本技术介绍了一种利用数字孪生技术实现合金加工机床作业监控管理的新方法。该方法通过构建数字孪生模型,整合物理模型和数据模型,实现对机床作业的实时监控。物理模型配备三向切削力传感器等设备,以收集关键数据,确保加工过程的精确控制和优化。
背景技术
随着智能制造技术的快速发展,合金加工车间作为高端制造业的重要组成部分,其生产效率、产品质量及安全管理水平对整体生产效益具有重要影响。在合金加工中最重要的设备是合金加工机床,而加工机床刀具的磨损状态是影响合金加工质量和加工效率的重要因素。因此能否及时准确地监测刀具的磨损状态,是保障工件与机床质量安全的一个重要前提。
申请号为CN202310710028.3的中国发明专利公开了一种基于匹配小波深度迁移学习的铣削加工刀具磨损检测方法,首先通过振动、声发射、功率传感器从机床铣削平面加工过程中得到原始的加工信号,从原始加工信号中提取平稳切削过程信号,再通过Morse连续小波对一维故障信号进行匹配升维,捕捉微小变化,得到可视化强化特征图像;其次,对深度迁移网络源域模型进行有效迁移,该模型具有高效的图像学习经验,可降低目标域训练样本数量;最后在模型迁移中根据有限数据进行流程的参数优化。
申请号为CN202210299396.9的中国发明专利公开了一种基于小波降噪和注意力机制融合GRU网络的铣削加工刀具磨损监测方法,首先,通过传感器模块采集机床铣削平面加工过程中的原始加工信号,包括外置信号和内置信号,其中,外置信号包括振动、电流和声发射,内置信号包括机床内置移动轴实时位置;结合加工程序中指令及机床内置移动轴位置信号,从原始加工信号提取平稳切削过程信号,再通过小波降噪对信号进行预处理,去除噪声并进行归一化操作,对去噪及归一化后的信号进行分析和特征提取,获得时间序列上的多维度特征矩阵,结合相应的磨损真实值构成样本集以用于模型训练;然后基于GRU网络建立刀具磨损预测模型,在时间步和维度上融入注意力机制进行模型训练,训练过程中计算损失函数、预测值与真实值间均方根误差,以此评判模型训练效果;最后,采用训练后的刀具磨损预测模型对铣削加工刀具磨损进行监测。
然而上述技术仅让神经网络学习了与刀具磨损值相关的时域特征,没有考虑频域特征,这可会导致信息的缺失,因为频域特征往往能揭示信号在不同频率上的能量分布和变化,这些变化与刀具的磨损状态密切相关。通过时频转换技术,如傅里叶变换,可以将时域信号转换为频域信号,从而进一步提取频域特征,为刀具磨损状态的识别提供更全面的信息。而且,刀具的振动信号、电流和声发射信号为不同类型传感器采集的数据,具有多模态属性。这些不同模态的数据各自包含了刀具磨损状态的不同方面的信息,且这些信息之间可能存在互补性。上述方法没有考虑训练数据的多模态属性,可能无法充分利用这些互补信息,从而影响刀具磨损状态识别的准确性和稳定性。
实现思路