一种切削加工过程中的动态切削力监测方法及系统

摘要

本发明公开了一种切削加工过程中的动态切削力监测方法及系统，包括数据采集与预处理、序列预测模型构建与训练、以及切削力预测和实际工程应用组成。在CNC机床主轴电机三线进电端安装霍尔电流传感器用于采集三相电流信号，使用最优拉丁超立方实验设计方法确定了实验参数，开展不同切削参数下的切削加工实验和采集各切削参数下的切削力信号和机床主轴电流信号，构建切削力间接监测模型；解决了实际加工过程中因刀具跳动、振动、刀具结构角度不均匀因素造成的难以准确监测出刀具切削过程中的每齿瞬时切削力大小和实际生产过程中不便于使用测力仪设备实时监测切削力的难题，为切削力变工况监测提供技术支撑，同时也为广泛推广到工业应用中打下基础。

说明书

技术领域

本发明涉及一种切削力监测方法，具体为一种切削加工过程中的动态切削力监测方法及系统，属于切削加工监测技术领域。

背景技术

切削加工过程中的动态切削力可以实时反映切削加工过程中切削力方向以及随时间变化的周期特征，其动态切削力的准确监控是切削过程控制与优化中至关重要的步骤。动态切削力监测方法主要分为直接监测方法和间接监测方法。直接监测法是通过将切削力传感器安装在机床夹具上直接获取切削力信号。但是，切削力传感器存在着价格昂贵、安装不便等缺点，使得间接监测方法受到了广泛的关注。

国内外针对切削力计算的方法主要是基于微元方法。但是，实际加工过程中由于刀具跳动、振动、或者刀具结构角度不均匀等客观因素，造成了刀具每个齿的切削力大小各有不同。采用微元方法是基于理想的情况下计算获得的，难以准确监测出每齿瞬时切削力的大小，其结果难以满足实际加工的需求。

现有研究表明通过间接监测切削力具有良好的前景，使用易于获取的信号，通过理论建模联合实验研究的方法获得切削力，可以很大程度地减少切削力的测量成本。

由于加工过程复杂多变，实际加工中切削力在线测量困难，现有切削力监测模型监测精度低等问题。因此，发明一种高精度的动态切削力间接监测方法至关重要，并可为后续研究推广到工业应用中打下基础。

发明内容

本发明的目的就在于为了解决上述至少一个技术问题而提供一种切削加工过程中的动态切削力监测方法及系统，依据采集的变切削参数下的机床主轴电机电流数据和切削力数据，设计了并行卷积神经网络来实现多通道信号的特征融合，使用长短期记忆网络单元来考虑整个切削信号的时序特性，结合实验结果验证了所发明方法的有效性和准确性，解决了实际生产中切削力测量困难且现有模型监测精度低等难题，为切削力变工况监测提供技术支撑。

本发明通过以下技术方案来实现上述目的：一种切削加工过程中的动态切削力监测方法，包括以下步骤

步骤一、数据采集与预处理，在CNC机床主轴电机三线进电端安装霍尔电流传感器用于采集三相电流信号，并采集三个方向的切削力信号，确定切削参数，继而开展基础切削加工实验，分别获取各组参数下的切削力数据和主轴电流数据来构建模型以及训练和测试模型；

步骤二、序列预测模型构建与训练，将采集的变切削参数下的机床主轴电机电流数据和切削力数据建立序列预测模型的总体架构，构建切削力间接监测模型并通过训练和测试数据训练构建的模型，模型中设计的并行卷积神经网络来实现多通道信号的特征融合，使用长短期记忆网络单元来考虑整个切削信号的时序特性，将数据集拆分为训练数据集和测试数据集，并构建切削力间接监测模型；

步骤三、切削力预测和实际工程应用，当建立的模型经过训练后，测试其预测精度，当预测精度满足相关要求后，就可以用来预测切削力预测。

作为本发明再进一步的方案：所述步骤一中，切削力信号使用但不限于奇石乐测力系统进行采集，所述切削参数使用但不限于最优拉丁超立方实验设计方法来确定。

作为本发明再进一步的方案：所述步骤二中，将采集的所有机床主轴电机电流数据和切削力数据归一化到[0,1]范围内，且建立的序列预测模型中设计并行卷积神经网络实现多通道信号的特征融合，使用长短期记忆网络单元考虑整个切削信号的时序特性。

作为本发明再进一步的方案：所述长短期记忆网络单元由可以控制神经网络单元的数据的丢弃、新增和保存的输入门、遗忘门和输出门组成，当网络运行时，单元输入和输出状态可以通过以下步骤更新：

步骤一：遗忘门f

f

步骤二：网络单元确定应该将那些信息添加到网络的单元状态s

步骤三：输出门o

其中，以上所有式中，i

作为本发明再进一步的方案：所述步骤二中，序列预测模型使用但不限于通过Python以及TensorFlow深度学习框架实现，并在Pycharm集成开发环境中完成模型的训练以及测试，最终，通过构建的模型可以实现瞬时切削力的实时监测，分别随机选取不同切削参数下的切削力预测结果进行可视化分析。

作为本发明再进一步的方案：所述序列预测模型总体架构的实现通过如下步骤：

步骤一：首先根据采集的多通道电流数据和切削力数据，设计了并行卷积神经网络的结构来学习特征，即每一个通道的数据都分别由一个卷积层和一个池化层来学习特征，然后有多少个通道数据就设计了多少个并行卷积层和池化层，以能够分别学习到电流数据中每一个通道的数据特征，使得模型学习到的数据特征信息更丰富，每一条电流信号为时序数据都属于一维数据，因此采用的卷积神经网络是一维卷积和一维池化。

步骤二：把一维卷积和池化操作学习到的特征图沿着通道方向的维度串联起来实现多通道特征融合，通道方向的特征图融合后，进一步使用卷积操作来获取高维特征，在卷积层中采用批标准化(Batch Normalization,BN)层来防止网络的过拟合，采用线性整流函数(Relu)来增加网络的非线性特性。

步骤三：模型中设计了两层Bi-LSTM网络，从而使得整个网络结构同时考虑了空间特性，也考虑了输入数据的时序特性，其中，每个LSTM单元的输入数据是来自CNN层的高维特征图。

步骤四：通过全连接神经网络输出监测结果，其输出结果为3个方向的切削力时序数据。

作为本发明再进一步的方案：所述切削力数据所提取和学习特征，可以表示为：

其中，

其中S代表池化窗口大小，X是经过卷积操作之后的特征图。

一种切削加工过程中的动态切削力监测系统，所述系统包括

信号采集与处理模块，其包括：

①传感器模块，包括用于对电流进行监测的电流传感器以及对切削力进行监测的切削力传感器；

②加工现场信号采集模块；

③信号预处理模块，其用于对所采集的数据进行标定，并进行归一化处理，并将数据集分为训练数据和测试数据；

模型建立、训练测试即切削力预测模块，其包括：

①序列预测模型模块，其用于对数据进行通道融合，并基于深度学习的时序模型进行多序列输出；

②模型训练与测试模块，其用于将训练数据初始化为模型数据，并训练模型生成新的参数，将测试数据输入训练好的模型，并将模型的测试结果进行输出；

③切削力预测模块，其用于将切削力的实际值以及预测值以图表形式进行展示，并进行预测。

本发明的有益效果是：

1、本发明的预测效果更好，预测精度较高，通过传感器测量的实际切削力与模型预测出的切削力非常接近，误差较小；

2、本发明通过测量机床加工过程中的主轴电流信号就可以通过建立的监测模型输出当前加工过程中的动态切削力，解决了实际生产过程中不便于使用测力仪监测设备对切削力进行实时监测的难题；

3、该方法具有监测高效、准确性高、成本可控的优点，为铣削加工过程中切削力的监测提供了新的研究。

附图说明

图1为本发明流程示意图；

图2为本发明长短期记忆网络原理图；

图3为本发明动态切削力在线监测算法图；

图4为本发明动态切削力实测结果与预测结果对比图；

图5为本发明算法训练过程迭代图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一

如图1至图5所示，一种切削加工过程中的动态切削力监测方法，包括以下步骤

步骤一、数据采集与预处理，在CNC机床主轴电机三线进电端安装霍尔电流传感器用于采集三相电流信号，并采集三个方向的切削力信号，确定切削参数，继而开展基础切削加工实验，分别获取各组参数下的切削力数据和主轴电流数据来构建模型以及训练和测试模型；

步骤二、序列预测模型构建与训练，将采集的变切削参数下的机床主轴电机电流数据和切削力数据建立序列预测模型的总体架构，构建切削力间接监测模型并通过训练和测试数据训练构建的模型，模型中设计的并行卷积神经网络来实现多通道信号的特征融合，使用长短期记忆网络单元来考虑整个切削信号的时序特性，将数据集拆分为训练数据集和测试数据集，并构建切削力间接监测模型；

