Vorhersage der Standzeit beim CNC-Fräsen mit Hilfe rekurrenter neuronaler Netze

Einleitung

Titanlegierungen werden aufgrund ihrer hohen Festigkeit, guten Korrosionsbeständigkeit, Hitzebeständigkeit und anderer Eigenschaften in verschiedenen Bereichen häufig verwendet, insbesondere in den Kompressorteilen von Flugzeugtriebwerken, Raketen, Raketen und Strukturteilen von Hochgeschwindigkeitsflugzeugen.

Das Schneiden von Titanlegierungen aufgrund ihrer hohen Materialhärte erschwert jedoch das Schneiden und ist anfällig für das Phänomen des klebrigen Messers und anderer Gründe, so dass vor der Durchführung des neuen Fräsprozesses für Titanlegierungen immer mehr Zeit für die Auswahl der Bearbeitungswerkzeuge und die Anpassung der Bearbeitungsparameter aufgewendet werden sollte. Die Auswahl eines an den Prozess angepassten Werkzeugs kann die Produktionseffizienz effektiv verbessern und die Prozesskosten senken.

Daher ist die schnelle Beurteilung, ob ein Werkzeug für den Prozess geeignet ist, zum Schlüssel geworden, um die Arbeits- und Zeitkosten in der Frühphase zu senken. Der am häufigsten verwendete Indikator, um zu beurteilen, ob ein Werkzeug an den Bearbeitungsprozess angepasst ist, ist die Standzeit, beim Planfräsen entspricht die Lebensdauer dem Volumen des Werkzeugs, das auf dem Rohling vor der Verschleißtiefe der Rückseite auf die Hälfte der Schnitttiefe geschnitten werden kann.

Um eine Unterbrechung des Schneidprozesses während der Online-Überwachung der Werkzeugstandzeit zu vermeiden, werden in der Regel Signale in Bezug auf den Bearbeitungszustand des Werkzeugs, wie z. B. Schnittkraft, Vibration, Schallemission, Strom und Leistung, erfasst und verwendet, um den Status des Werkzeugs online zu bestimmen.

Literatur ^[1] extrahiert Merkmale aus den Schwingungssignalen, die vom Fräser während der Bearbeitung erzeugt werden, verwendet Entscheidungsbäume, um die Merkmale in Bezug auf den Werkzeugzustand zu klassifizieren, und vergleicht die Vor- und Nachteile der J48-Baumfamilienklassifikatoren, logistischen Modellbäume und Random Forests in der Leistung der Zustandsbeurteilung des Fräsers;

Literatur ^[2] schlägt ein vollstufiges Regressionsmodell-Modellierungsverfahren für Werkzeugverschleiß vor, das auf dem AdaBoost-Integrationsalgorithmus basiert, und etabliert ein Regressionsmodell zur Identifizierung des Werkzeugverschleißzustands, das in der Lage ist, den Werkzeugverschleißzustand anhand der während der Bearbeitung gesammelten Daten zu identifizieren;

Literatur ^[3] wird eine Reihe von Zeit-Frequenz-Domänenindizes einer Vielzahl von Signalen sein, die während der Bearbeitung für das Merkmalsscreening gesammelt wurden, und nach dem Erhalten von Merkmalsvektoren mit hoher Korrelation wird der Verschleißwert unter Verwendung eines spärlichen Selbstcodierers vorhergesagt, und dann wird die verbleibende Lebensdauer des Werkzeugs durch ein tiefes Feed-Forward-Netzwerk vorhergesagt;

Literatur ^[4] Durch die Extraktion des Spindelstromsignals von Unordnung ist der Zugriff auf die Verarbeitungsparameter nicht mit der Charakterisierung von Werkzeugverschleißmerkmalen verbunden, und die Verbesserung von LeNet, so dass es den Verschleiß eines einzelnen konvolutionalen neuronalen Faltungsnetzes vorhersagen kann, kann unter komplexen Bearbeitungsbedingungen des Verschleißzustands des Fräsers der Online-Genauigkeit der Identifizierung für die verbleibende Lebensdauer der Online-Vorhersage des Fundaments realisiert werden;

