基于神经网络的刀具状态监控精选.docx

基于神经网络的刀具状态监控摘要：神经网络已经广泛应用于状态监控当中。本文为达到更高质量和自动化程度的钻孔工艺，在刀具状态监控系统中使用基于竞争学习的对向传播神经网络（CPNs）。对向传播神经网络的输入数据为三向切削力，输出数据为刀具状态或刀具磨损值。70个对向传播神经网络的网络结构应用于实时识别和实时测量。对向传播神经网络的性能主要依赖于网络结构。本文的研究中提出合理的网络结构设计方案，以提高了钻孔工艺的效率和自动化水平。关键词：对向传播神经网络（CPNs）竞争学习实时识别实时测量引言随着柔性化制造的推广，加工中心、数控机床及其相应刀具的种类和数量也随之增加。数控刀具的投入比例已经在制造业中占据了更为重要的地位。作为制造资源的一部分，刀具系统是参与制造活动的重要辅助刀具，对加工中心和数控机床的柔性、生产率以及产品制造的精密性和正确性起着举足轻重的作用；同时，刀具是较昂贵的消耗性资源，一般生产车间，尤其是在数控机床较多的生产环境里，刀具的数量巨大，其中的组件也相当复杂，信息繁多，由于生产加工的需要，大量的刀具频繁地在刀具库和机床以及机床与机床之间流动和交换。寻求一种经济、高效和可靠的刀具管理方式是目前很多制造企业急需解决的问题[1]。在数控加工中，每把刀具都包括两种信息：一种是刀具描述信息，即静态信息，如刀具识别编码和几何参数等；另一种是刀具状态信息，即动态信息，如刀具所在位置、刀具累计使用次数、刀具剩余寿命(min)、刀具刃磨次数等。所以与刀具有关的信息量很大。要将这些大量的刀具及有关信息管理好，必须有一个完善的计算机刀具管理系统，才能解决多品种零件加工对刀具的需求。刀具管理就是及时而准确地对指定的机床提供使用的刀具，以使在维持较好的设备利用率的情况下，生产处所需数量的合格零件。因此，刀具管理最重要的准则是：刀具供加工中心应及时，刀具储存量少，组织费用少。数控刀具的管理主要包括一下几个方面：①刀具室的控制与管理。刀具首先在刀具室内装配成刀具组件，并在对刀仪上调好尺寸，然后编码待用。根据加工零件需要，调用相应的刀具组件并分配给机床。应按数控加工系统的需求，对刀具的库存量进行控制，使刀具冗余量最小。②刀具的调度。刀具的调度室根据零件加工工艺过程和加工系统作业制定调度计划及刀具分配策略。加工完毕后所有刀具送回刀具室，这种策略可减少刀具库存量。③刀具的监控。在加工过程中，应对刀具状态进行实时监控和对刀具的切削时间进行累计，当达到规定的使用寿命时间时，刀具要重磨或更换。当发生刀具破损时，机床应立即停车，并发出报警信号，以便操作人员及时处理。④刀具信息的处理。处理刀具各种静、动态信息，使这些信息在机床、刀具室、主控计算机之间传输，有些动态信息必须在加工系统运行时不断进行修改，这就要求必须处理好刀具系统与各系统设备之间的接口。其中，刀具状态监控系统（TCM）就是通过传感器以及对过程信息的分析，如刀具的声音、刀具振幅、电流等，完成对切削刀具状态的判断。刀具状态是指刀具的磨损、崩刃和碎裂等不同形式的的破损[2]。系统的主要目的是，通过延长刀具寿命、缩短刀具停工期、降低报废率、减少刀具损伤一系列方法，提高生产率并最终优化制造系统的性能。典型的刀具状态监控系统有：接触触发式探头监控、切削力监控、电机负载监控、声发射（AE）监控等。切削刀具状态显著影响机加工件的质量和精度。通过监控切削刀具的状态，可保证机加工质量，并实现产品自动化。但是，由于刀具状态的非线性和随机性，实时识别刀具状态和评判刀具失效十分困难。本文将针对钻孔工艺的刀具状态监控系统进行研究，拟通过基于竞争学习的对向传播神经网络（CPNs）实现刀具高效率高质量的实时监控和实时识别。实验过程工件材料为Ti6A14V,该材料广泛应用于航空航天、生物医学工业等，具有高强度、高刚度和良好的生物相容性，但机械加工性能很差[3]。其主要成分如表1所示[4]。表1 Ti6Al4V的主要成分Table 1 Composition of titanium 6Al4V成分比重（）Al6FeMax 0.25OMax 0.2Ti90V4钻孔工艺中使用的切削刀具是三角形的硬质合金刀具。切削状态如下：钻孔切削力可分为三部分：径向力、周向力和纵向力，利用测力计实时测得三向切削力。力信号被放大和过滤，再将切削力信号数字化并存储到指定的电脑中。实验设备原理图如图1所示。收集使用范围内十组三角形硬质合金刀具的数据，记录平均侧边磨损量，临界值不低于0.300mm[5]。图1 钻孔实验设备原理图Fig. 1 Schematic diagram of boring experiment指数的获得和选择指数的获得指数的获得指从三向切削力的数据中获得有使用价值的参数[6,7]。由于每一次钻孔后都会测刀具的磨损量，因此每一次测得的力都