[发明专利]一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法

说明书

本发明属于机械加工技术领域，提供了一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法。首先，采集加工过程中的振动信号；下一步，测量零件表面粗糙度和刀具磨损情况，并将测得结果与振动信号分别对应；其次，进行样本扩充，提取特征并归一化处理；然后，构建基于深度置信网络的多任务预测模型，并将零件表面粗糙度和刀具磨损情况作为模型输出，提取特征作为输入，建立多任务DBN网络预测模型；最后，进行试验验证，振动信号输入多任务预测模型中，预测表面粗糙度以及刀具磨损状况。该方法的最大优点：一次建模实现零件表面粗糙度和刀具磨损的在线预测，充分利用了监测数据包含的隐藏信息，减少了工作量以及模型建立的成本。

技术领域

本发明属于机械加工技术领域，涉及一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法。

背景技术

表面质量是决定机械加工性能的重要因素，优质的零件表面可显著提高零件的疲劳强度、耐腐蚀性和蠕变寿命。在零件加工中，表面粗糙度是加工表面质量的主要指标之一。表面粗糙度会影响零件的功能属性，如接触引起的表面摩擦和磨损等。刀具磨损是金属切削加工中存在的一种正常现象。加工使刀具刃口钝化，增加刀具与工件之间的摩擦，同时也增加功率的消耗，若不能及时判断刀具磨损状态，会降低工件的尺寸精度，增大表面粗糙度，甚至会使工件完全损坏。在大批量零件加工中，刀具磨损会恶化零件表面粗糙度，零件表面粗糙度变化会表征刀具磨损情况。因此，实现零件表面粗糙度和刀具磨损的精准预测能显著提高零件的加工质量和加工效率。

目前学者在零件表面粗糙度和刀具磨损预测方面进行了大量的研究。在专利《一种基于GA-ELM算法的模具钢铣削表面粗糙度预测系统》(申请号：CN201810329036.2)中，利用GA-ELM算法建立预测模型，并进行表面粗糙度预测；在专利《Machined surface qualityevaluation device》(专利号：US20180307198A1)中，机械加工表面质量评估装置包括机器学习装置，该机器学习装置将对工件的加工表面质量的检查结果作为状态变量进行观察，获取表示观察者对工件的加工表面质量的评价结果的标签数据，并学习该状态变量和标签数据的相互关联方式，实现表面质量的评估；在专利《Manufacturing efficiencyoptimization platform and tool condition monitoring and prediction method》(专利号：US 20160349737A1)中，利用传感器数据持续监测和分析设备状态并预测功耗趋势，当功率增加以及振动增加到预定水平时，表明刀具已磨损至需更换的程度；在专利《基于改进的BP神经网络的刀具磨损预测方法》(申请号：CN201811122597.1)中，通过聚类算法对刀具数据进行分类筛选，对数据进行归一化处理，建立BP神经网络模型，并利用建立好的神经网络预测刀具磨损状态；在专利《一种基于振动频谱和神经网络的刀具磨损测量方法》(申请号：CN201810685382.4)中，采用振动传感器采集切削过程中的振动信号，并对振动信号进行傅立叶变换，将频谱集中区域的振动幅值输入到神经网络中进行训练，建立起振动频谱和刀具磨损量之间的映射关系，预测刀具磨损。上述预测方法只依赖历史进程数据，采集加工过程中的动态信号并提取识别信号特征，不需要先验物理知识，对人员要求较低，精度、实时性和适应范围较好。

然而，目前预测方法存在一些问题，如：(1)有一些采用传统的智能算法和机器学习算法，这些网络通常是浅层结构，限制了网络学习切削动态参数与零件粗糙度和刀具磨损之间复杂非线性映射关系的能力。(2)只能单独实现零件表面粗糙度的预测或刀具磨损的预测，没有同时实现零件表面粗糙度和刀具磨损预测研究的研究。本发明针对上述问题提出一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法，可同时实现零件表面粗糙度和刀具磨损的预测。

发明内容

本发明的目的为提供一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法，解决现有预测方法只能单独实现零件表面粗糙度预测或刀具磨损预测的问题。该方法可以同时实现零件表面粗糙度和刀具磨损的预测。

本发明的技术方案：