Antes de comenzar un nuevo proceso de fresado de aleación de titanio, la selección de la herramienta adecuada es crucial para mejorar la productividad y reducir los costos. Sin embargo, debido a la difícil maquinabilidad de la aleación, a menudo se dedica mucho tiempo y mano de obra a los cortes de prueba.
Para abordar esto, se propone un método que utiliza señales de torque recopiladas durante los cortes de prueba iniciales para evaluar y predecir la vida útil de la herramienta. Este enfoque permite comparaciones rápidas y en paralelo entre diferentes herramientas para seleccionar la más adecuada.
Si bien el par promedio puede reflejar el desgaste de la herramienta, su valor varía según las herramientas debido a las diferencias en los ángulos de inclinación y los recubrimientos. Para superar esto, el método extrae componentes de alta frecuencia de la señal de torque, minimizando la influencia de los parámetros, y aplica una red neuronal recurrente para mapear estas características a la vida útil de la herramienta a lo largo del tiempo.
Los experimentos muestran que el método predice con precisión la vida útil de la herramienta después de unos pocos cortes de prueba, lo que reduce el tiempo de prueba en dos tercios. Funciona en herramientas con diferentes geometrías y recubrimientos, lo que ayuda a identificar la herramienta óptima para el mecanizado de aleaciones de titanio.
Lu Haotian, Ji Chenyu, Zhang Shengwei, Shen Bin
Introducción
La aleación de titanio es ampliamente utilizada en varios campos debido a su alta resistencia, buena resistencia a la corrosión, resistencia al calor y otras características, especialmente en las piezas del compresor del motor de la aeronave, los cohetes, los misiles y las piezas estructurales de la aeronave de alta velocidad son muy favorecidas;
Sin embargo, el corte de aleación de titanio debido a sus dificultades de corte de alta dureza del material, y propenso al fenómeno de cuchilla pegajosa y otras razones, por lo que antes de llevar a cabo el nuevo proceso de fresado de aleación de titanio, siempre dedique más tiempo a la selección de herramientas de mecanizado, ajustando los parámetros de mecanizado; Elegir una herramienta adaptada al proceso puede mejorar efectivamente la eficiencia de la producción y reducir los costos de procesamiento.
Por lo tanto, evaluar rápidamente si una herramienta es adecuada para el proceso se ha convertido en la clave para reducir los costos de mano de obra y tiempo en la etapa inicial. El indicador más utilizado para juzgar si una herramienta se adapta al proceso de mecanizado es la vida útil de la herramienta, en el caso del planeado, la vida útil es equivalente al volumen de la herramienta que se puede cortar en la pieza en bruto antes de la profundidad de desgaste de la cara posterior a la mitad de la profundidad de corte.
Para evitar la interrupción del proceso de corte durante el monitoreo en línea de la vida útil de la herramienta, las señales relacionadas con el estado de mecanizado de la herramienta, como la fuerza de corte, la vibración, la emisión acústica, la corriente y la potencia, generalmente se capturan y utilizan para determinar el estado de la herramienta en línea.
Literatura [1] extrae las características de las señales de vibración generadas por la fresa durante el mecanizado, utiliza árboles de decisión para clasificar las características relacionadas con el estado de la herramienta y compara las ventajas y desventajas de los clasificadores de la familia de árboles J48, los árboles de modelos logísticos y los bosques aleatorios en el rendimiento del juicio de condición de la fresa;
Literatura [2] propone un método de modelado de modelo de regresión de etapa completa para el desgaste de la herramienta basado en el algoritmo de integración AdaBoost, y establece un modelo de regresión para la identificación del estado de desgaste de la herramienta, que es capaz de identificar el estado de desgaste de la herramienta a través de los datos recopilados durante el mecanizado;
Literatura [3] será una serie de índices de dominio de tiempo-frecuencia de una variedad de señales recopiladas durante el mecanizado para el cribado de características, y después de obtener vectores de características con alta correlación, el valor de desgaste se predice mediante el uso de un autocodificador disperso, y luego la vida útil restante de la herramienta se predice mediante una red de avance profunda;
Literatura [4] a través de la extracción de la señal de corriente del husillo del desorden, el acceso a los parámetros de procesamiento no está relacionado con la caracterización de las características de desgaste de la herramienta, y la mejora de LeNet para que pueda predecir el desgaste de una sola red neuronal convolucional de mecanizado, se puede realizar en condiciones de mecanizado complejas del estado de desgaste de la fresa de la identificación precisa en línea para la vida útil restante de la predicción en línea de la cimentación;
Literatura [5] utiliza la transformada de ondícula continua (CWT) y la tecnología de separación BSS para extraer las características de la señal, y utiliza la regresión no lineal espacial de alta dimensión para establecer un modelo de la señal hasta la vida útil restante de la herramienta de fresado, que puede reflejar eficazmente la tendencia de la disminución del rendimiento de la herramienta.
