一种基于DRSN和APF的滚齿刀具磨损趋势预测方法
本发明属于智能制造辅助，尤其涉及一种基于drsn和apf的滚齿刀具磨损趋势预测方法。
背景技术：
1、在高速滚齿加工过程中，滚刀(即“滚齿刀具”)与工件相互作用产生的切削力和摩擦热会导致滚刀表面磨损，从而影响了工件的表面质量和尺寸精度，因此，研究如何准确识别与有效预测滚刀的磨损状态，对于企业提升产品质量、提高生产效率以及降低成本具有至关重要的意义。
2、在对滚刀磨损状态进行识别之后，若滚刀被识别为处于严重磨损阶段，此时需要对机床的运行状态做出决策，如果直接停机去更换或刃磨滚刀，会增加生产成本，造成刀具资源的浪费。如果通过调整加工工艺参数后，滚刀能在保证加工质量稳定的情况下继续加工，直至滚刀磨损趋势达到阈值后再将其报废或者对其刃磨，可充分利用滚刀的剩余使用寿命。因此，对滚刀磨损趋势或者磨损量进行实时预测，可为决策者提供判断依据，有利于提升机床生产加工效率。
3、目前，在刀具健康管理与运维领域，以传感器数据为基础构建深度学习模型实现刀具磨损状态的识别与预测得到了广泛应用。然而，在实际加工过程中，不断启停机床去测量滚刀表面磨损量会造成机床系统温度不平衡，导致影响滚刀磨损的因素增多，不利于探究基于振动特征的滚刀磨损趋势预测；另外，滚刀结构复杂，直接测量滚刀的全寿命周期内的磨损量比较困难。综上，直接在线测量滚刀表面磨损量存在限制，影响了对滚刀磨损预测研究工作的开展。但如果不测量滚刀表面磨损量，由难以对磨损量预测模型进行对应的训练。因此，基于深度学习的滚刀磨损预测工作，再本领域非常难开展。
4、因此，怎样才能相对便捷且有效的进行滚刀磨损预测，进而使滚刀机床运行状态的操作决策更加及时和有效，成为目前亟待解决问题。
技术实现思路
1、针对上述现有技术的不足，本发明提供了一种基于drsn和apf的滚齿刀具磨损趋势预测方法，可以相对便捷且有效的进行滚刀磨损预测，进而使滚刀机床运行状态的操作决策更加及时和有效。
2、为了解决上述技术问题，本发明采用了如下的技术方案：
3、一种基于drsn和apf的滚齿刀具磨损趋势预测方法，包括以下步骤：
4、s1、构建滚刀磨损趋势预测模型的框架，用于根据滚刀的振动信号数据预测滚刀的磨损趋势值；
5、s2、获取多组历史加工数据，每组历史加工数据包括一套工件加工全寿命周期的滚刀振动数据，以及加工得到的工件的表面粗糙度值；对工件的表面粗糙度值进行处理作为滚刀的磨损趋势值的标签，并对滚刀的振动信号数据进行预处理，得到训练数据；再使用训练数据对趋势预测模型进行训练；
6、s3、获取滚刀的实时加工振动数据并进行预处理后，输入s2训练好的滚刀磨损趋势预测模型中，得到滚刀的预测的磨损趋势值；其中，所述实时加工振动数据包括多套工件加工全寿命周期的滚刀振动数据；
7、s4、设置观测方程，用于表示滚刀的磨损趋势值与磨损趋势状态之间的关系，所述磨损状态包括多个磨损参数；并设置状态转移方程，用于表示相邻时刻的滚刀磨损趋势状态之间的关系；
8、s5、将s3得到的预测的磨损趋势值作为观测值，结合s4设置的观测方程与状态转移方程，使用辅助粒子滤波算法估计滚刀的磨损状态，得到磨损状态中各状态参数的估计值；
9、s6、使用s5得到的各状态参数的估计值，通过预设的arima模型分别对各状态参数进行未来多步预测，得到各状态参数未来多步的预测值；
10、s7、使用各状态参数未来多步的预测值，结合s4构建的观测方程，得到未来多步的滚刀磨损趋势值；
