基于域对抗门控网络的变工况刀具磨损精确预测方法

刀具磨损的精确预测对保证零件加工质量、提高生产效率和降低制造成本具有重要作用。在实际加工过程中,切削参数、刀具几何参数、刀具材料等工况复杂多变,工况信息和刀具磨损量对监测信号的耦合作用为刀具磨损的精确预测带来了很大挑战。针对以上问题,提出了一种基于域对抗门控网络（DAGNN）的变工况刀具磨损精确预测方法。引入工况分类网络并利用无磨损量标签样本,通过域对抗和门控过滤机制自适应地从不同工况的原始监测信号中提取表征刀具磨损且对工况变化不敏感的关键信号特征。对信号特征提取网络和刀具磨损预测网络进行迭代优化,从而实现变工况刀具磨损的精确预测。实验结果表明：相比已有的方法,本文方法能够利用少量带磨损量标签的目标工况样本实现刀具材料和刀具直径变化情况下的刀具磨损量精确预测,预测精度大幅提高。     

基于元学习和PINN的变工况刀具磨损精确预测方法

刀具磨损预测对保证零件加工质量和效率、降低加工成本具有重要作用,尤其是在广泛采用难加工材料的航空航天制造领域。数据与机理融合模型能够结合机理模型和数据驱动模型的优势,是实现刀具磨损预测的有效手段。然而现有的融合方法难以有效平衡数据和机理对模型的权重,导致难以真正实现融合模型的预期效果。本文提出了一种基于元学习（Meta learning,ML）和PINN（Physics-informed neural network）的刀具磨损预测方法,通过磨损机理约束数据驱动模型的解空间,并结合元学习算法优化融合模型的损失函数以合理利用数据和机理提供的信息。实例验证结果表明,本文所提出的方法能有效提高变工况下的刀具磨损预测精度和稳定性。     

基于切削力信号-几何信息-工艺信息的铣削加工刀具状态实时辨识

刀具状态的实时辨识对提高数控加工效率和质量、降低加工成本具有重要作用。对于单件小批量生产模式下的复杂零件,加工过程中的几何形状和切削参数不断变化,为刀具状态的准确辨识带来很大挑战。针对以上问题,提出了一种基于切削力信号-几何信息-工艺信息的铣削加工刀具状态辨识方法。采集加工过程中不同刀具状态的切削力信号,并对其做时域和时频分析,提取切削力信号的特征量,与加工工艺信息和零件几何信息相关联,建立输入向量,构建基于BP神经网络的刀具状态辨识模型并训练,在实际加工中通过神经网络模型实现刀具状态的实时辨识。经过试验验证,该方法可以基本满足铣削加工刀具状态的实时辨识。