一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法技术

一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法，其特征在于构建了包含深度置信网络和卷积神经网络两级深度学习模型，基于大量数控加工监测信号训练深度学习网络，进而实现刀具状态的实时监测；首先采用大量监测信号数据训练深度置信网络，实现监测信号特征的自动提取，并构建信号特征输入矩阵，然后建立监测信号与工艺信息和几何信息的关联关系，构建卷积神经网络，通过大量样本数据对卷积神经网络进行训练，建立监测信息与刀具状态的映射关系，最后根据数控加工过程中的实时监测信息，通过训练后的深度学习模型判断刀具状态。本发明专利技术既适用于大批量零件生产，也适用于小批量甚至是单件生产时复杂结构件的数控加工刀具状态监测。

A real-time monitoring method for NC machining tool state of complex structural parts based on depth learning

A complex structure based on deep learning of NC tool state monitoring method, which is characterized in that the constructed deep belief network and convolutional neural network two deep learning model, a large number of monitoring signal processing of CNC training network based on deep learning, so as to realize the real-time monitoring of tool condition monitoring; first use of a large number of signal data depth training belief network, automatic extraction of monitor signal characteristics, and construct the signal characteristics of the input matrix, the relationship and establish a monitoring signal and process information and geometry information, construct the convolution neural network, through the training of convolutional neural network for large sample data, mapping information and monitoring tool condition, according to the real-time monitoring information in the process of NC machining, tool shape model to determine through training after deep learning State. The invention not only applies to mass production of parts, but also applies to the monitoring of NC machining tool state of complex structure parts in small batch and even single piece production.