11、s8、将s3得到的预测的磨损趋势值以及s6得到的未来多步的滚刀磨损趋势值，作为滚刀的磨损预测数据，用于辅助滚刀机床运行状态的后续操作决策。
12、本发明与现有技术相比，具有如下有益效果：
13、1、针对受滚刀结构复杂性等影响无法直接在线测量滚刀表面磨损量，难以找到能表征滚刀磨损程度的具体量值。本发明不再将目光局限于滚刀本身，而是转换了一个技术思路，即，通过滚刀加工得到的工件(滚齿)的表面粗糙度，来间接反映滚刀磨损趋势的变化。因为当滚刀的磨损情况不同时，其加工得到的工件的表面粗糙度自然也会不同。滚刀的磨损会直接影响到工件的表面粗糙度，因此，工件的表面粗糙度可以间接反映滚刀的磨损程度。
14、基于这样的技术思路，本发明构建了相应的训练数据，对滚刀磨损趋势预测模型进行训练。这样，在后续的实际加工时，只需要采集到滚刀加工时的振动数据，便可以通过滚刀磨损趋势预测模型得到预测的工件表面粗糙度，即滚刀的磨损趋势值。从而解决了无法直接在线测量滚刀表面磨损量，难以找到能表征滚刀磨损程度的具体量值的问题。
15、2、在得到(一定数量的)实时的滚刀的磨损趋势值的基础上，本方法还结合辅助粒子滤波算法及arima模型，进行了未来多步的滚刀磨损趋势值的估计处理。从而可以得到未来一段时间的滚刀磨损程度的预测数据。可以结合实时的磨损趋势值，辅助滚刀机床运行状态的后续操作决策。例如：若滚刀的磨损趋势在一定时间后开始出现快速升高的现象，为了充分使用刀具寿命，这可以通过调整加工工艺参数对滚刀运行状态进行改变，这样在保证加工质量的前提下可以充分使用刀具的剩余寿命。再比如，若通过调整加工工艺参数后，滚刀所加工的工件质量并未得到改善，刀具磨损趋势仍然进一步升高，则可以选择停机，防止危险情况的发生。
16、综上，本方法可以相对便捷且有效的进行滚刀磨损预测，进而使滚刀机床运行状态的操作决策更加及时和有效。
17、优选地，滚刀磨损趋势预测模型包括依次连接的骨干网络单元、残差收缩处理单元和特征融合单元；骨干网络单元包括依次连接的卷积层、归一化层和relu激活层；残差收缩处理单元包括级联的多个残差收缩模块；特征融合单元包括自适应平均池化层和全连接层；预处理后的实时加工振动数据输入至骨干网络单元并依次经过骨干网络单元、残差收缩处理单元和特征融合单元后，得到滚刀的预测的磨损趋势值。
18、使用这样的网络构架，滚刀磨损趋势预测模型可以含有强背景噪声的信号中学习特征，通过自动计算阈值将与当前任务无关的特征剔除，聚焦于重要特征，从而保证预测结果的有效性。
19、优选地，构建滚刀磨损趋势预测模型的框架时，选用的残差收缩模块为逐通道间不同阈值型的残差收缩模块。
20、由于各个通道间都有独立的阈值，则逐通道间不同阈值型性能优于通道间共享阈值型残差收缩模块。因此，选用逐通道间不同阈值型的残差收缩模块构建滚刀磨损趋势预测模型的框架。
21、优选地，s2中，对工件的表面粗糙度值进行处理作为滚刀的磨损趋势值的标签的过程包括：利用平滑先验法对获取的工件的表面粗糙度值进行平滑处理，得到滚刀磨损趋势曲线，并定义该曲线上的值为滚刀的磨损趋势值，再将曲线上的这些值作为对应历史加工数据组中振动信号数据的磨损趋势值的标签。
22、这样，可以解决针对受人为因素和测量设备的影响，导致测得的粗糙度存在误差并且粗糙度变化趋势不明显的问题，从而保证后续操作的有效性。
23、优选地，s4中，状态转移方程为：
24、