Literatur ^[5] verwendet die kontinuierliche Wavelet-Transformation (CWT) und die BSS-Separationstechnologie, um Signalmerkmale zu extrahieren, und verwendet die hochdimensionale räumliche nichtlineare Regression, um ein Modell des Signals für die verbleibende Lebensdauer des Fräswerkzeugs zu erstellen, das den Trend des Leistungsabfalls des Werkzeugs effektiv widerspiegeln kann.

Es gibt nur wenige Studien zum Werkzeugverschleiß sowie zur Lebensdauervorhersage im In- und Ausland, und die Kernidee verschiedener Methoden ist es, den Zusammenhang zwischen Signalmerkmalen und Verschleiß (Lebensdauer) herzustellen.

Sie zielen in der Regel auf die Vorhersage des Verschleißes in einer festen Bearbeitungsumgebung oder auf die Vorhersage der Leistung eines Werkzeugs unter verschiedenen Schnittparametern usw. ab. Es wurden nur wenige Studien über die Leistung verschiedener Werkzeuge unter den gleichen Bearbeitungsbedingungen des Werkzeugs durchgeführt.

In der frühen Phase der Prozessetablierung ist es oft notwendig, verschiedene Werkzeuge zu beurteilen, und es ist wichtig, die prognostizierte Lebensdauer verschiedener Werkzeuge zu erhalten, die für die Werkzeugauswahl erforderlich sind.

Um die zu erwartende Lebensdauer verschiedener Fräswerkzeuge unter gleichen Arbeitsbedingungen zu ermitteln, wird ein neues Verfahren vorgeschlagen.

Die Methode extrahiert Signalmerkmale, die nur eine geringe Korrelation mit dem Bearbeitungswerkzeug aufweisen und den Verschleißzustand des Werkzeugs oder abnormale Bearbeitungsschwingungen widerspiegeln, und entwirft ein RNN-Modell, um die Beziehung zwischen ihnen und der Werkzeuglebensdauer abzubilden.

Der Rest des Papiers besteht aus den folgenden Abschnitten:

Abschnitt 2 beschreibt die Methode zur Extraktion von Merkmalen aus dem Drehmomentsignal und das Modell des rekurrenten neuronalen Netzwerks GRU.

Abschnitt 3 beschreibt den experimentellen Aufbau und die Konstruktion des Datensatzes.

In Abschnitt 4 werden die Ergebnisse diskutiert und verglichen, und in Abschnitt 5 werden die Ergebnisse abschließend.

Werkzeugoptimierungsmethode basierend auf der Vorhersage der Frässtandzeit

Das Verfahren passt die Merkmale der Eigenfrequenz der Symbolleiste mit Hilfe von RNN innovativ an die Standzeit an.

Zunächst wird eine Klasse von Werkzeugen verschiedener Marken mit unterschiedlichen Werkzeugparametern für einen bestimmten Fräsprozess ausgewählt.

Danach werden Probeschnittversuche am Werkzeug durchgeführt, um Drehmomentsignale während des Schneidprozesses zu sammeln und den Verschleiß der Rückseite des Werkzeugs nach jeder Bearbeitung zu messen.

Anschließend werden die Merkmale des Drehmomentsignals einer einzelnen Bearbeitung extrahiert, und die Abfolge der Merkmale des Werkzeugs während der kontinuierlichen Bearbeitung zum Erreichen des Schädigungsprozesses wird als Eingabe für das RNN verwendet;

Schließlich wird der Lebensdauerindex, der sich aus dem Verschleiß des Werkzeugs während seines gesamten Lebenszyklus durch die Verschleißlebensdauerkurve ergibt, als Ausgabe verwendet.

Die beiden Datensätze werden verwendet, um das RNN zum Abrufen des Vorhersagemodells zu trainieren, und der Methodenablauf ist in Abbildung 1 dargestellt.

• Drehmoment, Hochfrequenz-Signalextraktion, die Verschleißmerkmale widerspiegelt

Beim Fräsen steigt das Schnittmoment mit dem Verschleiß der Schneide und der Zunahme der Reibung an der Werkzeugfläche, und viele Wissenschaftler haben viel über die Beziehung zwischen den beiden geforscht.

Die Forschungsergebnisse zeigen, dass die Änderung der Größe des Schnittmoments den Verschleißzustand des Werkzeugs widerspiegeln kann.

Daher enthält das Schnittmoment Kenninformationen, die den Verschleißzustand des Fräsers widerspiegeln.

Literatur ^[6] Bei der Untersuchung des dynamischen Kraftspektrums wurde festgestellt, dass es eine offensichtliche charakteristische Spitze im Hochfrequenzbereich weg von der Bearbeitungsfrequenz gibt, die nahe an der Eigenfrequenz des Werkzeughalters liegt, unabhängig von der Spanbildungsfrequenz, und in der gleichen Verschleißstufe verschiedener Werkzeuge bleibt die charakteristische Frequenz grundsätzlich unverändert.

Es ist auch in der Literatur zu finden ^[6] dass die Amplitude des Eigenfrequenzsignals monoton mit dem Werkzeugverschleiß zunimmt und stark abnimmt, wenn es in einen schnellen Verschleiß oder Werkzeugbruch eintritt, so dass die hochfrequente Komponente des Drehmoments charakteristische Informationen über die Änderung der Schneidkantenform und den Verschleiß der Werkzeugrückseite enthält.

Die niederfrequente Komponente des Drehmomentsignals hängt nicht nur mit dem Werkzeugverschleiß, sondern auch mit den Bearbeitungs- und Werkzeugparametern zusammen und charakterisiert das Schnittmoment, das der Fräser benötigt, um das Metallmaterial von der Werkstückoberfläche abzulösen.

Der Anfangswert und die Variation der niederfrequenten Komponente des Drehmoments sind bei Werkzeugen mit unterschiedlichen Parametern für die Bearbeitung sehr unterschiedlich.

Die Variation der Amplitude der niederfrequenten Komponente des Drehmoments mit der Anzahl der Bearbeitungen während des Lebenszyklus von vier Fräsern mit unterschiedlichen Verrundungsradien, Sturzwinkeln und Materialien ist in Abb. 2 dargestellt.

Aus dem Vergleich ist ersichtlich, dass das Drehmoment verschiedener Werkzeuge für denselben Verschleißzustand inkonsistent ist, so dass es schwierig ist, den Verschleißzustand verschiedener Werkzeuge durch die niederfrequente Komponente des Drehmomentsignals darzustellen, und es kann zu einer Fehleinschätzung kommen, wenn die niederfrequente Komponente des Drehmomentsignals verwendet wird, um den Verschleißzustand verschiedener Werkzeuge zu identifizieren.

Zusammenfassend lässt sich sagen, dass es nicht möglich ist, die niederfrequente Komponente des Drehmomentsignals direkt zur Identifizierung der Werkzeugstandzeit zu verwenden, wenn unterschiedliche Standzeiten identifiziert werden.

Die hochfrequente Komponente hingegen wird hauptsächlich von Faktoren wie Kantenformänderung, Verschleiß der Rückseite und abnormalen Systemvibrationen beeinflusst, die wenig mit den Parametern des Werkzeugs selbst korrelieren, aber auch relevante Informationen enthalten, die den Verschleiß des Fräsers widerspiegeln können.

Bei der eigentlichen Signalerfassung wurde festgestellt, dass nicht nur die Spitzen in der Nähe der Eigenfrequenz des Werkzeughalters auftraten, sondern auch die entsprechenden Spitzen bei seiner Oktavfrequenz, daher wurden bei der Verwendung des Drehmoment-Hochfrequenzsignals zur Identifizierung des Verschleißzustands verschiedener Fräser zur Vorhersage der Lebensdauer des Fräsers die Amplitude der Frequenz und die anschließende Mehroktavfrequenz als Merkmale ausgewählt.

Das spezifische Verfahren zur Extraktion der Merkmale des hochfrequenten Drehmomentsignals ist in sechs Schritte unterteilt, wie in Abb. 2 gezeigt.

(1) Erfassen Sie das Schnittmomentsignal des Fräsers während des Testschnittvorgangs durch den Dornschaft und zeichnen Sie den Verschleiß der Rückseite des Werkzeugs nach jeder Bearbeitung auf.

(2) Das Signal einer Bearbeitung durchläuft einen Hochpassfilter, um die Komponenten des Signals in der Nähe der Bearbeitungsfrequenz zu entfernen.

(3) Unter Verwendung der STFT-Transformation wird das Zeit-Frequenzbereichs-Spektrum des Signals erstellt, und die Fenstergröße wird auf eine geeignete und gleichmäßige Auflösung im Zeit- und Frequenzbereich eingestellt, und die Ergebnisse, wie in Abbildung 3 gezeigt.

(4) Nehmen Sie die Eigenfrequenz der Symbolleiste als Basisfrequenz, suchen Sie nach dem Maximalwert der Frequenz in der Nähe der Frequenz zu jedem Zeitpunkt der Bearbeitungsperiode und nehmen Sie dann den Durchschnittswert der Frequenz in der Bearbeitungsperiode.

(5) Wie (4) nehmen Sie die Basisfrequenz von 2 mal, 3 mal, 4 mal, 5 mal die Frequenzberechnung des durchschnittlichen Maximalwerts des Signals im Hochfrequenzbereich in der Basisfrequenz der mehrfachen Frequenz des Vorhandenseins des großen Wertes.

(6) Generieren Sie den Merkmalsvektor, der diese Verarbeitung darstellt.

Die aus (4) und (5) erhaltenen Merkmalsvektoren werden normalisiert und die Zeitreihen der Merkmalsvektoren werden entsprechend der Verarbeitungsreihenfolge generiert, die als Eingabe für das Training/Testen des RNN verwendet wird.

• Modellierung auf Basis eines rekurrenten neuronalen Netzes

Im eigentlichen Bearbeitungsprozess wird der Fräser kontinuierlich verwendet und der Verschleiß des Fräsers steigt kontinuierlich an.

Daher hängen die gesammelten Signale nicht nur von den Parametern der aktuellen Bearbeitungsversuchsrunde ab, sondern stehen auch in engem Zusammenhang mit dem Zustand der letzten Bearbeitung des Werkzeugs in der Versuchsrunde, während der Zustand der letzten Bearbeitung aus den Signalen der letzten Bearbeitung abgeleitet werden kann. Unter dem Gesichtspunkt des gesamten Lebenszyklus des Werkzeugs sollten die Drehmomentsignale, die von diesem Werkzeug in der gesamten Versuchsrunde gesammelt werden, ein untrennbar miteinander verbundenes Ganzes sein und die Reihenfolge seiner Eingaben kann nicht umgeschaltet werden.

Das Recurrent Neural Network (RNN) hingegen ist eine Art tiefes neuronales Netzwerk, das zur Verarbeitung sequenzieller Daten und zur Vorhersage von Trends verwendet wird und die Fähigkeit besitzt, historische Eingabedaten in Übereinstimmung mit dem Bearbeitungsprozess des Fräsers zu korrelieren.

Gate Recurrent Unit (GRU) ist eine Art rekurrentes neuronales Netzwerk, das dem einfachen RNN ein Update-Gate und ein Reset-Gate hinzufügt, wie in Abb. 4 gezeigt.

Das Update-Gate wird verwendet, um zu steuern, wie viele Zustandsinformationen aus dem vorherigen Moment in den aktuellen Zustand gebracht werden, je größer der Wert des Update-Gates ist, desto mehr Zustandsinformationen aus dem vorherigen Moment werden in den aktuellen Zustand gebracht.

Das Reset-Gatter steuert, wie viele Informationen aus dem vorherigen Zustand in das aktuelle Kandidatenset geschrieben werden, je kleiner das Reset-Gatter, desto weniger Informationen aus dem vorherigen Zustand werden geschrieben.

Im Vergleich zu einfachen RNNs ist es in der Lage, die Probleme des Langzeitgedächtnisses und der Backpropagation, bei denen der Gradient verschwindet oder explodiert, sehr gut zu lösen.

Im Vergleich zu LSTM (Long-Short Term Memory), das auch das Gradientenproblem lösen kann, erzielt GRU ähnliche Ergebnisse, während die Trainingseffizienz höher ist und der Benutzer Hyperparameter schneller iterativ auswählen kann, wodurch die Kosten für die Debugging-Zeit reduziert werden ^[7] .

Das endgültig konstruierte rekurrente neuronale Netzwerk besteht aus einem zweischichtigen GRU-Netzwerk und zwei vollständig verbundenen Schichten;

Nach dem überwachten Training ist das Netzwerk in der Lage, die Online-Signaleigenschaften des Werkzeugs auf den Prozentsatz der verbleibenden Lebensdauer abzubilden, wie in Abb. 5 gezeigt.

Das GRU-Modul in diesem Netzwerk besteht aus zwei Schichten von Standard-GRUs, die in Reihe geschaltet sind, und die Vorwärtstransfergleichung dieses Teils kann durch die folgende Formel ausgedrückt werden.

In Gl:

𝑥_𝑡 – der Eingabevektor der Schicht zum Zeitpunkt t;
y_𝑡 – der Ausgangsvektor der Schicht zum Zeitpunkt t und wird als Eingabevektor xt der nächsten Schicht verwendet;
σ – Aktivierungsfunktion des Sigmoids;
r_𝑡 , z_𝑡 – die Werte des Reset-Gates und des Update-Gates der Schicht zum Zeitpunkt t;
h_𝑡 – die Informationen, die in den Zeitreihen kontinuierlich weitergegeben werden;
w _𝑟 , w_𝑧 , w_ℎ , w_𝑜 – Gewichte, die nach dem Training erreicht werden müssen.

Mahlexperiment mit Titanlegierungen

Versuche mit dem Rohling für Ti6Al4V, Größe (200 × 150 × 40) mm, Fräsmaschine für die Schweizer Produktionsmaschine Starrag LX051.

Die im Fräsexperiment verarbeiteten Merkmale sind flache Oberflächen, und das Werkzeug ist ein Wendeschneidplatten-Vertikalfräser, der auf die Weise des glatten Fräsens bearbeitet wird, und die Auswahl des Werkzeugs und die Bearbeitungsparameter sind in Tabelle 1 und Tabelle 2 dargestellt.

Versuche durch den Dornschaft zum Sammeln von Schnittmomentsignalen, Abtastfrequenz von 2500 Hz, Versuche im Werkzeug, um durch 150 mm (Rohlingsbreite) für eine Bearbeitung zu gehen, Messung und Aufzeichnung der Oberflächenrauheit Ra, alle 15 Mal Bearbeitung zeichnet ein Werkzeug nach dem Gesichtsverschleiß Vb auf.

Das Werkzeug zur Bearbeitung nach dem Gesichtsverschleiß, um die Hälfte der Schnitttiefe für die Lebensdauer des Experiments zu erreichen, um den schnellen Verschleiß eines Teils der Daten zu erreichen, um die Lebensdauer des Werkzeugs zu erreichen und die Verarbeitung fortzusetzen, um bis zu 0,3 mm zu verschleißen.

Die Klemmung für den Versuch ist in Abb. 6 dargestellt. Die Abnutzung der Rückseite unter dem Mikroskop ist in Abb. 7 dargestellt.

Anwendung der prädiktiven Modellierung auf Experimente

• Experimentelle Datenverarbeitung

Paketverluste treten häufig auf, wenn der Sensor Signale sammelt und die erfassten Daten eine Reihe von NULL-Werten und Ausreißern enthalten, sodass die Features, die direkt unter Verwendung der erfassten Signale berechnet werden, ungenau sein können.

Die Nullwerte in der Datenverarbeitung werden mit der kubischen Spline-Methode interpoliert, und die Elemente, die um mehr als das Dreifache der Standardabweichung vom Mittelwert abweichen, werden als Ausreißer identifiziert, und die Differenz wird mit dem kubischen Spline durchgeführt. Die Realisierungsschritte sind wie folgt:

(1) Berechnen Sie das Tastverhältnis des Verarbeitungssignals während der kontinuierlichen Verarbeitung und segmentieren Sie die Daten nach dem maximalen gemeinsamen Teiler der Verarbeitungszeit und der unverarbeiteten Zeit.

(2) Beschriften Sie die Signalsegmente, wobei das Datensegment links-tief-rechts-hoch als steigende Flanke, das links-hoch-rechts-tief-Datensegment als fallende Flanke und die Daten zwischen der steigenden Flanke und der fallenden Flanke nach der steigenden Flanke als Verarbeitungssignal gekennzeichnet sind.

(3) Nehmen Sie den Satz der verarbeiteten Signale und berechnen Sie den Mittelwert x und die Standardabweichung σ.

(4) Ersetzen Sie die Daten durch eine Abweichung größer als 3σ durch den Nullwert.

(5) Es wird eine dreifache Spline-Interpolation für den Nullwert und drei Abtastpunkte t durchgeführt.₀ , t₁ , t₂ , leer, t₃ , t₄ und t₅ Vor und nach dem Nullwert werden als Referenz für die Interpolation verwendet.

(6) Nachdem die Daten aus Ausreißern und Nullen entfernt wurden, werden die Eingaben für die Trainings- und Testsätze unter Verwendung der Methode zur Extraktion von Drehmomentsignalmerkmalen in Abschnitt II erstellt.

• Training neuronaler Netze

Um die verbleibenden Lebensdauerbeschriftungen für den Trainingssatz zu erhalten, ist es notwendig, die verfügbaren Verschleißdaten in einen Prozentsatz der bereits nutzbaren Lebensdauer des Werkzeugs umzuwandeln.

Die Verschleiß-Lebensdauer-Mapping-Beziehung wird unter Verwendung des DNN-Modells und der im Experiment gemessenen Werkzeugverschleißdaten und der entsprechenden prozentualen Lebensdauerdaten konstruiert.

Die Verschleißsequenzen im Trainingssatz von Tools werden durch das Modell geleitet, um die Lebensdauersequenzen als Bezeichnungen (Ausgaben) für den Trainingssatz des wiederkehrenden neuronalen Netzwerks zu erhalten.

Das endgültige Anpassungsergebnis des DNN ist in Abb. 8 dargestellt.

Bei der ersten Bearbeitung des Werkzeugs gibt es eine Phase des schnell zunehmenden Verschleißes, die als Anfangsverschleiß bezeichnet wird.

Danach kommt es zu einem langsamen Anstieg des Verschleißes von 7 % auf 60 % der Lebensdauer, was der normalen Verschleißphase entspricht.

In der Endstufe nimmt die Steigung des Werkzeugverschleißes deutlich zu, der Verschleiß beschleunigt sich, und das Werkzeug befindet sich am Ende der normalen Verschleißphase und wechselt in die Phase des starken Verschleißes.

Da die Lebensdauer jedes Werkzeugs nicht einheitlich ist und die Eingabelänge nicht sicher ist, wird die Eingabe durch Vereinheitlichen der Länge und Einbetten des Vektors 0 verarbeitet.

Vor der Eingabe GRU wird ein Mas-king-Layer hinzugefügt, um ungültige Zeitschritte zu filtern.

Nach zwei Schichten von GRUs werden die ursprünglichen Merkmalsabmessungen vergrößert und dann mit einer vollständig verbundenen Schicht komprimiert.

Das vollständig verbundene Netzwerk verwendet eine Dropout-Methode mit einer Wahrscheinlichkeit von 30 % für zufällige Fehler, um sicherzustellen, dass die Merkmale hauptsächlich im GRU-Teil erkannt werden, und um eine Überanpassung der vollständig verbundenen Schicht zu verhindern.

Die Eingabe ist eine Sequenz von Werkzeugdrehmomentsignal-Merkmalsvektoren, der Ausgangswert ist ein kontinuierlicher Wert und nicht die Klassifizierungsbezeichnung der SoftMax-Ausgabe, die Ausgabe des Trainingssatzes kann nicht normalisiert werden, daher muss im DNN-Teil des Netzwerks als Aktivierungsfunktion von Relu (gleichgerichtete lineare Einheiten) verwendet werden, um sicherzustellen, dass Ausgänge größer als 1 effektiv angepasst werden können. und gleichzeitig die Wahrscheinlichkeit einer Überanpassung zu verringern ^[8];

Das Netzwerk verwendet Adam, um den Gradientenabstieg zu optimieren, indem es den L2-Verlust als Verlustfunktion verwendet, wie in Gleichung (6) gezeigt.

Wobei: i – eine bestimmte Dimension des Ausgabevektors; N – die Größe jedes Batches im Trainingssatz.

Wird der Batch als gesamter Trainingssatz und die Epoche als 800 genommen, kann beobachtet werden, dass nach 800-fachem Gradientenabstieg der Verlust 0,004 beträgt und es schwierig ist, die Verlustfunktion zu verkleinern.

• Validierung des Testsatzes

Nachdem das Training abgeschlossen war, wurden die drei Werkzeuge des Testsets:

R390-11T316E-ML 2030, R390-11T308M-MM S30T und APKT11T308APM YBG303 wurden mit den Signalmerkmals-Timing-Sequenzen eingegeben, und die Kurven der vorhergesagten Werte des Lebens mit der Anzahl der Experimente wurden erhalten, wie in Abbildung 8 gezeigt.

Mit fortschreitender Bearbeitung des Prüfsatzes von Werkzeugen wird die Reihenfolge der Eingaben in das Modell immer länger.

Die Vorhersagen für die drei Werkzeuge wurden bei 30 % der Lebensdauer der Testschnitte getroffen, mit tatsächlichen Lebensdauern von 83, 89 und 50 % als Vorhersagen, und sie konvergierten alle mit der tatsächlichen Lebensdauer, wie in Abbildung 9 gezeigt.

Um die Fähigkeit des Modells zu bestätigen, die Anzahl der Testschnitte zu reduzieren, wurden die Drehmomentsignale von 10 Werkzeugen mit ungemessenem Verschleiß gesammelt, die kontinuierlich bearbeitet wurden, bis das Werkzeug beschädigt wurde, und deren tatsächliche Lebensdauer erreicht wurde, und deren tatsächliche Lebensdauer erreicht wurde, und die charakteristische Abfolge der Drehmomentsignale über ihren gesamten Lebenszyklus wurde eingegeben, um die Kurve der prognostizierten Lebensdauer mit der Anzahl der Versuche zu erhalten. wie in Abb. 10 gezeigt.

Die horizontale Koordinate im Diagramm ist die Anzahl der bearbeiteten Gruppen, und jede Gruppe steht für 15 Werkzeuge.

