【推荐阅读】最高关注论文|李聪波等：数字孪生驱动的数控铣削刀具磨损在线监测方法

数字孪生驱动的数控铣削刀具磨损在线监测方法

李聪波 孙 鑫 侯晓博 赵希坤 吴少卿

重庆大学机械传动国家重点实验室

摘要

       针对数控铣床不断老化导致刀具磨损预测模型误差较大,加工过程中动态数据难以在线采集等问题,提出一种数字孪生驱动的刀具磨损在线监测方法。采用神经网络对加工过程中的多源数据进行特征提取,建立考虑机床老化的刀具磨损时变偏差量化模型,并在此基础上提出数控铣削刀具磨损的在线预测方法;开发了面向刀具磨损的数控铣削数字孪生系统,在线感知加工过程中的动态数据并实时仿真刀具磨损过程;最后,将该方法应用于实际加工中并与其他的预测方法进行了对比,结果表明该方法有效降低了机床老化带来的误差,实现了刀具磨损的精确预测。

0

引言

      近年来,数字孪生在工业领域逐步发展,在机械产品可靠性测试、生产车间智能监控、复杂产品装配技术以及物流配送等场景已成功应用,实现了对物理实体的在线监测、仿真及决策,具有实时性与保真性.本文将数字孪生技术应用于刀具磨损在线监测场景,实时采集加工过程中的动 态数据,基于刀具磨损时变预测模型在线监测刀具磨损的状态、仿真刀具磨损的过程及制定刀具的换刀策略,减少了模型训练所消耗的资源和时间,满足了加工过程中实时性的需求。数控铣床实际切削加工过程中,基于历史数据训练的历史预测模型有误差,且在线学习难以 实时预测刀具磨损值。为此，本文使用刀具磨损时变偏差量化方法减少因机床老化产生的误差,实时预测刀具磨损值;同时基于数控铣削数字孪生系统,在线采集数据并实时仿真刀具磨损的过程,实现机床实际切削加工过程中刀具磨损的在线监测。

1

数控铣削刀具磨损在线监测方法框架

2

数字孪生驱动的数控铣削刀具磨损在线预测模型

2.1　数字孪生系统数据处理

     采集机床加工过程中的多源数据并输入数字孪生系统中,将振动信号数据矩阵R_１、切削力信号数据矩阵R_２ 以及主轴功率信号数据矩阵R_３ 输入数字孪生特征提取模块,然后将提取后的特征与工艺参数数据矩阵R_４ 融合后进行特征降维处理.刀具磨损数字孪生系统数据处理如图２所示。

2.1.1　 孪生数据特征提取

     在实际切削加工过程中,振动和切削力信号采集频率较高,主轴功率信号的采集频率较低,故三种信号不能直接进行融合。本文在数字孪生系统中针对不同的信号建立了不同的神经网络模型,将采集频率高的振动和切削力信号输入卷积神经网络进行特征提取,将采集频率低的主轴功率信号输入 BP神经网络进行特征提取。

2.2 数控铣削刀具磨损在线预测模型

     本文提出的刀具磨损在线预测方法,首先采用刀具磨损的时变偏差量化方法减小预测误差，并在此基础上考虑加工过程中的各种不确定因素，建立刀具磨损的在线预测模型。

2.2.1　 刀具磨损时变偏差量化

      机床的逐步老化会对刀具的磨损造成影响,如现在和一年后在同一台机床使用相同的刀具、工件和工艺参数加工，测得的刀具磨损值会不同，故基于历史数据的离线预测模型会有误差,因此,本文引入刀具磨损时变偏差模型来量化机床老化产生的偏差。在建立数控铣削数字孪生系统后,获取数控机床长时间的加工数据,通过数据拟合得出机床的老化对刀具磨损的影响。

2.2.2　 刀具磨损在线预测模型

      本文综合考虑基于历史数据训练的刀具磨损预测模型、刀具磨损时变偏差量化模型和考虑加工过程中不确定性的高斯白噪声,得到数控铣削刀具磨损在线预测模型。

3

面向刀具磨损的数控铣削数字孪生系统

3.1　数字孪生系统架构及其功能模块

      数控铣削刀具磨损的数字孪生框架主要由物理机床、孪生数据库和虚拟机床三部分组成，三者互联互通。物理机床执行加工策略,将采集到的数据上传至孪生数据库;虚拟机床通过处理分析孪生数据库中的数据建立预测模型和进行动态仿真,驱动物理机床的行为动作。面向刀具磨损的数控铣削数字孪生系统架构如图３所示。

     本文采用 Unity 3D、SolidWorks2015和３ds Max2017开发数控机床刀具磨损数字孪生系统。首先采用 SolidWorks 2015 对 VGC1500龙门型立 式 加 工 中 心 进 行 三 维 建 模,然 后 在 ３ds Max2017中制作切削加工过程中的动画,最后使用 Unity３D设计系统界面和程序的交互。采用TCP/IP通信协议将物理机床的数据传送至数字孪生系统。开发的数字孪生系统仿真过程如图４所示。

4

案例分析

     本文在重庆某企业车间进行实验,以该车间中的 VGC1500龙门型立式加工中心为平台,搭建刀具磨损在线预测实验环境。如图５所示,通过外加传感器并与与机床的数控系统和电气柜连接通信采集切削加工过程中的多源数据。

       本文使用直径为10 mm 的新合金铣刀进行切削实验,使用的工件尺寸大小为120 mm×120 mm×20 mm,材料为45钢,设计了三因素四水平正交试验,采用16组加工参数进行加工试验,每次切削走刀120 mm,每组加工参数走刀８次,每走刀一次,测量一次刀具磨损值。同时,为了拟合考虑机床老化的刀具磨损时变偏差量化模型,本文在6、8、11月初在相同条件下按上述加工步骤进行加工,得到３个数据集。

       在切削加工过程中,每走刀一次,使用超景深显微镜测量刀具磨损值。根据 GB/T16460-2016标准,将合金铣刀后刀面的磨损带宽度作为该刀具的磨损值.本试验所用刀具有四个切削刃,以四个切削刃的磨损值的平均值作为该刀具的磨损值.每个切削刃磨损的测量方式为:对于不均匀后刀面磨损,等距测量三个磨损带宽度取平均值,作为每个刃的磨损值;对于均匀后刀面磨损,选取中间位置测量磨损带宽度作为每个刃的磨损值。测量结果如图７所示。

      为了验证数字孪生驱动的数控铣削刀具磨损在线预测模型的准确性,将 M_０数据集分别输入本文的在线预测方法、CNN＋SVR、SVR 和 CNN中得到四个预测模型,并将M_１、M_２数据集中15％的数据输入上述模型中来测试预测结果。

      从以上对比分析可看出,本文的在线预测方法的预测精度高于 CNN、SVR 的预测精度,预测精度始终高于95％,数据处理方法相比于其他方法更能挖掘多源数据中的有用信息。同时,本文的刀具磨损时变偏差量化方法能够修正长时间段内机床老化带来的偏差影响。

5

结论

（1）本文提出的数字孪生驱动的刀具磨损在线监测方法首先采用考虑机床老化的刀具磨损时变偏差量化方法,建立刀具磨损在线预测模型,然后开发了数控铣削数字孪生系统,该系统能在线采集机床切削加工过程中的动态数据,实时预测刀具磨损值,并动态仿真刀具磨损的过程。

（2）将本文的在线方法与其他方法预测结果对比分析,结果显示：本文方法在评价指标平均百分比误差 MAPE、均方根误差 RMSE、最大绝对误差MAE、决定系数R^２上 均 优 于 SVR 和CNN,预测精度更高,且随着机床的不断老化,本文的时变模型可有效降低在线预测的误差,预测精度始终高于95％。

 (３)  在数控机床的切削加工过程中,机床老化对刀具磨损影响巨大,同时也严重影响了机床的加工精度,因此,实时采集机床寿命周期内的切削数据,研究机床老化对刀具磨损和加工精度的影响是下一步研究的重点。

全文畅读请点击如下链接：

http://m.chaoxing.com/mqk/read_38502727e7500f26ed0910d1d5c1b7815ec2d00214ad66421921b0a3ea255101fc1cf1fbb4666ae6114fa3d99cb33ab872943a1bd1b443b1242d34b6efa579bdf101bc71a44183e110bc92a6ec065159?from=screen

PDF全文下载请点击如下链接：数字孪生驱动的数控铣削刀具磨损在线监测方法 ()。

第一作者简介

李聪波,男,1981年生，教授、博士研究生导师。研究方向为绿色制造与智能制造。E-mail:[e-mail]。

值班小编：wyl