摘要

本文介绍了一种基于深度学习的工具磨损估计方法，该方法考虑了切削参数，以提高模型在不同切削条件下的可转移性和快速学习能力。传统的工具磨损估计方法通常需要手动特征提取和选择，这在处理大量监控数据时变得不可行，导致估计精度下降。本文提出的深度学习方法通过卷积神经网络（CNN）自动从输入数据中提取高度判别性的特征，包括时间序列信号的时间域和跨系列域。实验结果表明，该方法在工具磨损估计的准确性和可转移性方面优于传统方法。

原理

本文提出的深度学习方法的核心是卷积神经网络（CNN），它能够自动从输入数据中提取高度判别性的特征。CNN的典型架构包括多个不同的核滤波器，这些滤波器能够有效地从输入数据中提取特征，包括时间序列信号的时间域和跨系列域。CNN的基本结构包括输入层、卷积层、池化层、全连接层和输出层。在输入层，每个时间序列信号作为一个信号通道，每个切削条件作为一个额外的独立通道。因此，每个时间点的数据包括每个时间序列信号的当前值以及当前的切削条件，如每齿进给量、切削深度等。初始卷积层强调不同时间序列信号之间的相关性和融合，随后卷积层集中在时间域上。输出层配置多个输出，旨在进行多尺度工具磨损测量，以提高模型性能和鲁棒性。

流程

本文的实验设置包括使用5轴加工中心进行13组铣削实验，每组实验使用不同的工艺参数。实验中，使用Inconel 718 DA环形工件，固定在静态测力计上，使用未涂层端铣刀进行切削。切削过程中监测的参数包括切削力分量、主轴扭矩和选定的内部机器信号。数据预处理包括隔离与铣削过程对应的信号段，并进行低通滤波以减少信号噪声。模型验证方法包括将数据分为训练集和测试集，评估模型的快速学习能力和可转移性。实验结果表明，考虑切削条件的测试模型在工具磨损估计性能上优于传统的参考模型，特别是在处理新切削条件数据时。

应用

本文提出的深度学习方法在工具磨损估计方面具有广泛的应用前景。由于其能够在不同切削条件下准确估计工具磨损，该方法可以应用于各种制造环境，提高生产效率和降低成本。此外，该方法的快速学习能力使其能够适应新的切削条件，减少重新训练模型的时间和成本。未来工作将进一步扩展参数空间，优化模型结构，并提出自适应实验设计算法，以最小化实验消耗并保持模型性能。