基于深度学习的数控机床状态监测技术研究.pdfVIP

基于深度学习的数控机床状态监测技术研究

摘要：深度学习作为一种具有强大数据处理和模式识别能力的人工智能方法,

在机床状态监测方面具有广阔的应用前景。本文旨在研究基于深度学习的数控机床

状态监测技术。首先，建立了数控机床状态参数目标模型，分析了数控机床稳态过

程功率模型和加工过程效率模型。然后，提出了基于BP神经网络的数控机床状态

监测模型。最后，通过实验验证算法在数控机床状态监测方面具有优秀的性能和准

率。结果表明，深度学习算法能够更好地处理复杂的机床状态数据，并能够自动

学习和识别不同状态之间的模式和特征。

关键词：深度学习数控机床状态监测技术稳态过程功率模型加工过程效率

模型

数控机床作为现代制造业中的重要设备，其稳定性和可靠性对生产运行至关重

要。然而，目前传统的机床状态监测技术存在诸多局限，无法实现对机床状态的实

时监测和准评估。因此，引入新的技术和方法来解决这一问题具有重要意义［1］。

另一方面，深度学习作为一种在机器学习领域备受关注的技术，具有强大的学习能

力和数据处理能力。然而，在数控机床状态监测领域，深度学习的应用还处于初级

阶段，尚未充分发挥其潜力［2］。通过对机床工作数据的分析和学习，可以实现对

机床状态的实时监测、异常状态识别、故障情况监测以及机床寿命的预测和评估，

为制造业的发展和生产效率的提高提供重要支持［3］。因此，深入研究基于深度学

习的数控机床状态监测技术具有重要的现实意义和应用前景。

1数控机床状态参数目标模型

1.1数控机床稳态过程功率模型

数控机床加工过程中，稳态过程主要是指数控机床在对工件进行加工日寸，加工

状态持续进行、加工时加工功率保持规律性的稳定变化的加工过程（简称稳态过

程）。在本文模型中，对于数控机床稳态过程功率模型主要分为：辅助状态功率模

型、空切状态功率模型、材料切削状态功率模型［4］。

（1）辅助状态功率模型：在数控机床的运行中，照明装置、冷却装置、排屑

装置等产生的功率，一般会被称为辅助功率。该部分功率主要是为机床在加工过程

中起到辅助作用，并且是选择性开启的，不会伴随着机床开启而一直运行。除却这

些选择性开启的装置产生的功率，机床在开启后，维持机床正常运行，但实际机床

不进行切削（包含空切）的状态，称为待机运行。

（2）空切状态功率模型：在机床零件加工过程中，主轴开始旋转后，刀具从

初始位置至刀具触碰到工件开始进行切削时，以及工件加工完成刀具快速远离工件,

到达安全位置程序停止，这些段过程为空切阶段。该阶段主要包含主轴旋转、进给、

快速进给、主轴旋转加减速以及自动换刀的过程。其中主轴旋转加减速以及自动换

刀为瞬态过程。

（3）材料切削状态功率模型：在数控机床加工过程中，当刀具触碰到工件时,

材料切削活动开始。其中材料切削功率中，也因具体的加工活动不同，分为恒材料

切削功率与变材料切削功率。其中，在数控机床中恒材料切削功率主要是车外圆过

程［5］；在数控机床中，变材料切削功率主要是车端面过程。材料切削状态功率模

型可以表示为：

恒材料切削功率：在数控机床中，恒材料切削功率主要是车外圆过程，车外圆

过程的恒材料切削功率可以表示为：

其中，为车外圆切削功率，；、、、为系数；为切削速度，；为进给量，；为

切削深度，。

变材料切削功率：车端面过程的变材料切削功率可以表示为：

其中，为车端面切削功率，；，分别为切削速度、初始切削速度，；为进给

量，；为切削深度，；为主轴旋转速度，；为刀具切入时间，为完全切削阶段持续

时间，为刀具切入阶段持续时间，。

1.2数控机床加工过程效率模型

在本文中建立的加工过程效率模型，其定义为：加工过程中单位时间内材料去

除体积，相较于传统的材料去除率，本文所建立的加工过程效率模型考虑的是整个

加工过程的效率，而不是单指数控机床的切削过程，二者所考虑的材料去除体积是

相同的，而不相同在于时间的考虑，如图1所示［6］。

该加工过程效率模型可以表示为：

其中，为加工过程效率，即为加工过程中单位时间内材料去除体积，；为加工

过程中需去除的总体积，；为加工过程时间，。当加工的零件、工艺定时，需去

除的总体积为定值，其公式可以表达为：

其中，为加工过程中需去除的工件材料体积，；为工件直径，；为切削深度，；

为切削长度，。