【技术实现步骤摘要】
一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法
本专利技术属于数控加工刀具状态监测领域，涉及一种数控加工刀具状态实时监测技术，具体地说是一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法。
技术介绍
数控加工过程中的刀具状态包括正常状态，磨损、断裂、意外掉落等非正常状态，非正常状态的刀具会导致零件表面质量变差，尺寸超差、引起颤振，影响加工精度，增加加工成本。在单件小批量生产模式下零件报废带来的成本和生产周期问题远比大批量零件生产时严重。据调研，使用装备监控系统的数控机床可以保证加工质量，提高加工效率，节约生产费用达30％。传统的数控加工刀具状态监测方法通过监测加工过程中传感器采集的各类信号，间接判断刀具状态。由于受到加工过程中的加工参数、零件材料等因素影响，刀具状态的监测需要人为经验的干预，导致监测结果不准确以及适用性不广泛，特别是对于单件、小批量生产的复杂结构件，传统的刀具监测方法无法适用。目前，这类系统软件有德国的ARTIS系统以及以色列的OMAT系统等。它们主要适用于大批量生产时数控加工状态监测，在单件小批量生产时机床数控加工状态监测时尚有误报警的问题未能解决。近年来，由于数据量的不断积累以及计算机性能的极大提升，大数据与人工智能领域得到了重大的突破。在数控加工过程中，海量传感器信号数据的积累，以及大型计算机的强大计算能力，为刀具监测搭建了良好的平台。本专利技术提出一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法，其特征在于构建了包含深度置信网络和卷积神经网络两级深度学习模型，基于大量数控加工监测信号训练深度学习网络，进而实现刀具状态的实时监测；首先采用大量监测信号数据训练深度置信网络，实现监测信号特征的自动提取，并构建信号特征输入矩阵，然后建立监测信号与工艺信息和几何信息的关联关系，构建卷积神经网络，通过大量样本数据对卷积神经网络进行训练，建立监测信息与刀具状态的映射关系，最后根据数控加工过程中的实时监测信息，通过训练后的深度学习模型判断刀具状态。本专利技术不仅能够适用于大批量零件生产时数控加工刀具状态监测，也能够适应于小批量甚至是单件生产时复杂结构件的数控加工刀具状态监测，适用范围更广。
技术实现思路
本专利技术的目的是针对现有技术监测学习工作量大，模型泛化能力差，零件适应性差的问题，为了实时掌握数控加工刀具状态，专利技术一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法。本专利技术的技术方案是：一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法，其特征在于构建了包含深度置信网络和卷积神经网络两级深度学习模型，基于大量数控加工监测信号训练深度学习网络，进而实现刀具状态的实时监测；首先采用大量监测信号数据训练深度置信网络，实现监测信号特征的自动提取，并构建信号特征输入矩阵，然后建立监测信号与工艺信息和几何信息的关联关系，构建卷积神经网络输入矩阵，通过大量样本数据对卷积神经网络进行训练，建立监测信息与刀具状态的映射关系，最后根据数控加工过程中的实时监测信息，通过训练后的深度学习模型判断刀具状态。具体步骤如下：步骤1：训练样本数据库建立。选择典型传感器信号数据，对每一类信号数据进行离散并分别存储，并贴上相应的刀具状态标签，作为训练样本。步骤2：深度学习模型的构建与训练。构建深度置信网络，输入原始信号数据，输出信号特征提取结果，采用无标签的训练集样本训练网络。构建卷积神经网络，输入监测信息矩阵，输出刀具状态辨识结果，采用有标签的训练集样本训练网络。步骤3：数控加工刀具状态监测。在数控加工过程中，监测步骤1所述的传感器信号数据，输入步骤2中训练好的两个深度网络，通过深度置信网络进行预处理，提取信号特征，通过卷积神经网络进行刀具状态辨识，判断刀具状态，异常则报警或停机，正常则继续监测直到加工完成。所述采集的监测信息有：切削物理量、切削参数信息、刀具信息、加工特征几何信息等，其中切削物理量包括三向切削力信号、声发射信号、振动信号、主轴功率信号等，切削参数信息包括切深、切宽、进给速度、主轴转速等，刀具信息包括刀具直径、圆角半径、刀具材料等，加工特征几何信息包括直线和圆弧。所述样本数据库构建方法为：采集不同种类的监测信号Sm，其中m表示监测信号类型，分别存储t时间段内的信号数据其对应的切削参数信息、加工特征几何信息和刀具信息，以及代表其刀具状态的样本标签，其中t可以取0.5s～1s内的时间段，以每一段时间t存储的监测信息作为一个训练样本；对不同种类的监测信号数据进行分层采样，得到每一类监测信号数据对应的训练集S、验证集V和测试集T。建立监测信号与工艺信息和几何信息的关联关系指的是将监测信号与加工对象的工艺信息即切深、切宽等以及几何信息即直线或者圆弧等信息关联对应起来，构建输入向量。所述深度置信网络的构建方法为：堆叠k个受限玻尔兹曼机，k的值取决于输入原始监测信号的个数数量级a和输出信号特征提取结果的个数数量级b，对某一类监测信号的原始信号数据构建向量P＝{p1,p2,……pc}，作为第一个受限玻尔兹曼机的显层神经元，通过无监督学习方法对P进行编码，输出向量即监测信号第一次特征提取结果，构成隐层神经元；通过Gibbs采样和对比散度算法，采用大量无标签的监测信号训练集数据对网络进行训练，得到权重矩阵W1，以Q1作为下一个受限玻尔兹曼机的输入，重复上述步骤，进行监测信号的二次特征提取；经过k个受限玻尔兹曼机，得到最终的监测信号特征提取结果和深度置信网络的权重W＝{W1，W2，……Wk}；对不同的监测信号分别构建深度置信网络。所述监测信息的卷积神经网络输入矩阵构建方法为：把深度置信网络提取的各类信号特征向量分别排列成s×s的信号特征矩阵簇Mm：其中s×s＝l；以信号特征矩阵簇Mm作为卷积神经网络的输入，即C1层监测信息特征图谱，数量为m。所述卷积神经网络的构建方法为：建立u个卷积层和v个池化层，其中u和v通过验证集V进行参数调整获得；对C1层的m个监测信息特征图谱进行池化操作，得到池化层S2，实现监测信息与刀具状态关联特征的抽象化；选择x个大小为n×n的卷积核，与S2层中池化过后的m个监测信息特征图谱进行卷积运算，得到卷积层C3的y个监测信息特征图谱，实现监测信息与刀具状态关联特征的提取，其中x，y，n通过验证集V进行参数调整获得；重复上述步骤；提取训练样本对应的切削参数、刀具信息和几何信息，构建工艺信息向量b，并添加至最后一层的监测信息特征图谱；对包含最后一层的监测信息特征图谱和工艺信息向量b的网络层与刀具状态分类结果层进行全连接；通过反向传播算法，采用大量有标签的监测信号训练集数据对网络进行训练，得到网络的参数，建立输入监测信息矩阵与刀具状态的映射关系。所述刀具状态的实时辨识方法为：以样本数据库中的信号采集频率采集数控加工过程中的各类传感器信号和对应的切削参数，以相同的时间间隔离散信号数据，输入训练好的深度置信网络中进行信号预处理，构建监测信息矩阵；把监测信息矩阵输入训练后的卷积神经网络中，输出刀具状态辨识结果，判断刀具状态，若刀具正常，则继续加工，反之则停机。本专利技术的有益效果是：本专利技术在大数据背景下基于深度学习方法进行数控加工刀具状态的实时监测，建立包含深度置信网络和卷积神经网络的两级深度本文档来自技高网...

