多監控數據融合下的銑削刀具磨損量預測*

陳熠道，黎明柱，鄧小龍

(1.江蘇信息職業技術學院，無錫 214153；2.上海交通大學機械與動力工程學院，上海 200030)

0 引言

在制造過程中，刀具磨損隨著加工時間的延長而增加，刀具磨損會降低工件的加工精度，刀具的磨損是在刀具的正常操作中不可避免的，對刀具磨損進行實時估計和管理[1-2]，能夠有效提高智能制造中的生產質量和效率。

在制造過程中，一些測量工具被用來測量刀具的磨損寬度等可以直接反映當前磨損狀況的幾何參數。一般常用的測量工具有顯微鏡、電荷耦合器件(CCD)相機[3]等。近年來，傳感器技術的快速發展為間接傳感方法奠定了基礎。WANG等[4]提出了一種基于銑削作業中切削力信號的刀具破損概率神經網絡監測模型。胡德鳳等[5]針對傳感器特征信息提取方面，設計了BiGRU-Self Attention(BGSA)模塊，在此基礎上提出了堆疊殘差GRU的刀具磨損預測模型，該模型優化了網絡結構，提升了收斂速度。董靖川等[6]在原始高頻信號的基礎上，建立了基于分布式卷積神經網絡的刀具磨損量預測模型，該方法與BPNN模型相比，提高了預測精度。張超標等[7]針對刀具磨損預測模型的低精度問題，建立了Dropout深度前饋網絡的刀具磨損預測模型，該模型具有較高的預測精度。何彥等[8]建立了刀具磨損的長短時記憶卷積神經網絡(LSTM-CNN)的預測模型，該模型考慮了采集信號數據的多維性，通過實驗驗證了模型的有效性和準確性。張小翠等[9]通過變頻器電流間接測量了刀具磨損量，在此基礎上對檢測數據進行了處理，提出了檢測刀具磨損的新型方法。……