1、信息技术汤玉红等基于 的刀具磨损预测模型基金项目:中国高校产学研创新基金项目()广东省软科学项目()第一作者简介:汤玉红()女福建三明人硕士研究方向为深度学习与智能制造.:./.基于 的刀具磨损预测模型汤玉红赖朝安(华南理工大学 工商管理学院广东 广州)摘 要:对刀具每次走刀后的磨损量与走刀过程中的传感器信号进行研究提出基于长短时记忆神经网络()的刀具磨损预测模型 使用 模型自主提取时间序列数据特征将多个传感器信号作为模型输入自动化处理避免了人工提取特征出现的信息丢失充分把握了实验数据的长时依赖性和多维度、多长度特征 经实验对比分析表明:模型在刀具磨损预测结果上具有显著优势关键词:神经网络长短
2、时记忆神经网络刀具磨损预测中图分类号:.文献标志码:文章编号:()():().:引言在金属加工中刀具使工件材料变形并以切削的形式对其进行剪切变形过程需要很大的力并且刀具将承受各种机械、热、化学和摩擦载荷 随着时间的流逝这些负载最终会使刀具过度磨损而导致替换 对刀具磨损程度的判断传统方法是由经验丰富的技术工人主观判断或简单地按照时长判断 由于不能精准地判断磨损程度传统判断方法往往会导致刀具提前报废降低了刀具的有效使用率更有甚者因为判断失误导致加工工件损坏等加工质量事故 通过正确地预测刀具寿命制造商可以根据刀具磨损来准确地计划金属加工过程从而控制成本并避免计划外停机 因此预测性维护作为制造维护中的
3、重要组成部分在大型制造的计划、维护管理和质量改进中起着至关重要的作用 切削刀具寿命的预测可以分为统计学习方法、浅层学习方法以及深度学习方法统计学习方法作为预测刀具磨损的传统方法已被广泛使用 模型认为磨损造成的材料损失量与摩擦成正比 泰勒模型主要考虑增加切削深度对刀具寿命的影响但泰勒模型不适用于较低的切削速度 传统的统计学习方法具有良好的可解释性但是在预测精度上还有较大提升空间 随着可用数据的增加浅层结构算法被用来预测切削刀具的剩余寿命例如多传感器信息融合、隐马尔可夫模型 王国锋等基于一对多的多分类支持向量机()对刀具不同磨损状态下的特征数据样本进行训练和识别 冯晓亮建立了一个结合短时傅里叶变换
4、和局部保持投影的基于条件随机场的刀具磨损状态监测系统 但浅层结构算法的局限性在于有限样本和计算单元情况下对复杂函数的表示能力有限对复杂分类问题其泛化能力受到一定制约随着数据爆炸时代到来深度学习缓解了浅层结构算法局部最小的困境引起了传统机器学习领域的广泛关注 刘学为等基于模糊小波极限学习机()构建机器学习模型用以识别加工过程中刀具的磨损状态聂鹏等基于混合粒子群的优化 神经网络进行刀具磨损状态识别 李孟虔等同样针对 神经网络存在的缺点提出了模糊神经网络的模型 安华等利用稀疏自编码器及皮尔逊相关系数处理数据来训练 神经网络 但是 神经网络收敛速度慢、容易陷入局部最优的问题并没有得到根本意义上的解决
5、大量关于卷积神经网络()在制造系统中的研究也得到了广泛关注 但 与 神经网络一样都假设了原始样本数据之间存在着独立性在处理具有长时依赖的文本数据或者时间序列数据出现了难题 此时递归神经网络()凭借自身在处理序列数据上的优势逐步取得研究者的青睐 改进后信息技术汤玉红等基于 的刀具磨损预测模型的长短时记忆网络()通过引入了输入门、遗忘门、输出门解决了 梯度消失、梯度爆炸的问题 在刀具磨损领域朱翔、厉大维等将采集到的刀具信号用作为长短期记忆神经网络的特征输入进行刀具磨损状态的预测综上所述本文提出了基于长短时记忆神经网络的刀具磨损预测模型 利用 语言和 平台将多维度、多长度的传感器信号作为模型输入并最
6、终对刀具的多个切削刃进行磨损预测 模型避免了人工提取特征出现的信息丢失充分把握了时间序列数据的长时依赖性和多维度、多长度特征 通过与其他传统刀具磨损预测方法进行比较结果表明该模型与其他模型对比具有更高的准确性 基于 的刀具磨损预测模型.基于 的刀具磨损预测模型框架基于 模型的刀具磨损预测模型框架如图 所示在数据采集层使用信号传感器、采集卡、显微镜等实验设备测量刀具每次走刀后的切削刃磨损量并保存与之对应的高频信号 通过振动传感器采集 轴、轴、轴的振动信号通过测力仪采集 轴、轴、轴的切削信号通过声发传感器采集声发射信号 将以上高频信号与切削刃磨损量对应整合经过数据标准化后作为深度学习层的输入 在训
7、练模型前将标准化后的数据分为训练数据、测试数据 利用训练数据得到最佳预测模型通过测试集评估模型的预测性能 磨损预测模型的建立提升了刀具磨损预测的精度有助于决策层制定出更加合理的刀具生命周期管理策略UFKU#0U.&4U.MM*0)0DD3-45.MxyzPMPMPM)J.F图 基于 模型的刀具磨损预测模型框架.模型构建图 所示为长短时记忆网络结构 假设实验数据其中 代表不同刀具的序号表示输入序列的长度 对于每一层输入都会通过以下计算:ht-1Ct-1Ctht-1htXk=XkTht+1htAAxxxtanh+tanhXkt-1XktXkt+1图 网络结构()()()()()()式中:为在 时刻
