＝41的确认方法如下：
五、模型训练：
将训练集按Batch＝64的批次首先输入到降采样层，对输入样本按将采样率kpool＝4进行降采样，输出降采样后形状为[64,1,750]的张量；
降采样后的张量被输入参数引导感受野卷积层，通过卷积运算实现对输入的样本在空间上赋予不同的权重值，输出形状为[64,1,750]的空间权重矩阵；
空间权重矩阵按顺序进行归一化处理、ReLU激活，通过元素重复层按所述步骤3-1中的kpool＝4进行上采样，输出形状为[64,1,3000]的空间权重矩阵；
空间权重矩阵与输入样本按元素对应相乘，输出形状为[64,1,3000]的加权张量；
加权张量依次被输入卷积模块和全连接层，得到输出的分类结果；
模型输出的分类结果与对应的磨损状态真实值进行比较，经过反向传播对模型中的权重进行更新，完成模型的训练。
六、模型测试：
参阅图4，将样本集中的测试集输入到训练好的模型中，输出分类结果的混淆矩阵，结果表明，模型的精度为99.81％，能较好满足实际加工中刀具磨损监测的需求。
七、有益效果分析：
参阅图5，将不同阶段下的原始对齐信号(3000个数据)按每旋转一周500个数据进行裁剪并拼接，随后生成热力图；参阅图6，将空间注意力加权之后的特征按同样的方式裁剪生成热力图。对比图5、图6，可以发现，首先图6中对大量信息进行了抑制，对另一部分则进行了增强，且图6中加权后的信号特征呈现出了明显的非连续性、周期性、而且在每个旋转周期内(横向)加强的空间位置与其他旋转周期高度一致(竖向)。可以表明，该空间注意力模块可有效对信号中的切削/非切削片段进行识别并自适应的加权。
本发明方法，提出了一种将铣刀结构参数、工艺参数、监测信号采样频率等多参数引入深度学习模型的结构及参数设计过程的方法，建立了多参数与深度学习模型之间的联系；所提出的空间注意力模块可实现对监测信号中分切削/非切削部分信号段的辨识，并分别进行自适应的增强或抑制，可屏蔽信号中与刀具状态无关(在物理意义上)的信号段，可准确对刀具磨损状态进行监测。为基于深度学习的刀具磨损监测方法提供了一种新思路，增强模型与对象(刀具、工艺等)之间的关联性，对提高模型的可解释性及可靠性，推动深度学习方法在刀具磨损监测领域的应用具有重要意义。
以上实施例是对本发明的说明，并不是对本发明的限定，任何熟悉本技术领域的技术人员在本发明公开的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于多参数引导空间注意力机制的铣刀磨损监测方法，其特征在于，包括一种基于多参数引导空间注意力的铣刀磨损监测模型；所述基于多参数引导空间注意力的铣刀磨损监测模型包括依次连接的空间注意力模块、卷积模块和全连接层；所述方法包括以下步骤：
步骤1，采集机床加工过程中的主轴振动信号(Scutting)和对应时刻的铣刀磨损状态；
步骤2，对所述步骤1中的Scutting进行预处理，然后进行低通滤波；对滤波后的信号进行切片并对齐，形成样本集；所述样本集为二维矩阵，形状为[j,L]；
步骤3，将步骤2中的样本输入构建的基于多参数引导空间注意力的铣刀磨损监测模型，对模型进行训练；具体训练过程如下：
步骤3-1，步骤2中样本集包含的样本按数量为Batch的批次首先输入到降采样层，对输入样本按将采样率kpool进行降采样，输出降采样后形状为[Batch,1,L/kpool]的张量；
步骤3-2，将步骤3-1中输出的张量输入参数引导感受野卷积层，通过卷积运算实现对输入的样本在空间上赋予不同的权重值，输出形状为[Batch,1,L/kpool]的空间权重矩阵；
步骤3-3，将步骤3-2的空间权重矩阵按顺序进行归一化处理、ReLU激活，通过元素重复层按所述步骤3-1中的kpool进行上采样，输出形状为[Batch,1,L]的空间权重矩阵；
步骤3-4，将步骤3-3的结果与步骤3-1中的输入按元素对应相乘，输出形状为[Batch,1,L]的加权张量；
步骤3-5，将步骤3-4中的加权张量依次输入卷积模块和全连接层，得到输出的分类结果；
步骤3-6，将步骤3-5中的分类结果与对应的磨损状态真实值进行比较，经过反向传播对模型中的权重进行更新，完成模型的训练；
步骤4，采用步骤3中训练好的铣刀磨损监测模型对铣刀磨损进行监测。
2.如权利要求1所述的一种基于多参数引导空间注意力机制的铣刀磨损监测方法，其特征在于，所述卷积模块数量为2～5，包括依次连接的1维卷积层、1维批归一化层、ReLU激活层和1维平均池化层；所述全连接层的数量为1，包括依次连接的展开层、线性层、Softmax激活层；所述步骤3-1中的降采样层是核大小和步长均为kpool的1维平均池化层，其中kpool为整数并可被L整除，可取范围为1～20；所述步骤3-2中的参数引导感受野卷积层是核大小为k，步长为1的1维卷积层；所述k的计算方法如下：
式中，fs为所述步骤1中Scutting的采样频率，单位为Hz；N为主轴转速，单位为转/分钟；n为铣刀的齿数；
所述步骤3-3中的元素重复层是对输入特征的每一个值进行重复，重复的倍数为kpool，重复维度为最后一维。
3.如权利要求1所述的一种基于多参数引导空间注意力机制的铣刀磨损监测方法，其特征在于，所述步骤2中的低通滤波采用的技术是傅立叶低通滤波器；所述低通滤波的低通截止频率为：
式中，i为整数，取值范围为6～10。
4.如权利要求1所述的一种基于多参数引导空间注意力机制的铣刀磨损监测方法，其特征在于，所述步骤2中的预处理方法如下：
式中，S'是处理后的信号，S为处理前的信号，T是信号长度；
所述步骤2中的切片是将所述Scutting划分为同一长度的未对齐样本S'cutting-j；所述未对齐S'cutting-j的长度L′为：
式中，fs为Scutting的采样频率，单位为Hz；N为主轴转速，单位为转/分钟；l为整数，可取范围为4～20；
所述步骤2中的j为式(3)中T除以式(4)中L'后向下取整，且可被100整除的数；
所述步骤2中的L为S'cutting-j在时间上对齐之后的长度；所述对齐步骤如下：
