一种变工况下刀具磨损与切削功率协同预测方法及系统
本发明属于可持续智能制造与精密加工,尤其涉及一种变工况下刀具磨损与切削功率协同预测方法及系统。
背景技术:
1、数控切削加工是航空航天、精密模具及高端装备制造领域的核心工艺环节。在切削加工过程中,刀具作为直接执行材料去除任务的载体,其磨损状态直接关联加工表面的几何精度与表面质量。同时,切削过程中的功率消耗不仅是评估机床能效的关键指标,也是反映切削过程稳定性的重要物理量。随着制造过程向智能化、绿色化方向发展,在复杂的变切削参数工况下,实现对刀具全生命周期磨损状态与切削功率的精准、在线协同预测,对于优化工艺参数、降低废品率及节约能耗具有重要的工业应用价值。
2、在相关技术中,刀具状态与能耗监测主要采用机理驱动建模或数据驱动建模方法。机理驱动方法主要依赖泰勒寿命公式、archard磨损定律等经验公式或解析模型来描述切削过程,虽然物理意义明确,但此类模型通常假设关键物理系数为常数,难以适应刀具全生命周期中因刃口钝化、涂层剥落等导致的参数动态时变特性,导致随着加工时间的推移,预测结果易出现累积漂移。数据驱动方法则利用测力仪、振动传感器等采集信号,结合深度学习算法建立监测模型。然而,在实际生产中常见的变参数、非平稳切削工况下,切削力、振动及功率信号的幅值变化主要由宏观工艺参数的改变所主导,这种工艺掩蔽效应使得模型难以区分信号波动是由工况改变引起还是由磨损累积引起,导致模型在训练集之外的工况下泛化性能较差。
3、此外,现有监测方案通常将刀具磨损监测与切削功率预测作为两个独立的回归任务进行处理,忽略了两者之间存在的强热力学耦合机制。实际上,刀具磨损会导致接触区摩擦功增加,引起功率上升,而高能耗反过来又会加速磨损。现有技术缺乏对这种双向互馈机制的有效描述,导致在预测刀具急剧失效阶段时,模型无法捕捉到磨损与能耗的自加速恶化特征,难以满足高精度预测的需求。
技术实现思路
1、为克服相关技术中存在的问题,本发明公开实施例提供了一种变工况下刀具磨损与切削功率协同预测方法及系统,具体涉及数控切削过程的在线监测技术,尤其涉及变工况下基于物理信息残差补偿的刀具磨损与切削功率协同预测方法。
2、所述技术方案如下:变工况下刀具磨损与功率协同预测方法,包括以下步骤:
3、s1,构建变工况切削数据采集环境并实施信号鲁棒预处理;
4、s2,基于锋利状态参考模型的物理特征解耦与时空张量;
5、s3,构建可微物理本构层与参数自适应辨识,利用可学习物理参数驱动非线性微分-代数方程组,生成反映切削物理规律的物理基准趋势,将物理基准趋势作为先验信息输入构建的pinn-bilstm协同预测网络中;
6、s4,构建pinn-bilstm协同预测网络并进行物理感知与门控协同预测,将解耦后的物理特征封装为时空张量,经由bilstm与注意力机制提取时序特征;网络末端采用双头结构分别预测磨损与功率的非线性残差,通过自适应门控单元g动态计算权重,将物理基准趋势与预测残差加权融合,生成协同预测输出;
7、s5,多重正则化协同优化,输出磨损状态与切削功率预测值。
8、在步骤s1中,构建变工况切削数据采集环境并实施信号鲁棒预处理包括:
9、s1.1,搭建多源异构信号同步采集平台;依托四轴联动立式加工中心构建闭环采集链路;所述采集链路包含高频动态采集单元与低频能耗监测单元;
10、针对高频与低频信号的采样率差异,采用基于切削事件的触发对齐策略;以切削力信号的突变沿作为一级触发源,识别单次走刀的起始时刻与终止时刻,以此时间窗口截取对应的低频功率数据流,完成多源异构信号的物理时钟对齐;
11、s1.2,基于拉丁超立方的变参数实验设计;
