申请/专利权人：西北工业大学

申请日：2021-06-04

公开（公告）日：2021-09-21

公开（公告）号：CN113414638A

主分类号：B23Q17/09(20060101)

分类号：B23Q17/09(20060101)

优先权：

专利状态码：有效-授权

法律状态：2023.02.10#授权;2021.10.12#实质审查的生效;2021.09.21#公开

摘要：本发明涉及一种基于铣削力时序图深度学习的变工况铣刀磨损状态预测方法，该方法将铣削力转换为二维图像，保留了数据的本质特征，并构建铣削力时序图实现加工过程工况变化与磨损趋势变化的刻画，利用深度学习网络提取铣削力时序图中的时空特征，提前感知刀具劣化趋势的产生、传播和发展，实现变工况下刀具磨损状态的准确预测，为生产企业提供换刀决策，进而提高生产效率和经济效益。

主权项：1.一种基于铣削力时序图深度学习的变工况铣刀磨损状态预测方法，其特征在于，包括以下步骤：步骤1：确定性工况因素特征向量表达，收集原始铣削力数据：在铣削加工过程中，定义确定性工况因素为工艺参数子工况、数控系统子工况、工件信息子工况、刀具参数子工况和切削液参数子工况；表达式如下：C＝[PpNcWiTpCf]T式中：C——确定性工况向量；Pp——工艺参数子向量；Nc——数控系统子向量；Wi——工件信息子向量；Tp——刀具参数子向量；Cf——切削液参数子向量；步骤2：铣削力图像转化，包括以下子步骤：步骤2.1：将步骤1得到的原始铣削力数据进行预处理操作，接着按照固定时间窗口t，截取出对应单个时间窗口的铣削力数据；步骤2.2：将铣刀进给方向受力Fx'＝Fx1',Fx2',…,Fxt'和背吃刀方向受力Fy'＝Fy1',Fy2',…,Fyt'按照时间戳形成一个对值Fx,y'，表达式为：Fx,y'＝{Fx1',Fy1',Fx2',Fy2',…,Fxt',Fyt'}步骤2.3：进一步将步骤2.2表达为：Pf＝ψFx,y'式中：Pf——铣削力二维图像；ψ·——铣削力图像构建过程；Fx,y'——铣刀进给方向、背吃刀方向受力形成的对值；步骤3：构建铣削力时序图：Pf_l＝Pf1,Pf2，...,Pfl式中：Pf_l——铣削力时序图；Pf1,Pf2，...,Pfl——第1个至l个工况片段；步骤4：基于长期循环卷积网络时空特征学习的铣刀磨损状态预测模型，该步骤包括深度卷积神经网络表观特征学习、长短期记忆网络时序特征学习及模型训练三个子步骤；步骤4.1：深度卷积神经网络表观特征学习：将第一路铣削力时序图经过CNN多层卷积、池化和全连接处理后得到的特征向量记做hcnn，将第二路确定性工况数据经过全连接层网络处理后得到的特征向量记作hcon，构建一个特征融合层将两路数据处理后得到的特征向量进行融合，得到hfuse＝[hcnn,hcon]；步骤4.2：长短期记忆网络时序特征学习，所构建的LRCN模型不仅能提取对应时刻工况片段的表观特征，还能将时间维度中蕴含的工况因素变化和刀具磨损趋势变化等动态信息捕获；步骤4.3：基于长期循环卷积网络时空特征学习的铣刀磨损状态预测模型训练过程，反复迭代，得到LRCN铣刀磨损预测网络模型的权重W和偏置b为止；网络训练完成后，得到长期循环卷积网络铣刀磨损预测网络模型的权重W和偏置b；根据W和b能够将原始数据带入模型，判断铣刀目前的状态。

全文数据：

权利要求：

百度查询： 西北工业大学 一种基于铣削力时序图深度学习的变工况铣刀磨损状态预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD