本發(fā)明屬于刀具監(jiān)測，具體涉及一種基于物理引導(dǎo)深度學(xué)習(xí)網(wǎng)絡(luò)的刀具磨損狀態(tài)在線監(jiān)測方法，用于在機(jī)械加工過程中對刀具的磨損狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測和評估。

背景技術(shù)：

1、隨著智能制造和工業(yè)4.0的快速發(fā)展，刀具磨損狀態(tài)監(jiān)測技術(shù)逐漸成為提高加工質(zhì)量和生產(chǎn)效率的關(guān)鍵技術(shù)之一。刀具磨損狀態(tài)監(jiān)測不僅可以優(yōu)化加工過程，延長刀具的使用壽命，還能有效防止因刀具過度磨損導(dǎo)致的工件報(bào)廢和設(shè)備損壞，從而實(shí)現(xiàn)高效生產(chǎn)、降低生產(chǎn)成本的目標(biāo)。特別是在高速切削技術(shù)應(yīng)用廣泛的領(lǐng)域，如航空航天、精密電子和醫(yī)療器械制造等，對加工精度和表面質(zhì)量的要求極高，因此對刀具磨損狀態(tài)的監(jiān)測顯得尤為重要。

2、然而傳統(tǒng)的刀具磨損狀態(tài)監(jiān)測方法通常依賴于定期的離線檢測或基于物理傳感器的在線監(jiān)測手段，例如使用振動(dòng)傳感器、加速度傳感器或聲發(fā)射傳感器。這些方法在實(shí)際應(yīng)用中存在一定的局限性。首先，定期的離線檢測需要暫停加工過程進(jìn)行檢測，導(dǎo)致生產(chǎn)效率下降；而基于物理傳感器的在線監(jiān)測雖然能實(shí)現(xiàn)一定程度的實(shí)時(shí)性，但其對監(jiān)測環(huán)境的依賴較高，易受加工噪聲和環(huán)境干擾的影響，從而導(dǎo)致監(jiān)測精度不足。此外，這些方法還需要大量的人工參與進(jìn)行數(shù)據(jù)分析和決策，增加了生產(chǎn)過程中的人工成本。

3、近年來，深度學(xué)習(xí)技術(shù)在處理時(shí)間序列數(shù)據(jù)方面展現(xiàn)出了強(qiáng)大的非線性擬合能力，通過將刀具的振動(dòng)信號、切削力信號等加工過程中的數(shù)據(jù)輸入深度學(xué)習(xí)網(wǎng)絡(luò)，可以實(shí)現(xiàn)刀具磨損狀態(tài)的準(zhǔn)確預(yù)測。但基于深度學(xué)習(xí)的刀具監(jiān)測方法同樣面臨一些挑戰(zhàn)。首先，為了訓(xùn)練一個(gè)高精度、泛化能力強(qiáng)的深度學(xué)習(xí)模型，通常需要大量的高質(zhì)量訓(xùn)練樣本，這些樣本包括不同工況下刀具磨損的完整壽命數(shù)據(jù)。然而，在實(shí)際生產(chǎn)環(huán)境中，由于加工參數(shù)的多變性和采集環(huán)境的復(fù)雜性，很難獲取足夠多的高質(zhì)量樣本。尤其是對于多樣化的加工場景，深度學(xué)習(xí)模型的泛化能力可能不足，難以適應(yīng)新工況下的刀具磨損狀態(tài)預(yù)測。此外，深度學(xué)習(xí)模型通常是“黑箱”模型，難以解釋和理解模型的預(yù)測結(jié)果，這在某些應(yīng)用場景中可能限制了其進(jìn)一步推廣和應(yīng)用。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明是為了解決上述現(xiàn)有技術(shù)存在的不足之處，提出一種基于物理引導(dǎo)深度學(xué)習(xí)網(wǎng)絡(luò)的刀具磨損狀態(tài)在線監(jiān)測方法，以期能結(jié)合物理規(guī)律的指導(dǎo)提高模型泛化性，從而能實(shí)現(xiàn)對刀具磨損狀態(tài)的高精度預(yù)測和實(shí)時(shí)監(jiān)測，克服傳統(tǒng)方法的不足。

2、本發(fā)明為達(dá)到上述發(fā)明目的，采用如下技術(shù)方案：

3、本發(fā)明一種基于物理引導(dǎo)深度學(xué)習(xí)網(wǎng)絡(luò)的刀具磨損狀態(tài)在線監(jiān)測方法的特點(diǎn)在于，是按照以下步驟進(jìn)行：

4、步驟1、通過安裝在工作臺上的力傳感器在線采集刀具在加工過程中的真實(shí)切削力信號，其中，表示刀具在第i階段的切削力信號，表示真實(shí)切削力信號的總階段數(shù)；

5、獲取刀具在第i階段的切削力信號對應(yīng)的刀具磨損信息并作為真實(shí)磨損標(biāo)簽；從而構(gòu)建實(shí)際訓(xùn)練數(shù)據(jù)集；

6、采集數(shù)控機(jī)床的加工信息，并提取相應(yīng)第i階段的切削參數(shù)；

7、步驟2、對實(shí)際訓(xùn)練集進(jìn)行樣本擴(kuò)增處理，得到擴(kuò)充的仿真訓(xùn)練數(shù)據(jù)集，其中，表示刀具在第階段的仿真切削力信號；表示對應(yīng)的仿真磨損標(biāo)簽；表示仿真切削力信號的總階段數(shù)；

8、步驟3、構(gòu)建物理引導(dǎo)深度學(xué)習(xí)的刀具磨損狀態(tài)在線監(jiān)測網(wǎng)絡(luò)，包括：深度學(xué)習(xí)模塊、物理引導(dǎo)模塊；

9、步驟3.1所述深度學(xué)習(xí)模塊包括：特征提取塊與頭部決策塊；

10、步驟3.1.1所述特征提取塊對進(jìn)行處理，分別得到刀具在第階段的全局特征和局部特征；

11、步驟3.1.2所述頭部決策塊對、和進(jìn)行處理，得到第階段的預(yù)測磨損值；

12、步驟3.2所述物理引導(dǎo)塊利用式(1)得到第階段的物理預(yù)測磨損率；

13、???(1)

14、式(1)中，和分別為第階段的前期磨損率和后期磨損率，和為2個(gè)幅值系數(shù)，為偏差參數(shù)，和為2個(gè)常數(shù)項(xiàng)，為第階段的某一時(shí)刻；

15、步驟4、利用式(2)構(gòu)建物理引導(dǎo)的深度學(xué)習(xí)損失函數(shù)；

16、??????(2)

17、式(2)中，表示深度學(xué)習(xí)模塊輸出的預(yù)測磨損值，表示真實(shí)磨損標(biāo)簽或仿真磨損標(biāo)簽，表示數(shù)據(jù)項(xiàng)損失函數(shù)，表示刀具磨損率關(guān)系的物理項(xiàng)損失函數(shù)，代表差異尺度調(diào)節(jié)系數(shù)；

18、步驟5、將仿真訓(xùn)練集輸入物理引導(dǎo)深度學(xué)習(xí)的刀具磨損狀態(tài)在線監(jiān)測網(wǎng)絡(luò)，并計(jì)算損失函數(shù)以對網(wǎng)絡(luò)的初始權(quán)重進(jìn)行預(yù)訓(xùn)練，直至收斂為止，從而得到預(yù)訓(xùn)練后的網(wǎng)絡(luò)權(quán)重及其對應(yīng)的預(yù)訓(xùn)練后的刀具磨損狀態(tài)在線監(jiān)測模型；

19、步驟6、使用實(shí)際訓(xùn)練數(shù)據(jù)集對預(yù)訓(xùn)練后的刀具狀態(tài)在線監(jiān)測模型進(jìn)行訓(xùn)練，并計(jì)算損失函數(shù)以對進(jìn)行微調(diào)，直至收斂為止，從而得到微調(diào)后的網(wǎng)絡(luò)權(quán)重及其對應(yīng)的最優(yōu)刀具磨損狀態(tài)監(jiān)測模型；

20、步驟7、對加工過程中產(chǎn)生的切削力信號進(jìn)行實(shí)時(shí)采集，并將采集到的實(shí)時(shí)切削力信號輸入最優(yōu)刀具磨損狀態(tài)監(jiān)測模型進(jìn)行處理，輸出當(dāng)前刀具磨損預(yù)測值；

21、步驟8、如果當(dāng)前刀具磨損預(yù)測值達(dá)到預(yù)定的刀具磨損臨界閾值時(shí)，則停機(jī)并更換刀具；否則，返回步驟7繼續(xù)監(jiān)測。

22、本發(fā)明所述的一種基于物理引導(dǎo)深度學(xué)習(xí)網(wǎng)絡(luò)的刀具磨損狀態(tài)在線監(jiān)測方法的特點(diǎn)也在于，所述步驟3.1.1中的特征提取塊依次包括：周期性注意力機(jī)制單元、分段注意力機(jī)制單元、雙層bi-lstm網(wǎng)絡(luò)；

