【技术实现步骤摘要】
本专利技术属于基于计算机数据处理的合金加工监测，尤其涉及一种基于数字孪生的合金加工机床作业监控管理方法。
技术介绍
1、随着智能制造技术的快速发展，合金加工车间作为高端制造业的重要组成部分，其生产效率、产品质量及安全管理水平对整体生产效益具有重要影响。在合金加工中最重要的设备是合金加工机床，而加工机床刀具的磨损状态是影响合金加工质量和加工效率的重要因素。因此能否及时准确地监测刀具的磨损状态，是保障工件与机床质量安全的一个重要前提。
2、申请号为cn202310710028.3的中国专利技术专利公开了一种基于匹配小波深度迁移学习的铣削加工刀具磨损检测方法，首先通过振动、声发射、功率传感器从机床铣削平面加工过程中得到原始的加工信号，从原始加工信号中提取平稳切削过程信号，再通过morse连续小波对一维故障信号进行匹配升维，捕捉微小变化，得到可视化强化特征图像；其次，对深度迁移网络源域模型进行有效迁移，该模型具有高效的图像学习经验，可降低目标域训练样本数量；最后在模型迁移中根据有限数据进行流程的参数优化。
3、申请号为cn202210299396.9的中国专利技术专利公开了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，首先，通过传感器模块采集机床铣削平面加工过程中的原始加工信号，包括外置信号和内置信号，其中，外置信号包括振动、电流和声发射，内置信号包括机床内置移动轴实时位置；结合加工程序中指令及机床内置移动轴位置信号，从原始加工信号提取平稳切削过程信号，再通过小波降噪对信号进行预处理，去除
4、然而上述技术仅让神经网络学习了与刀具磨损值相关的时域特征，没有考虑频域特征，这可会导致信息的缺失，因为频域特征往往能揭示信号在不同频率上的能量分布和变化，这些变化与刀具的磨损状态密切相关。通过时频转换技术，如傅里叶变换，可以将时域信号转换为频域信号，从而进一步提取频域特征，为刀具磨损状态的识别提供更全面的信息。而且，刀具的振动信号、电流和声发射信号为不同类型传感器采集的数据，具有多模态属性。这些不同模态的数据各自包含了刀具磨损状态的不同方面的信息，且这些信息之间可能存在互补性。上述方法没有考虑训练数据的多模态属性，可能无法充分利用这些互补信息，从而影响刀具磨损状态识别的准确性和稳定性。
技术实现思路
1、针对上述问题，本专利技术提出了一种基于数字孪生的合金加工机床作业监控管理方法，包括以下过程：
2、构建用于合金加工机床作业监控管理的数字孪生模型，包括合金加工刀具物理模型和孪生数据模型；
3、所述合金加工刀具物理模型包括三向切削力传感器、三向振动传感器和声发射传感器、信调仪和合金加工刀具，所述三向切削力传感器、三向振动传感器和声发射传感器分别采集合金加工刀具工作时所在物理空间的三向切削力时域信号、三向振动时域信号和声发射信号三种异构数据；
4、所述孪生数据模型用于获取实时监测数据进行监控管理，并包括训练完成的多模态时空特征融合网络和刀具磨损量预测模块；
5、所述多模态时空特征融合网络包括多尺度卷积网络、空间特征提取网络、时间特征提取网络和多模态残差融合网络；将预处理后的三种异构数据输入多尺度卷积网络获得不同尺度的浅层次特征，将不同尺度的浅层次特征输入空间特征提取网络为不同特征赋予不同权重，提取关键的空间特征；同时将不同尺度的浅层次特征输入时间特征提取网络，捕捉三种异构数据中的时问序列特征，包括刀具磨损随时间变化的动态特性；将空间特征和时间特征输入多模态残差融合网络进行交叉注意力融合，获得残差多模态融合特征；
6、所述刀具磨损量预测模块基于输入的残差多模态融合特征获得合金加工刀具后刀面磨损量预测值。
7、优选的，所述多尺度卷积网络包括多尺度卷积层、最大池化层、上采样层和特征拼接层；所述多尺度卷积层由1*1深度可分离卷积层、3*3深度可分离卷积层和5*5深度可分离卷积层组成；将切削力数据、振动信号数据和声发射数据分别输入输入多尺度卷积网络获得不同尺度的浅层次特征，具体如下：
8、将合金刀具在工作过程中沿x轴、y轴和z轴三个方向的切削力数据[ax ay az]、合金刀具在工作过程中沿x轴、y轴和z轴三个方向的振动信号数据[bx by bz]和声发射数据c分别输入多尺度卷积层，具体计算公式如下：
9、fa1＝dsconv1*1([ax ay az])
10、fa3＝dsconv3*3([ax ay az])
11、fa5＝dsconv5*5([ax ay az])
12、fb1＝dsconv1*1([bx by bz])
13、fb3＝dsconv3*3([bx by bz])
14、fb5＝dsconv5*5([bx by bz])
15、fc1＝dsconv1*1(c)
16、fc3＝dsconv3*3(c)
17、fc5＝dsconv5*5(c)
18、其中dsconv1*1(·)、dsconv3*3(·)和dsconv5*5(·)分别代表卷积核尺度为1*1、3*3和5*5的深度可分离卷积；fa1、fa3和fa5分别为1*1深度可分离卷积层、3*3深度可分离卷积层和5*5深度可分离卷积层输出的切削力数据特征；fb1、fb3和fb5分别为1*1深度可分离卷积层、3*3深度可分离卷积层和5*5深度可分离卷积层输出的振动信号数据特征；fc1、fc3和fc5分别为1*1深度可分离卷积层、3*3深度可分离卷积层和5*5深度可分离卷积层输出的声发射数据特征；
19、将fa1、fa3和fa5依次输入上采样层，统一不同尺度特征的分辨率后输入特征拼接层获得切削力多尺度特征mfa；将fb1、fb3和fb5依次输入上采样层，统一不同尺度特征的分辨率后输入特征拼接层获得振动信号多尺度特征mfb；将fc1、fc3和fc5依次输入上采样层，统一不同尺度特征的分辨率后输入特征拼接层获得声发射多尺度特征；
20、将mfa、mfb和mfc分别输入最大池化层降低特征图的分辨率。
21、优选的，所述空间特征提取网络由通道注意力机制层和空间注意力机制层组成，将切削力数据池化特征、振动信号数据池化特征和声发射数据池化特征rfa、rfb和rfc输入空间特征提取网络，其具体处理过程为：
22、将rfa、rfb和rfc依次输入通道注意力机制层，通过显式建模通道间的依赖性，自适应地重新校准通道方向的特征响应，具体计算公式如下：...
【技术保护点】
1.一种基于数字孪生的合金加工机床作业监控管理方法，其特征在于，包括以下过程：
2.如权利要求1所述的一种基于数字孪生的合金加工机床作业监控管理方法，其特征在于：所述多尺度卷积网络包括多尺度卷积层、最大池化层、上采样层和特征拼接层；所述多尺度卷积层由1*1深度可分离卷积层、3*3深度可分离卷积层和5*5深度可分离卷积层组成；将切削力数据、振动信号数据和声发射数据分别输入输入多尺度卷积网络获得不同尺度的浅层次特征，具体如下：
3.如权利要求1所述的一种基于数字孪生的合金加工机床作业监控管理方法，其特征在于：所述空间特征提取网络由通道注意力机制层和空间注意力机制层组成，将切削力数据池化特征、振动信号数据池化特征和声发射数据池化特征RFA、RFB和RFC输入空间特征提取网络，其具体处理过程为：
4.如权利要求1所述的一种基于数字孪生的合金加工机床作业监控管理方法，其特征在于：所述时间特征提取网络包含特征嵌入层、卷积层、膨胀卷积层和门控单元，所述时间特征提取网络与空间特征提取网络为并行结构，将将切削力数据池化特征、振动信号数据池化特征和声发射数据池化特
5.如权利要求1所述的一种基于数字孪生的合金加工机床作业监控管理方法，其特征在于：所述多模态残差融合网络包含特征拼接层、特征求和层、多头注意力机制层和随机失活层，所述多模态时空特征融合网络的输入和输出采用残差连接，将切削力数据空间注意力特征SAFA、振动信号数据空间注意力特征特征SAFB和声发射数据空间注意力特征SAF，以及切削力数据时间注意力特征GEFA、振动信号数据时间注意力特征特征GEFB和声发射数据时间注意力特征GEFC输入多模态残差融合网络，获得多模态残差融合特征，具体处理过程如下：
6.如权利要求1所述的一种基于数字孪生的合金加工机床作业监控管理方法，其特征在于：所述刀具磨损量预测模块包括频域特征识别模块和刀具磨损量预测网络；
7.如权利要求6所述的一种基于数字孪生的合金加工机床作业监控管理方法，其特征在于：所述频域特征识别模块具体包括傅里叶变换模块，主成分分析模块和卷积层；
8.如权利要求6所述的一种基于数字孪生的合金加工机床作业监控管理方法，其特征在于：所述刀具磨损量预测网络由堆叠的全连接层、线性激活函数层和特征拼接层组成，堆叠的全连接层采用三层全连接层结构，三层全连接层之间采用残差连接以增强网络的泛化能力，将频域信号特征HF和获得的多模态残差融合特征RMDF输入刀具磨损量预测网络，具体过程如下：
...【技术特征摘要】
1.一种基于数字孪生的合金加工机床作业监控管理方法，其特征在于，包括以下过程：
2.如权利要求1所述的一种基于数字孪生的合金加工机床作业监控管理方法，其特征在于：所述多尺度卷积网络包括多尺度卷积层、最大池化层、上采样层和特征拼接层；所述多尺度卷积层由1*1深度可分离卷积层、3*3深度可分离卷积层和5*5深度可分离卷积层组成；将切削力数据、振动信号数据和声发射数据分别输入输入多尺度卷积网络获得不同尺度的浅层次特征，具体如下：
3.如权利要求1所述的一种基于数字孪生的合金加工机床作业监控管理方法，其特征在于：所述空间特征提取网络由通道注意力机制层和空间注意力机制层组成，将切削力数据池化特征、振动信号数据池化特征和声发射数据池化特征rfa、rfb和rfc输入空间特征提取网络，其具体处理过程为：
4.如权利要求1所述的一种基于数字孪生的合金加工机床作业监控管理方法，其特征在于：所述时间特征提取网络包含特征嵌入层、卷积层、膨胀卷积层和门控单元，所述时间特征提取网络与空间特征提取网络为并行结构，将将切削力数据池化特征、振动信号数据池化特征和声发射数据池化特征rfa、rfb和rfc输入时间特征提取网络，具体步骤如下：
5.如权利要求1所述的一种基于数字孪生的合金加工机...
【专利技术属性】
技术研发人员：欧阳叶根，陈伯乐，田磊，施家广，吴勇龙，汪明军，刘申友，
申请(专利权)人：江西浦合盛业环保科技有限公司，
类型：发明
国别省市：
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。