步骤2-1，以所述S'cutting-j中的第一个值为起点开始检索；
步骤2-2，以式(4)中L’除以l的商作为检索范围，对该范围内最小值的位置Localmin进行确定；
步骤2-3，以步骤2-2中的Localmin为起点，截取对齐信号段；所述对齐信号段的长度L为：
式中，所有符号与式(4)中含义、值均一致。
5.如权利要求1所述的一种基于多参数引导空间注意力机制的铣刀磨损监测方法，其特征在于，所述步骤1中铣刀磨损状态包括初始磨损阶段、稳定磨损阶段、急剧磨损阶段和失效阶段；所述铣刀磨损状态划分依据是刀齿后刀面的最大宽度(VB)；所述初始磨损阶段、稳定磨损阶段、急剧磨损阶段和失效阶段对应的VB范围分别为0～0.1mm，0.1mm～0.2mm，0.2mm～0.3mm，大于0.3mm；所述步骤3-1中的Batch为小于j且可被32整除的整数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211534665.1A CN115971970B (zh) | 2022-12-02 | 2022-12-02 | 一种基于多参数引导空间注意力机制的铣刀磨损监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211534665.1A CN115971970B (zh) | 2022-12-02 | 2022-12-02 | 一种基于多参数引导空间注意力机制的铣刀磨损监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115971970A CN115971970A (zh) | 2023-04-18 |
| CN115971970B true CN115971970B (zh) | 2024-03-26 |
Family
ID=85963780
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211534665.1A Active CN115971970B (zh) | 2022-12-02 | 2022-12-02 | 一种基于多参数引导空间注意力机制的铣刀磨损监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115971970B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102018100911A1 (de) * | 2017-12-13 | 2019-06-13 | Schaeffler Technologies AG & Co. KG | Verfahren zur Früherkennung von Schäden an einer Werkzeugmaschine; Vorrichtung zum Durchführen des Verfahrens; sowie Werkzeugmaschine |
| JP2019136822A (ja) * | 2018-02-13 | 2019-08-22 | オークマ株式会社 | 工具管理装置 |
| WO2021166790A1 (ja) * | 2020-02-17 | 2021-08-26 | 京セラ株式会社 | 摩耗量推定モデル作成方法、摩耗量推定方法、摩耗量推定モデル作成装置、摩耗量推定モデル作成プログラム、摩耗量推定装置及び摩耗量推定プログラム |
| CN113378725A (zh) * | 2021-06-15 | 2021-09-10 | 山东大学 | 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 |
| CN114161228A (zh) * | 2022-02-14 | 2022-03-11 | 湖南大学 | 刀具磨损预测方法、装置、设备及存储介质 |
| CN114619292A (zh) * | 2022-03-25 | 2022-06-14 | 南京航空航天大学 | 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 |
| CN115091262A (zh) * | 2022-07-01 | 2022-09-23 | 西安交通大学 | 一种基于多类信号特征融合的刀具磨损监测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6371335B2 (ja) * | 2016-05-30 | 2018-08-08 | Dmg森精機株式会社 | 加工状態表示装置 |
| CN112435363B (zh) * | 2019-08-26 | 2022-08-16 | 贵州大学 | 一种刀具磨损状态实时监测方法 |
-
2022
- 2022-12-02 CN CN202211534665.1A patent/CN115971970B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102018100911A1 (de) * | 2017-12-13 | 2019-06-13 | Schaeffler Technologies AG & Co. KG | Verfahren zur Früherkennung von Schäden an einer Werkzeugmaschine; Vorrichtung zum Durchführen des Verfahrens; sowie Werkzeugmaschine |
| JP2019136822A (ja) * | 2018-02-13 | 2019-08-22 | オークマ株式会社 | 工具管理装置 |
| WO2021166790A1 (ja) * | 2020-02-17 | 2021-08-26 | 京セラ株式会社 | 摩耗量推定モデル作成方法、摩耗量推定方法、摩耗量推定モデル作成装置、摩耗量推定モデル作成プログラム、摩耗量推定装置及び摩耗量推定プログラム |
| CN113378725A (zh) * | 2021-06-15 | 2021-09-10 | 山东大学 | 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 |
| CN114161228A (zh) * | 2022-02-14 | 2022-03-11 | 湖南大学 | 刀具磨损预测方法、装置、设备及存储介质 |
| CN114619292A (zh) * | 2022-03-25 | 2022-06-14 | 南京航空航天大学 | 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 |
| CN115091262A (zh) * | 2022-07-01 | 2022-09-23 | 西安交通大学 | 一种基于多类信号特征融合的刀具磨损监测方法 |
Non-Patent Citations (5)
| Title |
|---|
| A frequency-spatial hybrid attention mechanism improved tool wear state recognition method guided by structure and process parameters;Lai xuwei;Measurement;20230404;全文 * |
| 基于可解释物理引导空间注意力改进的跨工艺参数立铣刀磨损辨识;赖旭伟;机械工程学报;20240119;1-11 * |
| 基于多尺度卷积注意力网络融合的刀具磨损预测;黄庆卿;中国自动化大会——中国自动化学会60周年会庆暨纪念钱学森诞辰110周年;20211022;全文 * |
| 基于注意力机制BiLSTM的设备智能故障诊断方法;王太勇;王廷虎;王鹏;乔卉卉;徐明达;;天津大学学报(自然科学与工程技术版);20200427(06);55-62 * |
| 基于深度门控循环单元神经网络的刀具磨损状态实时监测方法;陈启鹏;谢庆生;袁庆霓;黄海松;魏琴;李宜汀;;计算机集成制造***;20200715(07);58-69 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115971970A (zh) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109514349B (zh) | 基于振动信号和Stacking集成模型的刀具磨损状态监测方法 | |
| Guo et al. | Sound singularity analysis for milling tool condition monitoring towards sustainable manufacturing | |
| CN103105820B (zh) | 一种数控机床切削加工的刀具磨损状态识别方法 | |
| CN104723171A (zh) | 一种基于电流与声发射复合信号的刀具磨损监测方法 | |
| CN111633467B (zh) | 一种基于一维深度卷积自动编码器的刀具磨损状态监测方法 | |
| CN111660141B (zh) | 一种工况无关的基于主轴驱动电流的铣刀磨损状态识别方法 | |
| CN110555243B (zh) | 一种铣削过程中机床主轴振动信息的二维图谱构建方法 | |
| CN116237817B (zh) | 基于物联网的五轴联动数控机床智能监测*** | |
| CN109262368A (zh) | 一种刀具失效判定方法 | |
| CN113378725A (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 | |
| CN113177537B (zh) | 一种旋转机械设备的故障诊断方法及*** | |
| CN108629864B (zh) | 一种基于振动的电主轴径向精度表征方法及其*** | |
| CN113798920A (zh) | 一种基于变分自动编码器与极限学习机的刀具磨损状态监测方法 | |
| Li et al. | Tool breakage detection using deep learning | |
| CN114346761A (zh) | 一种基于改进条件生成对抗网络的刀具磨损状况检测方法 | |
| CN116070527A (zh) | 基于退化模型的铣削刀具剩余寿命预测方法 | |
| CN108956783B (zh) | 一种基于hdp-hsmm的磨削声砂轮钝化状态检测方法 | |
| CN112207631A (zh) | 刀具检测模型的生成方法、检测方法、***、设备及介质 | |
| CN115971970B (zh) | 一种基于多参数引导空间注意力机制的铣刀磨损监测方法 | |
| CN113369993B (zh) | 一种小样本下刀具磨损状态监测方法 | |
| Wei et al. | Research progress of noise in high-speed cutting machining | |
| CN114800040A (zh) | 工艺-状态数据关联的刀具磨损监测方法及*** | |
| CN210878880U (zh) | 一种数控车床刀具磨损监测*** | |
| CN114638265B (zh) | 一种基于信号卷积神经网络的铣削颤振判别方法 | |
| CN117066972A (zh) | 基于数据推理的涡轮叶片叶根槽铣削出口毛刺预测方法 |
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 |