【技术保护点】
一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法，其特征在于通过构建包含深度置信网络和卷积神经网络两级深度学习模型，基于大量数控加工监测信号训练深度学习网络，进而实现刀具状态的实时监测。

【技术特征摘要】
1.一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法，其特征在于通过构建包含深度置信网络和卷积神经网络两级深度学习模型，基于大量数控加工监测信号训练深度学习网络，进而实现刀具状态的实时监测。2.根据权利要求1所述的方法，其特征是它包括以下步骤：首先，采用大量数控加工监测信号数据训练深度置信网络，实现数控加工监测信号特征的自动提取，并构建信号特征输入矩阵；其次，建立数控加工监测信号与工艺信息和几何信息的关联关系，构建卷积神经网络，通过大量样本数据对卷积神经网络进行训练，建立监测信息与刀具状态的映射关系；最后，根据数控加工过程中的实时监测信息，通过训练后的深度学习模型判断刀具状态。3.根据权利要求1或2所述的方法，其特征是所述的数控加工监测信号包括：切削物理量、切削参数信息、刀具信息、加工特征几何信息，其中切削物理量包括三向切削力信号、声发射信号、振动信号、主轴功率信号，切削参数信息包括切深、切宽、进给速度、主轴转速，刀具信息包括刀具直径、圆角半径、刀具材料，加工特征几何信息包括直线和圆弧。4.根据权利要求1所述的方法，其特征是所述的样本数据库构建方法为：采集不同种类的监测信号Sm，其中m表示监测信号类型，分别存储t时间段内的信号数据其对应的切削参数信息、加工特征几何信息和刀具信息，以及代表其刀具状态的样本标签，其中t可以取0.5s～1s内的时间段，以每一段时间t存储的监测信息作为一个训练样本；对不同种类的监测信号数据进行分层采样，得到每一类监测信号数据对应的训练集S、验证集V和测试集T。5.根据权利要求1或2所述的方法，其特征是所述的深度置信网络的构建方法为：堆叠k个受限玻尔兹曼机，k的值取决于输入原始监测信号的个数数量级a和输出信号特征提取结果的个数数量级b，对某一类监测信号的原始信号数据构建向量P＝{p1,p2,……pc}，作为第一个受限玻尔兹曼机的显层神经元，通过无监督学习方法对P进行编码，输出向量即监测信号第一次特征提取结果，构成隐层神经元；...

【专利技术属性】
技术研发人员：李迎光，刘长青，华家玘，牟文平，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏,32