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 ...
【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
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。