25、式中，xt为第t时刻的滚刀磨损趋势状态，由四个状态参数at，bt，ct，dt组成的向量[at,bt,ct,dt]t表示；ωt-1表示过程误差，符合均值为0，方差为1e-6的高斯分布。
26、优选地，s4中，观测方程为：
27、
28、式中，zt表示第t时刻滚刀磨损趋势预测模型预测的滚刀磨损趋势值；νt为观测误差，符合均值为0，方差为25e-6的高斯分布；t为时间长度。
29、这样，在建立了状态转移方程和观测方程以后，根据已获得的观测值，可以获得不同时刻的四个状态参数的估计值{at,bt,ct,dt}，然后将其分别对应地代入观测方程，可以得出第t+1时刻的观测值的估计值。
30、优选地，s6中，预设的arima模型中，各参数的数值设置为p＝1，d＝1，q＝1。
31、经过实验验证，这样的参数设置是最优的参数组合。
技术特征：
1.一种基于drsn和apf的滚齿刀具磨损趋势预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于drsn和apf的滚齿刀具磨损趋势预测方法，其特征在于：滚刀磨损趋势预测模型包括依次连接的骨干网络单元、残差收缩处理单元和特征融合单元；骨干网络单元包括依次连接的卷积层、归一化层和relu激活层；残差收缩处理单元包括级联的多个残差收缩模块；特征融合单元包括自适应平均池化层和全连接层；预处理后的实时加工振动数据输入至骨干网络单元并依次经过骨干网络单元、残差收缩处理单元和特征融合单元后，得到滚刀的预测的磨损趋势值。
3.如权利要求2所述的基于drsn和apf的滚齿刀具磨损趋势预测方法，其特征在于：构建滚刀磨损趋势预测模型的框架时，选用的残差收缩模块为逐通道间不同阈值型的残差收缩模块。
4.如权利要求1所述的基于drsn和apf的滚齿刀具磨损趋势预测方法，其特征在于：s2中，对工件的表面粗糙度值进行处理作为滚刀的磨损趋势值的标签的过程包括：利用平滑先验法对获取的工件的表面粗糙度值进行平滑处理，得到滚刀磨损趋势曲线，并定义该曲线上的值为滚刀的磨损趋势值，再将曲线上的这些值作为对应历史加工数据组中振动信号数据的磨损趋势值的标签。
5.如权利要求1所述的基于drsn和apf的滚齿刀具磨损趋势预测方法，其特征在于：s4中，状态转移方程为：
6.如权利要求5所述的基于drsn和apf的滚齿刀具磨损趋势预测方法，其特征在于：s4中，观测方程为：
7.如权利要求1所述的基于drsn和apf的滚齿刀具磨损趋势预测方法，其特征在于：s6中，预设的arima模型中，各参数的数值设置为p＝1，d＝1，q＝1。
技术总结
本发明属于智能制造辅助技术领域，尤其涉及一种基于DRSN和APF的滚齿刀具磨损趋势预测方法，包括以下步骤：S1、构建滚刀磨损趋势预测模型的框架；S2、获取多组历史加工数据，每组历史加工数据包括一套工件加工全寿命周期的滚刀振动数据，以及加工得到的工件的表面粗糙度值；对工件的表面粗糙度值进行处理作为滚刀的磨损趋势值的标签，并对滚刀的振动信号数据进行预处理，得到训练数据；再使用训练数据对趋势预测模型进行训练；S3、获取滚刀的实时加工振动数据并进行预处理后，输入滚刀磨损趋势预测模型中，得到滚刀的预测的磨损趋势值。本方法可以便捷且有效的进行滚刀磨损预测，进而使滚刀机床运行状态的操作决策更加及时和有效。
技术研发人员：张立国,鄢萍,周涵,李思辰,刘洋洲,陈剑,易润忠
受保护的技术使用者：重庆大学
技术研发日：
技术公布日：2024/9/23