[發明專利]基于在線增量磨損演化模型的切削狀態邊緣智能監控方法

有效

• 申請號: 202010784204.4
• 申請日: 2020-08-06
• 公開（公告）號: CN111890127B
• 公開（公告）日: 2022-09-20
• 發明（設計）人: 楊文安;劉學為
• 申請（專利權）人: 南京航空航天大學
• 主分類號: B23Q17/09
• 分類號: B23Q17/09;G06N3/04;G06N3/08
• 代理公司: 北京睿智保誠專利代理事務所(普通合伙) 11732
• 代理人: 王燦

本技術公開了一種基于在線增量磨損演化模型的切削狀態邊緣智能監控方法，利用刀具邊緣智能監控系統實時采集加工裝備加工過程中的切削力信號、振動信號及聲發射信號；建立無線數據傳輸網絡，并利用域控制器控制數據傳輸的路徑，最后將數據從感知層傳輸到邊緣計算層；利用邊緣計算層的現場可編程邏輯門陣列(Field Programmable Gate Array，FPGA)硬件系統對數據進行預處理得到訓練樣本，并結合訓練樣本的特征數和樣本數確定在線序貫增量極限學習機的內部拓撲結構，最后在同一工況下將傳感器采集的數據傳輸到訓練完成的邊緣計算層；利用刀具邊緣智能監控系統中的SDN技術層將實時監控結果發送到云計算層；利用云計算層中的應用服務對刀具磨損監控結果進行應用。本技術實時性高、準確性好、數據處理能力強。

技術領域

本技術涉及加工裝備刀具磨損監控領域，尤其涉及基于在線增量磨損演化模型的切削狀態邊緣智能監控方法。

背景技術

在機械加工領域，刀具磨損量有著重要的意義，其直接影響著刀具的剩余壽命及加工工件的尺寸、表面粗糙度等，但在切削加工過程中，刀具不可避免的存在著磨損現象。到目前為止，監控刀具磨損的方式主要分為直接法和間接法，其中直接法是指接觸法和光學圖像法，但由于測試條件的限制，直接法需分不同時間階段將加工裝備停機，且需要的基礎設施較復雜，不易操作；間接法是指通過監控切削力信號、刀具振動信號、聲發射信號、噪聲信號等，并對其進行預處理之后再提取刀具切削過程中的特征信息，來判斷刀具的磨損狀態，其監控結果的準確程度主要取決于使用者的智能學習模型構建水平及經驗。

智能學習工具選擇的是否合理對刀具磨損量監控效率與診斷服務水平有著很大影響。當前技術用于刀具磨損量監控的智能學習工具均采用批量學習方法與離線訓練方式，為了滿足在線監控的要求，需要放棄以前的學習成果，而且需要根據新增加的數據和過去所有數據一起重新學習和訓練。重新學習全部數據，會導致消耗大量的時間和空間資源。隨著線上監控數據規模不斷增加，對時間和空間的需求也會迅速增加，最終甚至將導致學習的速度趕不上數據更新的速度。另外，當前技術用于刀具磨損量監控的智能學習工具的應用也都假設切削過程中刀具磨損狀態是事先已知的模式下來做監控。然而，在實際應用中，訓練樣本通常不可能一次全部得到，各種的刀具磨損模式往往都是隨著時間逐步得到的，并且樣本反映的信息也可能隨著時間產生了變化。因此，為了使刀具磨損量監控的智能學習工具不僅具有強大學習能力，能夠對足夠多的刀具磨損模式進行學習，融會貫通；還具有持續的自我改進和更新能力，能夠不斷地對切削過程中新出現的刀具磨損模式進行再學習，逐漸提高對切削過程刀具磨損狀態的認識和理解；同時還具有對切削過程刀具磨損狀態做出足夠快的偵測與分析行為的能力；本技術基于邊緣智能的思想，采用在線增量學習策略，以單層前饋神經網絡為基，建立快速在線序貫神經網絡模型，將其用作智能學習工具來對切削過程刀具磨損的在線實時監控。

發明專利“一種加工裝備刀具磨損監控方法”(CN102091972B)，提出了通過檢測切削加工中的驅動電機的三相輸出電流，并利用小波分解及多項式擬合的方法來判斷刀具的磨損程度。但該方法利用小波分解來進行特征提取，提取的結果經驗性成份高，其應用效果主要取決于應用人員的計算水平，且當多項式擬合的精度要求高時，需要大量的時間完成擬合，導致實時性及精確度不足。

發明專利“基于小波包分析與RBF神經網絡的刀具磨損在線監控方法”(CN108356606A)，提出了通過檢測切削加工過程中的切削力信號及加工后刀具的后刀面磨損量，并通過小波包分析處理信號，利用RBF神經網絡監控信號。但該方法利用小波包分析提取隱含特征，提取的結果不能很好的體現切削力信號與刀具磨損量之間的隱含關系，且利用RBF神經網絡進行刀具磨損監控，學習速度慢、泛化能力差，導致監控結果的實時性不足，且準確率不高。