23、步驟a1、將輸入至周期性注意力機(jī)制單元中進(jìn)行特征提取，得到刀具在第階段的周期性特征；

24、步驟a2、將和輸入所述分段注意力機(jī)制單元中進(jìn)行特征提取，得到刀具在第階段的分段特征；

25、步驟a3、將輸入雙層bi-lstm網(wǎng)絡(luò)中進(jìn)行處理，生成第階段的全局特征和局部特征。

26、進(jìn)一步的，步驟3.1.2中的頭部決策塊是由一個(gè)lstm網(wǎng)絡(luò)和一個(gè)單調(diào)性約束限制單元組成；

27、步驟b1、將、和拼接后，輸入lstm網(wǎng)絡(luò)中進(jìn)行處理，得到第階段的隱藏預(yù)測磨損值；

28、步驟b2、將輸入單調(diào)性約束限制單元中，從而利用式(3)得到第階段的預(yù)測磨損值；

29、???(3)

30、式(3)中，表示第階段的隱藏預(yù)測磨損值，當(dāng)=1時(shí)，令=0，為較大值選擇函數(shù)，為絕對值函數(shù)。

31、進(jìn)一步的，所述步驟4包括：

32、步驟4.1、利用式(4)構(gòu)建數(shù)據(jù)項(xiàng)損失函數(shù)：

33、???(4)

34、式(4)中，是第階段的真實(shí)磨損標(biāo)簽或仿真磨損標(biāo)簽，n表示階段的總數(shù)；

35、步驟4.2、利用式(5)構(gòu)建物理項(xiàng)損失函數(shù)：

36、???(5)

37、式(5)中，是的導(dǎo)數(shù)；

38、步驟4.3、利用式(6)計(jì)算差異尺度調(diào)節(jié)系數(shù)；

39、???(6)

40、式(6)中，epoch為訓(xùn)練的次數(shù)，表示激活函數(shù)。

41、本發(fā)明一種電子設(shè)備，包括存儲器以及處理器的特點(diǎn)在于，所述存儲器用于存儲支持處理器執(zhí)行所述刀具磨損狀態(tài)在線監(jiān)測方法的程序，所述處理器被配置為用于執(zhí)行所述存儲器中存儲的程序。

42、本發(fā)明一種計(jì)算機(jī)可讀存儲介質(zhì)，計(jì)算機(jī)可讀存儲介質(zhì)上存儲有計(jì)算機(jī)程序的特點(diǎn)在于，所述計(jì)算機(jī)程序被處理器運(yùn)行時(shí)執(zhí)行所述刀具磨損狀態(tài)在線監(jiān)測方法的步驟。

43、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于：

44、1)本發(fā)明通過將刀具磨損退化過程中的物理規(guī)律與深度學(xué)習(xí)模型相結(jié)合，實(shí)現(xiàn)了對刀具磨損狀態(tài)的高精度預(yù)測。物理引導(dǎo)模塊對深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行約束，使得模型不僅可以學(xué)習(xí)復(fù)雜的非線性特征，還能夠在預(yù)測過程中遵循加工過程的物理特性，從而顯著提升了模型在多變加工環(huán)境中的適應(yīng)性與魯棒性。

45、2)本發(fā)明利用仿真實(shí)驗(yàn)數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練，初步學(xué)習(xí)刀具磨損的變化模式，之后使用少量的實(shí)際實(shí)驗(yàn)數(shù)據(jù)對模型進(jìn)行微調(diào)優(yōu)化，有效解決了深度學(xué)習(xí)模型對大規(guī)模高質(zhì)量訓(xùn)練數(shù)據(jù)的依賴問題，顯著降低了實(shí)驗(yàn)數(shù)據(jù)采集的成本，同時(shí)縮短了模型的訓(xùn)練周期，提升了刀具狀態(tài)在線監(jiān)測模型在實(shí)際生產(chǎn)環(huán)境中的推廣應(yīng)用能力。

46、3)本發(fā)明在深度學(xué)習(xí)模型結(jié)構(gòu)中，采用雙層bi-lstm網(wǎng)絡(luò)作為特征提取骨干，結(jié)合周期性約束塊和單調(diào)性約束限制塊，對時(shí)間序列數(shù)據(jù)進(jìn)行深度分析和處理。雙層bi-lstm網(wǎng)絡(luò)能夠從前后時(shí)間步中提取復(fù)雜的時(shí)間序列特征，而周期性約束塊的引入使得模型能夠更好地捕捉刀具磨損的周期性變化規(guī)律，從而提高對刀具狀態(tài)的預(yù)測精度，確保監(jiān)測系統(tǒng)的實(shí)時(shí)性和準(zhǔn)確性。