12、采用拉丁超立方采样策略设计非平稳切削参数矩阵;将输入变量空间划分为个互不重叠且等概率的子区间,确保采样点在多维空间中的正交性与填充性;其中为切削速度,为每齿进给量,为切削深度,为切削宽度,为正整数;
13、s1.3,执行间歇式全生命周期数据采集流程,包括:
14、切削阶段:配置数控机床对工件进行连续切削加工,在每一次走刀的材料去除过程中,同步触发所述多源传感器组,实时采集切削力、振动加速度及主轴功率信号,并将采集到的信号序列暂存至内存缓冲区;
15、测量阶段:设定预置的采样间隔,控制机床暂停加工并停止信号采集;利用高分辨率ccd工业显微镜获取各切削刃的后刀面图像,并通过图像处理或人工标定测量最大后刀面磨损带宽度,将该测量值作为对应切削时段的磨损真实值标签;
16、循环判定阶段:记录当前时刻的时间戳、磨损状态标签及对应的多源信号数据;判断当前测得的磨损量vb是否超过预设的失效阈值;
17、s1.4,信号鲁棒预处理与层级功率重构。
18、在步骤s1.4中,信号鲁棒预处理与层级功率重构包括:
19、s1.4.1,力/振动信号自适应清洗;
20、离群点剔除:依据准则识别并剔除传感器尖峰噪声;
21、主轴转频自适应滤波:构建截止频率随主轴转速动态调整的巴特沃斯低通滤波器;设定截止频率hz,其中,为实时主轴转速,滤除高频环境噪声并保留切削主频分量;
22、s1.4.2,鲁棒层级功率重构;
23、空转基线提取:针对单次实验全过程功率数据,取10%分位数的均值作为空转功率基线,锁定非切削状态下的系统基础能耗;
24、四分位距稳健滤波:针对同一切削层内的多次走刀功率,计算四分位距;剔除超出范围的异常波动值,消除随机测量误差;其中为第一四分位数,为第三四分位数;
25、稳态重构与净功率计算:利用经过滤波后的剩余有效数据的中位数重构该层的稳态切削功率;计算净切削功率,将该净切削功率作为后续热力学建模的能量输入变量;其中,为空转功率基线。
26、在步骤s2中,基于锋利状态参考模型的物理特征解耦与时空张量包括:
27、s2.1,构建锋利状态参考模型与切削力残差解耦;
28、s2.2,基于小波包分解的振动信号相对谱能量比提取;
29、s2.3,物理-数据融合的时空输入张量构建。
30、在步骤s2.1中,构建锋利状态参考模型与切削力残差解耦包括:
31、s2.1.1,定义锋利状态域;
32、选取刀具全生命周期前10%的切削数据定义为锋利状态域;刀具磨损量,多源传感器原始信号波动由工艺参数确定;
33、s2.1.2,构建对数-多项式物理特征空间;
34、先对工艺参数进行对数处理,得到,以线性化经验公式;随后对进行二阶多项式特征扩展,生成包含自变量及其交互项的高维特征向量;其中,为切削参数对数向量,为极小正量;
35、s2.1.3,训练锋利状态基准模型;
36、在锋利状态域域内,采用贝叶斯岭回归算法训练基准模型;
37、s2.1.4,全生命周期基准响应预测与残差计算;
38、将训练好的基准模型泛化至刀具全生命周期,输入实时切削参数预测当前的理论基准响应;随后,计算多源物理残差特征,表达式为:
39、
40、式中,为t时刻的多源物理残差特征,为t时刻的多源传感器原始观测信号,为t时刻实时切削参数构建的对数-多项式高维特征向量;
41、在步骤s2.2中,基于小波包分解的振动信号相对谱能量比提取包括:
42、选用daubechies10小波对原始振动信号进行层分解,得到个独立的子频带节点;计算各子频带的能量,表达式为:
43、
44、式中,为子频带离散采样点索引,表征第个子频带内分解系数的序列位置,为第个子频带在第个采样点处的小波包分解系数;
45、计算相对谱能量比,表达式为:
46、
47、式中,为第k个子频带的频域能量,与为同维度物理量;