步骤三、切削力预测和实际工程应用，当建立的模型经过训练后，测试其预测精度，当预测精度满足相关要求后，就可以用来预测切削力预测。

在本发明实施例中，所述步骤一中，切削力信号使用但不限于奇石乐测力系统进行采集，所述切削参数使用但不限于最优拉丁超立方实验设计方法来确定。

在本发明实施例中，所述步骤二中，将采集的所有机床主轴电机电流数据和切削力数据归一化到[0,1]范围内，且建立的序列预测模型中设计并行卷积神经网络实现多通道信号的特征融合，使用长短期记忆网络单元考虑整个切削信号的时序特性。

在本发明实施例中，所述长短期记忆网络单元由可以控制神经网络单元的数据的丢弃、新增和保存的输入门、遗忘门和输出门组成，当网络运行时，单元输入和输出状态可以通过以下步骤更新：

步骤一：遗忘门f

f

步骤二：网络单元确定应该将那些信息添加到网络的单元状态s

步骤三：输出门o

其中，以上所有式中，i

在本发明实施例中，所述步骤二中，序列预测模型使用但不限于通过Python以及TensorFlow深度学习框架实现，并在Pycharm集成开发环境中完成模型的训练以及测试，最终，通过构建的模型可以实现瞬时切削力的实时监测，分别随机选取不同切削参数下的切削力预测结果进行可视化分析。

在本发明实施例中，所述序列预测模型总体架构的实现通过如下步骤：

步骤一：首先根据采集的多通道电流数据和切削力数据，设计了并行卷积神经网络的结构来学习特征，即每一个通道的数据都分别由一个卷积层和一个池化层来学习特征，然后有多少个通道数据就设计了多少个并行卷积层和池化层，以能够分别学习到电流数据中每一个通道的数据特征，使得模型学习到的数据特征信息更丰富，每一条电流信号为时序数据都属于一维数据，因此采用的卷积神经网络是一维卷积和一维池化。

步骤二：把一维卷积和池化操作学习到的特征图沿着通道方向的维度串联起来实现多通道特征融合，通道方向的特征图融合后，进一步使用卷积操作来获取高维特征，在卷积层中采用批标准化(Batch Normalization,BN)层来防止网络的过拟合，采用线性整流函数(Relu)来增加网络的非线性特性。

步骤三：模型中设计了两层Bi-LSTM网络，从而使得整个网络结构同时考虑了空间特性，也考虑了输入数据的时序特性，其中，每个LSTM单元的输入数据是来自CNN层的高维特征图。

步骤四：通过全连接神经网络输出监测结果，其输出结果为3个方向的切削力时序数据。

在本发明实施例中，所述切削力数据所提取和学习特征，可以表示为：

其中，

其中S代表池化窗口大小，X是经过卷积操作之后的特征图。

为了验证方法的有效性，把训练过程中的损失函数(Loss)以及模型的预测误差评价指标均方根误差(RMSE)进行了计算，并绘制迭代曲线图，其中RMSE和Loss的值都是越小越好。从图中可以看出：训练过程中，其损失函数值下降的非常迅速，当迭代轮次超过30次后其Loss值慢慢趋于平稳和接近收敛，最终损失函数值接近于零，这表明所提出的模型非常有效且易于训练，随着迭代轮次的增加，模型的RMSE不断减小，说明预测误差不断减小，最终模型趋于收敛。以上表明，本发明构建的切削力预测模型经过若干迭代次数后，模型趋于收敛，能够以较小的误差预测出切削力。

实施例二

如图1所示，一种切削加工过程中的动态切削力监测方法，构成该预测方法的系统包括：

信号采集与处理模块，其包括：

①传感器模块，包括用于对电流进行监测的电流传感器以及对切削力进行监测的切削力传感器；

②加工现场信号采集模块；

③信号预处理模块，其用于对所采集的数据进行标定，并进行归一化处理，并将数据集分为训练数据和测试数据；

模型建立、训练测试即切削力预测模块，其包括：

①序列预测模型模块，其用于对数据进行通道融合，并基于深度学习的时序模型进行多序列输出；

②模型训练与测试模块，其用于将训练数据初始化为模型数据，并训练模型生成新的参数，将测试数据输入训练好的模型，并将模型的测试结果进行输出；

③切削力预测模块，其用于将切削力的实际值以及预测值以图表形式进行展示，并进行预测。

工作原理：实际加工过程中刀具跳动、振动、或者刀具结构角度不均匀如不等齿距铣刀等因素，会造成刀具每个齿的切削力大小各有不同；本方提出的电流信号到切削力信号的序列预测方法，依据采集的变切削参数下的机床主轴电机电流数据和切削力数据，设计并行卷积神经网络来实现多通道信号的特征融合，使用长短期记忆网络单元来考虑整个切削信号的时序特性，解决了实际生产中切削力测量困难且现有模型监测精度差的难题，为切削力变工况监测提供技术支撑。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。