8、的隐藏状态为 时刻的细胞状态为刀具 在 时刻的输入是在 时刻层的隐藏状态或者是 时刻的隐藏状态、分别是输入、忘记、细胞和输出门在每个时刻 忘记门决定舍弃 时刻的细胞状态 的比例输入门决定获取当前 时刻的细胞的比例通过计算两者最终获得 时刻的细胞状态 最终由输出门更新细胞的隐藏层状、和、通过模型训练得到作为模型的共享参数 其中 为 函数为 乘积.模型训练)数据处理为了去除不同量纲的影响同时因为数据可能存在比较多的异常值和较多噪声将序列数据进行标准化处理以避免异常值和极端值的影响 标准化处理公式为()式中:为原始数据 为原始数据均值 为原始数据方差 为 网络的输入)模型评估模型训练将预测值与测试值
9、之间的误差信息反向传播不断优化权重值 模型训练阶段采用均方误差和平均绝对百分比误差作为模型的评价指标:()()()式中:为刀具磨损预测值为刀具磨损真实值 为训练或测试样本数量 实验验证.实验数据集本实验采用 数据大赛中的铣削刀具数据信息技术汤玉红等基于 的刀具磨损预测模型集 实验设备与结构如图 所示 在球头硬质合金铣刀的切削过程中通过测力仪、振动传感器、声发传感器等对数控机床信号数据进行采集 输出的信号经过多通道电荷放大器放大后保存在采集卡中最终获得包含振动信号、切削信号、声发射信号的输入数据 同时通过 显微镜测量并记录每一次铣削后铣刀 个切削刃的磨损量存储在数据采集存储系统中PMXHYHZH
10、PMXOYOZOPMe&3.4PMJ.YYY)-BFJFK24zyx图 实验设备与结构实验所使用的设备名称及型号如表 所示 实验刀具主轴转速为 /进给速度为 /轴向切削深度(径向)为.轴向切削深度为.实验数据以 的频率采集表 实验设备高速数控机床显微镜铣削材料实验材料 不锈钢材料球头硬质合金铣刀 实验共记录了 把相同铣刀在相同实验设备、实验参数条件下的实验数据将数据集分别记为、假设实验数据中传感器数据为磨损量数据为则 ()式中:代表 把刀具 为时间序列长度即总走刀次数假设第 把刀具在第 次走刀过程中的传感器数据为磨损量数据为则()式中:、分别表示在第 次走刀过程中采集到的高频切削信号、高频振动
11、信号及声发射信息、分别表示在 次走刀结束后第 把刀具的切削刃、切削刃、切削刃 的磨损量 实验数据格式及类型如表 所示表 实验数据高频切削信号高频振动信号 高频声发射信号刀具磨损量、在每个数据集中每把铣刀共走刀 次 因此在每次走刀过程中传感器数据为()的张量走刀结束后可以得到形状为()张量的刀具磨损数据.实验设计 模型定义输入长度为 输出长度为 隐藏层数为 批次数量为 层次数为 考虑到每次走刀过程中传感器是以 的高频率进行采样导致传感器数据的数量多到 因此对原始传感器数据进行下采样 假设下采样后传感器数量的长度为则实验中传感器数据的输入为形状()的张量 为检验 模型的有效性和泛化能力进行以下实验
12、:实验一:将、数据集分别切割出训练集与测试集其中 的数据作为训练集用于训练模型性能其余 的数据作为测试集评估模型预测结果其预测结果如图 图 所示实验二:将、数据集作为训练集 作为测试集其预测结果如图 图 所示.实验结果图 图 为实验一结果表明不同刀具的 面切削刃的磨损值与预测值 从图中可以看出 和 的预测值与实际值之间有较好的一致性 在后半部分中预测值与实际值也体现了相同的变化趋势 但是整体的预测精度还是有较大提升空间 原因在于刀具磨损本身的时间序列性将同一把刀具的数据切分成测试集和训练集一定程度上切断了数据的连贯性 UBUUCUUDUMKMKMK图 磨损值与预测值曲线信息技术汤玉红等基于 的
13、刀具磨损预测模型 UBUUCUUDUMKMKMK图 磨损值与预测值曲线 UBUUCUUDUMKMKMK图 磨损值与预测值曲线3 UBUUCUUDU3 3 图 实验二中 模型损失函数变化43210-1-2-3-443210-1-2-3-443210-1-2-3-4010 000M2K2M3K320 00040 000 50 000 60 000 70 00030 000010 000 20 00040 000 50 000 60 00070 00030 000010 000 20 00040 000 50 000 60 000 70 00030 000UBUUCUUDUM1K1图 实验二刀具磨损