48、构建特征向量,该特征向量通过归一化处理,表征切削系统频率结构的非线性演化;
49、在步骤s2.3中,物理-数据融合的时空输入张量构建包括:
50、构建时刻的特征向量,具体构成如下:
51、
52、式中,为切削力物理残差特征,为切削力残差均值,为切削力残差均方根值,为切削力残差最大值,为振动信号幅值最大值,为振动信号幅值均方根值,为1号子频带振动相对谱能量比,为8号子频带振动相对谱能量比。
53、步骤s3具体包括:
54、s3.1,定义可学习物理参数集及其约束映射;
55、s3.2,建立非线性微分-代数耦合方程组daes;
56、s3.3,物理参数的自适应预辨识。
57、步骤s3.1定义可学习物理参数集及其约束映射包括:
58、在深度学习框架内构建可微物理本构层,该层由一组可学习的物理参数张量和显式物理方程构成的计算图组成;所述可学习物理参数集包括切削力学参数、摩擦学参数及磨损动力学参数;其中,切削力学参数包括切削比能系数和尺寸效应指数向量;摩擦学参数为刀-屑接触区摩擦系数;磨损动力学参数为archard材料磨损系数;
59、在计算图中引入数值约束机制,通过sigmoid激活函数将无约束的可学习权重映射至预设的物理可行域内;摩擦系数计算公式为:
60、
61、式中,为摩擦系数物理可行域下限,为摩擦系数物理可行域上限,为通用物理参数可行域下限,为通用物理参数可行域上限,为轴向切深尺寸效应指数,为径向切宽尺寸效应指数,为每齿进给量尺寸效应指数,为切削速度尺寸效应指数,为网络中的原始可学习权重,为sigmoid函数;
62、在步骤s3.2中,建立非线性微分-代数耦合方程组daes包括功率耗散模型与磨损演化动力学模型;
63、功率耗散模型:将瞬时总切削功率分解为材料去除引起的塑性去除功和磨损带引起的寄生摩擦功;具体的计算表达式为:
64、
65、式中,分别为切削速度、每齿进给量、切削深度、切削宽度,为尺寸效应指数;为几何占空比因子,用于修正断续切削效应,其表达式为,为刀具直径;为时刻的理论后刀面磨损量;
66、磨损演化动力学模型:基于能量耗散理论和修正的archard定律构建磨损速率微分方程;首先定义比切削能为核心状态变量:
67、
68、式中,为材料去除率;
69、进而构建描述切削热与应力加速磨损效应的微分方程:
70、
71、式中,均为非线性指数,为archard材料磨损系数;
72、时域离散求解:采用前向欧拉法对上述耦合方程组进行离散化迭代求解,利用当前时刻的功率和工况,迭代更新下一时刻的磨损状态:
73、
74、式中,为上一时刻(t-1)的理论后刀面磨损量,为上一时刻物理本构层输出的理论切削功率,为上一时刻的材料去除率,为离散时间步长;
75、在步骤s3.3中,物理参数的自适应预辨识包括:
76、从原始数据集中抽取若干完整的全生命周期样本作为校准数据集;随后,冻结神经网络部分的权重,仅激活可微物理本构层;将校准数据集的工况参数输入该物理层,输出预测功率序列;构建均方误差损失函数,表达式为:
77、
78、式中,为校准数据集的总采样点数,为t时刻物理本构层输出的预测切削功率,为t时刻传感器采集的真实切削功率标签;
79、基于利用adam优化器进行反向传播,对中的物理参数进行梯度更新;最后,经过迭代收敛后,获得适配当前加工环境的最优物理参数组;利用该参数组对所有训练或测试样本进行前向推理,生成理论磨损曲线和理论功率曲线,这两个物理基准信号将作为趋势锁定器,输入至后续的pinn-bilstm协同预测网络中。
80、步骤s4具体包含以下步骤:
81、s4.1,物理-传感器信息的异构特征嵌入;
82、将步骤s3中生成的物理基准趋势与理论磨损量作为强先验信息,与步骤s2输出的解耦传感器特征进行显式拼接,构建增强型特征向量;
83、
84、s4.2,基于bilstm的双向时序特征提取;
85、采用双向长短期记忆网络bilstm对所述增强型特征向量序列进行处理;其中,前向lstm单元用于捕捉刀具磨损随时间的累积退化特征,后向lstm单元用于提取切削过程的平滑演变趋势;通过双向传播机制,输出包含丰富上下文信息的隐层状态向量;
86、
87、式中,为网络权重参数,输出的维度为,为双向长短期记忆网络映射函数,为前一时刻的隐层状态向量,为后一时刻的隐层状态向量,为bilstm网络的可学习权重参数集,为单向lstm单元的隐藏层特征维度;
88、s4.3,基于注意力机制的关键信息聚焦;
89、在bilstm层之后引入时间注意力机制,该机制通过全连接层与softmax函数计算每个时间步的权重分数,以区分不同切削阶段对最终预测结果的贡献度;随后,根据所述权重分数对隐层状态向量进行加权聚合,生成表征当前切削状态的上下文特征向量:
90、
91、
92、式中,为softmax归一化激活函数,为bilstm层在t时刻输出的双向隐层状态向量,为单一样本的时序总长度,与分别为注意力层的权重矩阵与偏置项;
93、s4.4,双头结构解耦残差预测;
94、双头结构包含两个并行的全连接层分支,具体包括:
95、磨损残差预测分支:用于预测实际磨损值相对于物理理论磨损值的非线性偏差;
96、功率残差预测分支:用于预测实际功率值相对于物理理论功率值的非线性偏差;
97、s4.5,自适应物理-数据门控融合;
98、引入可学习的自适应门控单元;首先,基于上下文特征向量与物理基准特征,通过sigmoid激活函数计算门控系数;
99、
100、式中,为sigmoid激活函数,为门控单元的可学习权重矩阵,为物理本构层输出的理论切削功率基准信号,为门控单元的可学习偏置项;
101、门控系数代表模型对神经网络预测残差的置信度;
102、基于所述门控系数,将物理基准趋势与神经网络预测残差进行加权融合,生成最终的协同预测输出:
103、
104、
105、式中,为最终协同预测的刀具后刀面磨损量,为物理本构层输出的理论磨损量基准,为磨损量预测分支的门控融合权重,为神经网络输出的磨损量残差预测值,为最终协同预测的切削功率,为物理本构层输出的理论功率基准,为切削功率预测分支的门控融合权重,为神经网络输出的功率残差预测值。
106、步骤s5具体实施步骤包括:
107、s5.1,构建多目标物理一致性损失函数;
108、构建包含四重约束的复合损失函数对网络进行端到端训练;
109、
110、式中,为峰值感知双任务保真度损失,为物理一致性约束平衡系数,为磨损单调性约束平衡系数,为时序平滑性约束平衡系数,为物理本构一致性损失,为磨损演化单调性损失,为时序平滑性损失,为各约束项的动态平衡系数;
111、各分项损失函数的具体构建方式如下:
112、峰值感知的双任务保真度损失:
113、
114、式中,为样本批量大小;为峰值聚焦系数,配置为大于0的常数以增强对高峰值样本的惩罚力度;和分别为磨损量的预测值与真实值,为多任务平衡因子,和分别为切削功率的预测值与真实值;
115、残差物理边界约束:
116、
117、式中,为线性整流函数,为神经网络输出的功率残差预测值,为物理本构层输出的理论功率基准,为预设的物理边界比例系数;
118、演化单调性与非负约束:
119、
120、式中,为磨损量关于时间的梯度,为非负约束的权重系数;
121、残差平滑度正则化:
122、
123、式中,与分别为相邻时间步的功率残差预测值;
124、s5.2,动态衰减的协同优化策略;
125、基于所述总损失函数,采用adamw优化器对模型参数进行迭代更新;在训练过程中,实施如下优化策略:
126、参数解耦更新,利用adamw优化器将权重衰减与梯度更新解耦,针对项施加l2正则化约束;
127、余弦退火学习率调度,采用带热启动的余弦退火策略调整学习率;设定学习率随训练轮次呈余弦函数形式周期性衰减,并在每个周期后重置学习率,其中,为设定的余弦退火周期长度。
128、本发明的另一目的在于提供一种变工况下刀具磨损与功率协同预测系统,该系统实施所述变工况下刀具磨损与功率协同预测方法,该系统包括:
129、变工况数据采集与预处理模块,用于基于拉丁超立方采样设计变参数实验方案,驱动数控平台与多源传感器组同步采集切削力、振动及功率信号,并结合离线显微测量获取磨损标签,构建原始数据集;
130、物理特征解耦模块,用于建立三路并行的特征解耦通道:分别通过锋利状态参考模型提取切削力残差、通过小波包分解获取振动相对谱能量比、以及通过平稳化重构计算净切削功率,从而消除变工况参数对监测特征的掩蔽效应;
131、可微物理本构层构建模块,用于利用可学习物理参数驱动非线性微分-代数方程组,生成反映切削物理规律的物理基准趋势,该趋势作为先验信息同时输入神经网络与融合模块;
132、物理感知与门控协同预测模块,用于将解耦后的特征封装为时空张量,经由pinn-bilstm与注意力机制提取时序特征;网络末端采用双头结构分别预测磨损与功率的非线性残差,并通过自适应门控单元g动态计算权重,将物理基准趋势与预测残差加权融合,生成协同预测输出;
133、多重正则化协同优化模块,用于基于反向传播对模型进行训练,利用包含数据保真度、物理层约束、单调性约束及去噪平滑约束的复合损失函数进行参数迭代,最终输出符合物理一致性的磨损状态与切削功率预测值。
134、结合上述的所有技术方案,本发明所具备的有益效果为:本发明通过特征解耦与残差补偿策略,能有效剥离变工况下的工艺参数干扰,显著增强模型在非平稳环境下的泛化能力;融合通过引入热力学耦合与多重物理正则化约束,对预测轨迹进行物理层面的逻辑校验,能有效抑制背离物理定律的非物理性预测偏差;基于磨损与能耗的双向互馈机制实现动态协同校准,大幅提升刀具急剧失效阶段的监测精度与鲁棒性。
135、本发明应用于航空航天及精密模具等高附加值制造领域。通过解决变参数加工过程中的刀具状态盲区问题,预期可提升刀具的寿命利用率,充分挖掘其剩余服役价值,降低因刀具意外破损导致的工件报废风险。同时,基于切削功率的精确预测,为车间级能耗优化提供了数据支撑,符合绿色低碳制造的产业趋势,具备显著的降本增效价值。
136、本发明填补了工业现场在非平稳变切削参数工况下缺乏高鲁棒性监测手段的技术空白。现有商业监测系统多依赖固定阈值或单一工况模型,无法适应复杂多变的加工路径。本方案通过“锋利状态参考模型”实现特征解耦,首创性地解决了工艺参数变化对磨损特征的掩蔽难题。
137、本发明有效解决了深度学习模型在工业应用中泛化能力差和可解释性弱的长期难题。传统数据驱动方法在遇到训练集之外的新工况时往往失效,而本方案利用可微物理本构层引入物理定律约束,实现了在小样本或新工况下依然保持符合物理逻辑的精准预测,攻克了从实验室模型走向现场应用的最后一公里难题。
138、本发明克服了业内长期存在的机理模型精度低与黑箱模型不可控难以调和的技术偏见。本发明证明了物理机理与深度神经网络并非对立,而是可以通过自适应门控机制实现深层次互补,打破了传统观念中认为物理模型无法处理复杂非线性残差的刻板印象。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com