[发明专利]基于新型胶囊网络的刀具破损监测系统及方法

说明书

本发明公开了基于新型胶囊网络的刀具破损监测系统及方法，包括信号采集模块、数据处理模块、新型胶囊网络模型、胶囊网络层和分类层，监测方法包括步骤一，数据获取和预处理；步骤二，搭建新型胶囊网络模型；步骤三，模型训练；步骤四，模型测试；本发明相较于现有的刀具监测系统，通过采集振动信号和声发射信号来表征刀具的状态，以此构建新型胶囊网络，实现了刀具在不同切削参数下是否发生细微崩刃的有效识别，实现了刀具破损状态的实时监测，可以更加全面反映刀具的状态，有效地提升模型的泛化能力和监测准确性，本发明具有网络模型端到端、识别准确率高的优点，可实现精准监测刀具是否破损，保证加工质量。

技术领域

本发明涉及车削加工技术领域，具体为基于新型胶囊网络的刀具破损监测系统及方法。

背景技术

随着加工零件产品样式的复杂化以及所用材料硬度的提高，导致刀具失效的频率要高于传统产品；在加工过程中由于切削材料的组织和硬度不均匀、加工系统产生不良振动或是刀具刃磨质量欠佳均易造成切削刃微崩，但是当刀具发生细微崩刃时并不会引起较大的加工噪声变化，因此不易被察觉；一旦出现这种情况后刀具的切削能力会下降，虽能够继续切削工作但会大幅降低工件的表面质量，若未及时发现则会导致刀具的刃损部分迅速扩大使刀具完全丧失切削能力，造成生产线的停工；因此及时有效地监测切削刃的破损状态对提示工艺系统服役能力、减少质量损失具有重要的意义；

现有的刀具破损监测技术，是在生产线停工后通过监测装置的触头与刀具间的接触或者非接触式激光束监测进行判断刀具的状态，但考虑到加工现场的可操作性以传感器信号来反映刀具切削刃的变化更为常用，常用信号有切削力信号、振动信号、声发射信号、主轴功率信号以及电流信号；由于加工过程中的信号噪声含量较高，需采用信号处理技术提取有效特征来表征刀具状态；最常用的是根据加工动态信号的特性，从时域、频域以及时频域分析提取有效特征来表征刀具的变化，例如Li在时域中分析电流信号均值的变化来跟踪铣刀的状态，从而达到监测的目的，Sun依据声发射信号的特定频率分量特征来判断刀具的破损状态，Guo和Wang则将信号模态分解到不同频带分量中提取其时频域中的能量特征来监测铣刀的破损状态，Akbari则通过时频域特征研究主轴电流信号的谐波畸变，发现峰值和均方差能够及时反映刀具的状态；通常表征刀具变化的相关特征是根据加工过程和失效机制来定义的，而特征的选择则是影响模型预测精度的关键因素，因此针对不同的加工过程想要保证后续模型预测的精度，不仅需要依靠丰富的专家经验来提取特征同时也要花费大量的时间；

随着深度学习方法的不断发展，神经网络在特征提取和异常监测方面的性能不断提高，被广泛应用于刀具状态监测研究中，也取得了相应的成果；在神经网络中CNN因其较强的特征提取能力被广泛应用于刀具状态监测领域，Duroa等通过搭建声发射传感器框架以采集过程数据，使用CNN拟合刀具失效的过程来增强刀具状态监测系统的可靠性；Li等在主轴电流信号时域分析的基础上通过CNN学习刀具在加工过程中的失效过程，达到预测刀具破损的目的；Ambadekar等基于DCNN提取刀具的侧面磨损特征，在线监测刀具状态；以往的研究人员在利用CNN模型监测刀具状态时，通常采用传统CNN结构，即构造二维数据样本和二维卷积核提取刀具特征；受此启发，Antic将提取到的振动信号经短时傅里叶变换为频谱图，再经过CNN学习频谱图中的磨损特征，也取得了较好的监测效果；

但想要通过CNN有效提取复杂数据中刀具破损的相关特征，往往需要大量不同工况下的样本数据训练模型，才能准确得到不同状态下的特征分布；以往研究中作者对数据集的构建仅限于采集单一切削参数下的加工数据，然而单一的工况不能够全面反映机械加工中的复杂工况，因此造成模型的泛化能力差和监测准确性差的结果。

发明内容

本发明的目的在于提供基于新型胶囊网络的刀具破损监测系统及方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：基于新型胶囊网络的刀具破损监测系统，包括信号采集模块、数据处理模块和新型胶囊网络模型，所述信号采集模块与数据处理模块建立数据连接，数据处理模块与新型胶囊网络模型建立数据连接。