14、预测结果 图 表示实验二多次训练过程中损失函数的收敛变化 从中可以看到随着训练次数的增多预测值与实际值之间的 值不断减少并最终收敛说明 网络模型泛化能力较优从图 的实验二刀具磨损预测结果可以发现模型能够较好地从 和 中学习完整的时间序列数据的多维度特征预测结果能反映 数据集中 面切削刃真实磨损值的变化 同时模型的预测值与真实值的误差为.模型预测精确度达到了.实验结果比较分析为了验证 刀具磨损预测模型的精确性本文使用相同的数据集对神经网络与卷积神经网络模型进行对比 本文提出的 网络与以上提出的模型都采用、作为评价指标其对比结果如表 所示(下转第 页)信息技术封高歌等自动扶梯梯级碰撞研究与有限元分
15、析URES(mm)1.436e+0001.000e-0301.436e+0001.316e+0001.197e+0001.077e+0009.573e-0018.377e-0017.180e-0015.983e-0014.787e-0013.590e-0012.393e-0011.197e-0011.000e-030(b)3?(c)3?URES(mm)1.436e+0001.316e+0001.197e+0001.077e+0009.573e-0018.377e-0017.180e-0015.983e-0014.787e-0013.590e-0012.393e-0011.197e-0011.0
16、00e-0301.436e+0002185-223,-65.3,880 mm1.163e+000 mmx,y,z1.000e-030图 梯级有限元特性分析结果根据扶梯安全规范对自动扶梯防坠落挡板模型有限元应力特性分析结果表明此梯级模型结构的强度、刚度和受力下的挠度变形都满足标准的形式试验要求 结语本文研究的主要目的是分析梯级碰撞失效原因通过对梯级装配体的三维模型的分析依据静载试验要求通过对梯级模型进行力学有限元分析得出梯级的屈服强度最大静应力发生在短轴支撑处最大位移挠度断口位置可能在梯级踏板中部的结论为自动扶梯维修保养单位制定及修改保养手册提供依据可为提高在用自动扶梯使用安全性和相关标准及技术
17、规范的制定提供理论参考参考文献:王小岑.城市轨道交通自动扶梯与楼梯优化布置探讨.交通科技():.张利春娄文谦俞诚等.高速电梯轿厢气压变化调节技术.轻工机械():.毛怀新.电梯与自动扶梯技术检验.北京:学苑出版社.自动扶梯和自动人行道的制造与安装安全规范.电梯监督检验和定期检验规则自动扶梯与自动人行道.江叶峰朱建新柏治国.基于薄板理论的梳齿板异物保护装置有限元分析及试验验证.机械与电子():.张峰李灌辉.地铁用自动扶梯梯级的有限元分析.特种设备安全技术():.收稿日期:(上接第 页)表 不同实验结果对比评价指标.结语本文提出了基于 网络的刀具磨损预测模型通过实验证明 模型实现了将多维度、多长度的
18、传感器信号作为模型输入并最终对刀具的多个切削刃进行磨损预测避免了人工提取特征出现的信息丢失充分把握了时间序列数据的长时依赖性和多维度、多长度特征同时 模型评估结果 为.为.与、相比有了.和.的幅度下降实现了对刀具磨损量的精确预测不过目前只针对单一的球头铣刀加工过程进行了实验论证后续还需要对例如车削刀具、混合用刀的情况进行研究以贴合多样生产场景满足更高管理需求 刀具磨损的准确预测是刀具监测的重要一环准确地预测能大大提高刀具生命周期管理水平改善刀具生产销售生态催生新的制造业商业模式使刀具供应商提高质量意识与改善的动力实现供应链的双赢参考文献:胡红军黄伟九.基于 磨损模型的超细晶陶瓷刀具切削淬硬钢的
19、寿命预测.材料热处理学报():.孙志娟.基于扩展隐马尔可夫模型的刀具磨损识别与寿命预测研究.武汉:华中科技大学.张锴锋.基于多传感器信息融合的刀具磨损状态监测方法研究.沈阳:东北大学.王国锋李启铭秦旭达等.支持向量机在刀具磨损多状态监测中的应用.天津大学学报():.冯晓亮.基于条件随机场的铣削刀具磨损状态监测技术研究.天津:天津大学.孙志军薛磊许阳明等.深度学习研究综述.计算机应用研究():.刘学为蔡旭林.基于模糊小波极限学习机的刀具磨损状态识别.机械制造与自动化():.聂鹏贾彤张锴锋等.基于 优化 神经网络的刀具磨损状态识别.组合机床与自动化加工技术():.李孟虔苗鸿宾王婷等.基于模糊神经网络的深孔加工刀具磨损率预测.机械设计与研究():.安华王国锋王喆等.基于深度学习理论的刀具状态监测及剩余寿命预测方法.电子测量与仪器学报():.朱翔谢峰李楠.基于长短期记忆神经网络的刀具磨损状态监测.制造技术与机床():.厉大维沈明瑞张贺清等.基于长短时记忆网络的深孔镗削刀具状态监测.现代制造工程():.收稿日期:
