数字孪生驱动的薄壁件铣削刀具磨损状态识别方法_宋清华.pdf
《数字孪生驱动的薄壁件铣削刀具磨损状态识别方法_宋清华.pdf》由会员分享,可在线阅读,更多相关《数字孪生驱动的薄壁件铣削刀具磨损状态识别方法_宋清华.pdf(8页珍藏版)》请在咨信网上搜索。
1、46航空制造技术2023年第66卷第3期FORUM论坛*基金项目:国家自然科学基金(52275445);山东省重大科技创新工程(2020CXGC010204)。引文格式:宋清华,彭业振,王润琼,等.数字孪生驱动的薄壁件铣削刀具磨损状态识别方法J.航空制造技术,2023,66(3):4652,60.SONGQinghua,PENGYezhen,WANGRunqiong,etal.Toolwearstateidentificationmethodofthin-walledpartsmillingprocessdrivenbydigitaltwinJ.AeronauticalManufacturin
2、gTechnology,2023,66(3):4652,60.数字孪生驱动的薄壁件铣削刀具磨损状态识别方法*宋清华1,2,彭业振1,2,王润琼1,2,刘战强1,2(1.山东大学,济南 250061;2.山东大学高效洁净机械制造教育部重点实验室,济南 250061)摘要 薄壁零件由于其本身的弱刚性,铣削过程中极易发生颤振、变形,从而加剧刀具磨损,为提高薄壁零件的铣削加工效率和表面质量,提出了一种数字孪生与支持向量机(SVM)融合驱动的刀具磨损状态识别方法。利用时、频域分析和小波包变换提取特征向量,通过网格搜索与交叉验证(GSCV)的方法进行超参数寻优,结合 SVM 算法构建薄壁零件铣削刀具磨损状
3、态识别模型。试验结果表明,SVM 算法在高维小样本数据的分类识别问题中优势明显,对于不同铣刀磨损状态的识别准确率分别达到 96%和 90.16%,具有较好的泛化能力。结合机器学习算法构建高保真、轻量化的数字孪生体,并将其嵌入薄壁零件铣削过程监测平台,以解决加工过程中信号实时监测和刀具磨损状态在线识别的问题。关键词:数字孪生;支持向量机;刀具磨损;小波包变换;在线识别;薄壁件DOI:10.16080/j.issn1671-833x.2023.03.046宋清华 教授,博士,研究方向为高性能加工技术与装备、加工过程智能监控、生物医用器械。测,对提高薄壁零件(如航空发动机零件)的加工精度和加工效率具
4、有十分重要的意义。传统的刀具磨损状态识别,通常是基于信号分析,不涉及大数据,大多依靠专家经验和现场检查,效率低、准确度低6。随着大数据分析技术的崛起,基于机器学习的刀具磨损状态识别方法具有很高的识别准确度,成为近年来机械加工过程中刀具健康管理领域的研究热点7。利用多传感器采集加工过程中的切削信号、数字图像等,结合大数据流式处理、自然语言处理等机器学习算法,确定信号特征集与刀具磨损之间的映射关系,从而建立数据驱动模型,随着德国“工业 4.0”和“中国制造 2025”等战略的相继提出,在大数据分析、数字孪生、机器学习等技术推动下,传统制造业正在从基于知识的智能制造向数据驱动和知识赋能的智能制造转型
5、,第四次工业革命即将到来12。薄壁零件与传统零件相比具有质量小、强度大的优点3。但由于薄壁零件的弱刚性,铣削过程中极易引起薄壁结构的变形、失稳和颤振,造成刀具磨损量急剧增大,从而降低加工精度,甚至影响工件的疲劳寿命,并且加工过程中薄壁零件的时变特性难以在线预测45。因此研究薄壁件加工过程中刀具磨损状态实时监472023年第66卷第3期航空制造技术薄壁件加工状态监控与变形控制Processing State Monitoring and Deformation Control of Thin-Walled Parts识别刀具加工过程中的磨损状态,并将其反馈给数控加工平台,准确选择换刀时机。此方法
6、不仅可以提高刀具本身的利用率,而且极大地提高了薄壁件的加工效率和表面质量89。Li 等 10通过对振动信号的频谱分析,得到一组监测指标,并通过模糊神经网络描述了刀具磨损条件与这些指标之间的关系,得出了可行性结果。Li 等11通过相关性分析选择了14 个时域特征,建立了 v支持向量回归(vSVR)预测模型来监测刀具磨损,试验结果表明,vSVR 模型的预测准确率高达 96.76%。廖小平等12提出了一种利用核主成分分析法实现特征降维,基于灰狼优化算法优化SVM 的刀具磨损状态识别模型,该模型具有较好的泛化能力。基于机器学习的刀具磨损状态监测提高了识别精度,但多数研究高度依赖仿真数据和离线数据来优化
7、刀具路径和加工过程,缺少在加工过程中利用在线数据做出实时有效的决策。同时,机床加工过程与虚拟数据之间缺乏交互,从而使得数据驱动的刀具磨损状态识别模型具有一定的滞后性,造成识别结果的片面性。在目前制造模式向数字化、网络化和智能化发展的大背景下,机床加工过程实时监测以及刀具状态诊断管理的智能性、主动性和预测性是亟待解决的问题。数字孪生(Digital twin,DT)技术是以多维模型和融合数据为驱动,通过实时连接、映射等方式在数字空间对物理世界的物体模型进行描述、诊断、预测和决策1314。近年来,数字孪生的出现为连接物理世界和虚拟世界提供了有效的技术手段15。Atluru 等16开发了智能机床状态
8、监测系统,通过优化加工前、加工中和加工后的加工参数,最大限度地缩短了加工时间,提高了产品质量。Zhuang 等17提出了一种基于数字孪生驱动的车削过程刀具磨损监测与预测方法,该方法建立了与实际刀具系统完全匹配的对称虚拟刀具系统,实现了刀具磨损的高精度监测和预测。Christiand 等18提出了一种利用电流数据监测微型刀具磨损情况的数字化孪生方法。尽管数字孪生技术的应用越来越广泛,但应用于薄壁件铣削加工过程监测的研究工作相对较少。基于数字孪生技术,利用实时数据驱动刀具磨损状态识别模型,可全方位、多角度预测薄壁件铣削过程中刀具磨损状态。因此,本文提出一种数字孪生与 GSCVSVM 算法融合驱动的
9、薄壁件铣削加工过程中刀具磨损状态识别方法,基于数字孪生的理念,利用其虚实融合、实时交互的优点,构建机床加工过程中的数字孪生体,融合 GSCVSVM 算法,借助MySQL 数据库,实现了薄壁件铣削过程信号实时监测以及刀具磨损状态的在线识别。该方法可保障薄壁件铣削加工过程稳定、高效地进行,对促进加工质量和加工效益的提升具有重要意义。1 刀具磨损状态识别模型建立1.1 数字孪生驱动的识别框架如图 1 所示,物理空间与虚拟空间通过数字孪生技术实现了信息传输与决策反馈。根据物理空间中数控铣床的几何参数,搭建数控铣削加工平台模型。在保证高保真的前提下,利用拓扑轻量化方法,使用最少的点线面重构原模型,实现模
10、型的减面。然后将三维模型的面铺平展开成一个对应的二维(U、V)坐标图像,进行纹理贴图,进一步优化模型,为数字孪生体的构建提供模型保障。通过传感器采集铣削加工过程中的切削信号(加速度、力和声音等),经特征提取与滚动时间窗口切片实现降采样处理后传输至数据库。在虚拟空间中,结合机器学习算法与高保真模型构建机床加工过程数字孪生体。利用 HTML、CSS 和 JavaScript搭建可视化平台,并将孪生体嵌入进去,实现薄壁零件铣削过程的信号实时监测和刀具磨损状态的在线识别。根据刀具磨损所处的状态,将换刀指令反馈给数控机床,从而实现实时数据的交互。1.2 基于 SVM 的刀具磨损状态识别对铣削过程中的切削
11、信号经过特征提取和选择后,就可对数据集进行分类,即识别刀具磨损状态,将刀具磨损分为 3 类:初期磨损、正常磨损和剧烈磨损。因此,可以借助多类SVM实现对多种磨损状态的识别19。给定一组带标签的训练样本(xk,yk)lk,其中,xk为第 k 个训练样本(xkRn);yk为训练样本对应的分类标签(假设 ykE0,E1,E0为初期磨损状态;E1为正常磨损状态),如图2 所示,假设属于 E0的特征均满足方程 wxk+b 0;属于 E1的特征均满足w xk+b 0;惩罚因子 C 0。式(4)为一个凸约束问题,可以通过拉格朗日乘子法,将原问题转化为对偶问题进行求解。min(),.,w bkjkjkjkkl
12、jlklkkkly y a a K xxay a12111-=图 1 数字孪生驱动的刀具磨损状态识别框架Fig.1 Tool wear state recognition framework driven by digital twin几何信息实时数据决策反馈实时数据数字孪生信息传输VMC数控铣床铣削过程信号采集机床几何尺寸、角度和材质高保真建模拓扑法实现模型轻量化模型轻量化处理数据库+算法模型构建孪生体机床加工过程数字孪生体虚拟空间铣削过程信号信号处理采集加速度和声音力矩信号声音信号加速度信号物理空间加速度计Spike测力仪麦克风NI采集箱采集弯矩图 2 支持向量机分类原理Fig.2 Cla
13、ssification principle of support vector machine支持向量支持向量xyE0E1wx+b=-1wx+b=1wx+b=0w2w-bw.kkkly y a a K xxay a01111-=s t,01 2aC klk=(5)式中,K(xkxj)为核函数,所提出的刀具磨损状态识别方法中的核函数为径向基函数,即K xxxxkjkj()exp|=-|2220K xxxxkjkj()exp|=-|2220。由于识别对象是 3 种磨损状态,因此采用多分类的方法,即 1 对 1 法(Onevsone,OvO)。本文构造了 3 个二元分类器,每个分类器都由两个对应磨损
14、状态的数据训练。当对一个未知状态的训练数据进行分类时,最后492023年第66卷第3期航空制造技术薄壁件加工状态监控与变形控制Processing State Monitoring and Deformation Control of Thin-Walled Parts得票数最多的是样本的预测标签。2 试验验证2.1 数据采集与处理本文采用的铣削试验数据来源于 2010 年 PHM 公开数据集,试验装置及过程如图 4 所示。铣削加工参数如表 1 所示。每次走刀的铣削工艺参数相同,且工件形状、尺寸一致,因此每次走刀时间间隔相等。通过 NI 数据采集卡采集铣削过程中的加速度、声音以及切削力信号,同
15、时利用显微镜测量并记录每次走刀后铣刀的后刀面磨损量。该数据集收集了 6 把独立铣刀(编号为 C1 C6)全生命周期的加工数据,每次试验记录 315 次走刀。本文通过分析 C4 铣刀试验数据集中 x 方向加速度信号,构建了基于GSCVSVM 算法的刀具磨损状态识别模型,并对 C6 铣刀的磨损状态进行了预测辨识。图 5 所示为 C4 铣刀3 个切削刃的平均磨损量变化曲线,结合铣削加工过程的实际情况,确定前20次走刀为初期磨损阶段;21215次走刀为正常磨损阶段;215 次走刀后进入剧烈磨损阶段。本文通过时、频域分析,提取铣削振动信号的标准差、均方根和均方频率,作为反映刀具磨损的时域和频域特征,如表
16、 2 所示。3 个特征值随磨损量变化的规律如图 6 所示。小波包分解是在小波分析的基础上,根据信号特征和分析要求,对信号的高频和低频空间均进行了分解,从而在更大范围内找出与信号频谱相匹配的合适频段21。使用小波包分析法分析此加速度信号时,频带分辨率应小于 518 Hz,试验中信号的采样频率为 50 kHz,利用 db3 小波滤波器进行分解,由式(11)求得小波包的分解层数为 6。fmin=Fs/2n+1(6)式中,Fs为信号采样频率;n为小波包分解层数;fmin为最小频段。通过铣削振动信号的频谱分析,可知振动频率大多分布在 10 kHz 以内,因此取 64 个频带中的前 32 个频带(112.
17、51 kHz)能量作为时频域特征。图 7 为部分频带能量和小波包能量熵随刀具磨损量变化情况,均较好地反映了刀具磨损状态的变化。利用相关系数法,计算 32 个频带能量和小波包能量熵以及时域、频域中表 1 铣削工艺参数Table 1 Milling process parameters主轴转速/(rmin1)进给速度/(mmmin1)径向切削宽度/mm轴向切削深度/mm采样频率/kHz1040015550.1250.250图 3 松弛变量的影响Fig.3 Effects of relaxation variablesyyxxE1E0E0支持向量机支持向量机(a)不考虑松弛变量(b)考虑松弛变量支持
18、向量机支持向量机wE1-bw2wwx+b=-1wx+b=1wx+b=0图 4 试验系统和主要设备Fig.4 Experimental system and main equipment刀具磨损量各传感器信号数据可视化模块数据采集与传输模块数据采集卡NI DAQ PCI 1200多通道电荷放大器Kistler5019ALEICA MZ12显微镜铣削加工平台机床主轴铣刀工件加速度计zyx声发射传感器Kistler测力仪表 2 时域、频域信号的特征值及表达式Table 2 Features and expressions of time domain and frequency domain sig
19、nals特征值表达式标准差pNX ttNiXiN1211=-=lim()()均方根 pNXtIiN2211=()均方频率pf S ffS ff3200=()()dd图 5 C4 铣刀平均磨损量变化曲线Fig.5 Variation curve of average wear of C4 milling cutter初期磨损阶段正常磨损阶段剧烈磨损阶段50100150200250350300走刀次数N200180160140120100806040200平均磨损量VB/m(20,59.9)(215,100.1)50航空制造技术2023年第66卷第3期FORUM论坛的划分情况,从 3 种状态中分别
20、随机抽取 10 组、150 组、80 组特征向量构成训练集,共计 240 组;剩余 75 组数据构成测试集,基于 GSCVSVM 的刀具磨损状态识别算法流程图如图8 所示。分别对训练集和测试集进行归一化处理,利用网格搜索法查找范围内所有的点进行参数寻优,得到尽可能多的超参数组合,再通过交叉验证(K-foldcross-validation,K-CV)重复3 次,找出使得测试集分类准确度最高的 C、g 超参数组合。寻优结果如图 9 所示,最终确定惩罚因子 C=4、核参数 g=2。利用得到的最优参数,结合 SVM 算法训练刀具磨损状态识别模型,用测试集检验分类器的性能,识别结果如图 10(a)所示
21、,识别准确率为 96%(72/75)。利用 C6 铣刀数据集进一步检验模型的泛化能力,通过对数据集进行特征提取和特征选择,确定特征向量集,并进行归一化处理后,作为测试集验证基于 GSCVSVM 的刀具磨损状态识别模型的泛化能力,识别结果如图 10(b)所示,识别率为 90.16%(284/315)。综上识别结果分析,薄壁零件铣削刀具磨损状态模型中仅有两个参数需要寻优,且样本数量较少。而支持向量机(SVM)具有使用非线性核/泛化能力强和训练样本量小等特点。此外,所提方法考虑松弛变量的影响,使得模型具有较好的鲁棒性。同时利用循环遍历的网格搜索,根据模型精度确定最佳超参数,交叉验证过程中防止训练过拟
22、合,从而使得模型具有较高的识别精度和泛化能力。3 结论为了实现薄壁零件铣削过程的刀具磨损状态在线识别,提出了一种数字孪生与 GSCVSVM 算法融合驱动的刀具磨损状态识别方法,通过试验验证了方法的有效性,针对薄壁表 3 特征向量与磨损量的相关系数Table 3 Correlation coefficient between eigenvector and wear时域特征频域特征时频域特征标准差(p1)均方根(p2)均方频率(p3)频带 2(p4)频带 3(p5)能量熵(p14)0.93280.93250.90140.93050.93110.9021图 6 时域、频域特征参数变化图Fig.6
23、Variation diagram of characteristic parameters in time domain and frequency domain标准差均方根均方频率0.250.200.100.15幅值A/g0.250.200.100.15幅值A/g幅值A/g4060801001201401601802002204060801001201401601802002204060801001201401601802002206543平均磨损量VB/m图 7 时频域特征参数变化图Fig.7 Variation diagram of characteristic parameters
24、in time-frequency domain(a)频带2(b)频带3(c)频带29(d)小波能量熵6004002000能量E/J50100150200平均磨损量VB/m200150100500能量E/J50100150200平均磨损量VB/m100500能量E/J50100150200平均磨损量VB/m3.83.63.43.2能量E/J50100150200平均磨损量VB/m的特征向量与磨损量之间的相关系数|xy|,最终确定出 14 个|xy|0.9 的特征向量,部分特征向量与磨损量的相关性如表 3 所示,组成特征向量集T=p1,p2,p3,p4作 为 GSCVSVM 模型的输入向量。2.
25、2 刀具磨损状态识别根据上文对 C4 铣刀磨损状态512023年第66卷第3期航空制造技术薄壁件加工状态监控与变形控制Processing State Monitoring and Deformation Control of Thin-Walled Parts零件铣削中的刀具磨损,该方法具有较高的识别精度和泛化能力。本文的主要内容总结如下。(1)所提出的方法通过网格搜索与交叉验证(GSCV)的寻优方式,最终确定了超参数组合惩罚因子 C=4、核参数 g=2 是全局最优解,避免了局图 8 刀具磨损状态识别算法流程图Fig.8 Flow chart of tool wear state recog
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 数字 孪生 驱动 薄壁 铣削 刀具 磨损 状态 识别 方法 清华
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。