Die vorhergesagten Modellkonvergenzwerte von 83, 84, 54, 72, 94, 82, 80, 98, 65, 67 % werden für diese 10 Werkzeuge bei 1/3 der Lebensdauer der Testschnitte erhalten, und 90, 94, 90, 82, 101, 85, 95, 114, 104, 88 % werden bei 2/3 der Lebensdauer der Testschnitte erhalten, und die vorhergesagten Werte dieses Modells können schnell ansteigen, um dem Konvergenzwert in der Anfangsphase der Lebensdauer nahe zu kommen. Test Cut Experiment. Das Modell war in der Lage, die vorhergesagten Werte in der Anfangsphase des Testschneidexperiments schnell auf nahezu konvergente Werte zu erhöhen.

Die endgültige Konvergenz des Vorhersagemodells für die 10 Werkzeuge beträgt das 14,56-fache, was innerhalb des Standardfehlers des gemessenen Bearbeitungssatzes (15 Schnitte) liegt, und die Vorhersageergebnisse stimmen in hohem Maße mit der tatsächlichen Lebensdauer überein.

Es kann erreicht werden, dass je besser das Werkzeug an die Bearbeitung angepasst ist, desto später der Steigungswendepunkt in der Lebensdauervorhersagekurve und desto höher der Spitzenwert am Wendepunkt ist; Bei gleicher Anzahl von Testschnitten gilt: Je besser das Werkzeug an die Bearbeitung angepasst ist, desto höher ist die prognostizierte Lebensdauer.

Daher sollte in der praktischen Anwendung des Modells der vorhergesagte Wert nach dem Wendepunkt der Lebenskurve als effektiver vorhergesagter Wert genommen werden. Bei den 10 Werkzeugen im Experiment tritt dieser Wendepunkt normalerweise bei 1/3 der konvergierten Lebensdauer auf.

Nimmt man die Modellausgabe von 1/3 des Konvergenzwerts der Lebensdauer als Beurteilungswert für die Anpassungsfähigkeit der Werkzeugbearbeitung, so kann sie auf einer Gruppe von Werkzeugen bearbeitet werden, wobei der niedrigste vorhergesagte Wert einiger weniger Werkzeuge eliminiert und die längste vorhergesagte Lebensdauer einiger weniger Werkzeuge als optimale Option für die Gruppe ausgewählt wird, was die Zeit reduziert, die für die Auswahl des Werkzeugprobeschnitts aufgewendet wird (2/3 der ursprünglichen Testschnittzeit in der aktuelles Experiment).

Schlussfolgerung

Es wird ein Modell zur Vorhersage der Werkzeuglebensdauer vorgeschlagen, das auf der Merkmalsextraktion von hochfrequenten Signalkomponenten des Drehmoments basiert und die experimentellen Daten des Fräsens von Titanlegierungen verschiedener Werkzeuge unter spezifischen Schnittparametern als Trainingssatz verwendet;

Nachdem das Training abgeschlossen ist, ist es in der Lage, die Merkmalssequenz des Werkzeugs in der kontinuierlichen Bearbeitung zu verwenden, um den Schädigungsprozess als Eingabe des Modells zu erreichen, und den Verschleiß des Werkzeugs während des gesamten Lebenszyklus durch die Verschleißlebensdauerkurve, um den Lebensdauerindex als Modellausgabe zu erhalten.

Die Testdaten, die aus Experimenten mit verschiedenen Werkzeugen gewonnen wurden, wurden getestet, um die Anwendbarkeit des Werkzeugs zu überprüfen;

Das Modell kann als Wendepunkt der Lebensdauervorhersagekurve angezeigt werden, wenn das Werkzeug in die Nähe von 1/3 der Lebensdauer bearbeitet wird, und der Vorhersagewert dieses Wendepunkts kann sehr nahe an der tatsächlichen Lebensdauer des Werkzeugs liegen.

Das Modell kann die Auswahl von Fräswerkzeugen aus Titanlegierungen beschleunigen und so den Zeitaufwand und die Bearbeitungskosten reduzieren.