Hay pocos estudios sobre el desgaste de las herramientas, así como sobre la predicción de la vida útil en el país y en el extranjero, y la idea central de varios métodos es establecer la relación entre las características de la señal y el desgaste (vida).
Suelen estar orientados a la predicción del desgaste bajo un entorno de mecanizado fijo, o a la predicción del rendimiento de una herramienta bajo diferentes parámetros de corte, etc. Se han realizado pocos estudios sobre el rendimiento de diferentes herramientas bajo las mismas condiciones de mecanizado de la herramienta.
En la etapa inicial del establecimiento del proceso, a menudo es necesario juzgar diferentes herramientas, y es importante obtener la vida útil prevista de las diferentes herramientas necesarias para la selección de herramientas.
Con el fin de identificar la vida útil esperada de diferentes herramientas de fresado en las mismas condiciones de trabajo, se propone un nuevo método.
The method extracts signal features that have little correlation with the machining tool and reflect the wear state of the tool or abnormal machining vibration, and designs an RNN model to map the relationship between them and tool life.
The rest of the paper consists of the following sections:
Section 2 describes the method of extracting features from the torque signal and the model of the GRU recurrent neural network.
Section 3 describes the experimental setup and construction of the dataset.
Section 4 discusses and compares the results and Section 5 concludes.
Tool optimization method based on milling tool life prediction
The method innovatively fits the features on the intrinsic frequency of the toolbar to the tool life using RNN.
Firstly, a class of tools of different brands with different tool parameters are selected for a particular milling process.
After that, test cutting experiments are conducted on the tool to collect torque signals during the cutting process and measure the back face wear of the tool after each machining;
Following this, the features of the torque signal of a single machining are extracted, and the sequence of features of the tool during the continuous machining to reach the damage process is used as the input to the RNN;
Finally, the life index obtained from the wear of the tool throughout its life cycle through the wear life curve is used as the output;
The two sets of data are used to train the RNN to obtain the prediction model, and the method flow is shown in Figure 1.
-
Torque high-frequency signal extraction reflecting wear features
In the milling process, the cutting torque increases with the wear of the cutting edge and the increase of tool face friction, and many scholars have done a lot of research on the relationship between the two.
The research results show that the change in the size of the cutting torque can reflect the wear state of the tool.
Therefore the cutting torque contains characteristic information that reflects the wear state of the milling cutter.
Literature [6] in the study of dynamic force spectrum analysis found that there is an obvious characteristic peak in the high frequency band away from the machining frequency, which is close to the intrinsic frequency of the toolpost, independent of the chip formation frequency, and in the same wear stage of different tools, the characteristic frequency basically remains unchanged.
It is further found in the literature [6] that the amplitude of the eigenfrequency signal increases monotonically with tool wear and decreases sharply when it enters into rapid wear or tool fracture, so the high-frequency component of the torque contains characteristic information about the change of cutting edge shape and the wear of the tool back face.
The low-frequency component of the torque signal is related not only to tool wear, but also to machining and tool parameters, and characterizes the cutting torque required by the milling cutter to strip the metal material from the workpiece surface.
The initial value and variation of the low-frequency component of the torque are very different for tools with different parameters for machining.
The variation of the amplitude of the low frequency component of torque with the number of machining operations during the life cycle of four milling cutters with different fillet radii, camber angles and materials is shown in Fig. 2.
From the comparison, it can be seen that the torque of different tools is inconsistent for the same wear state, so it is difficult to represent the wear state of different tools by the low-frequency component of the torque signal, and there may be a misjudgment if the low-frequency component of the torque signal is used to identify the wear state of different tools.
In summary, it is not possible to directly use the low-frequency component of the torque signal to identify tool life under the conditions of identifying different tool life.
The high-frequency component, on the other hand, is mainly affected by factors such as edge shape change, rear face wear and abnormal system vibration, which has little correlation with the parameters of the tool itself, but also contains relevant information that can reflect the wear of the milling cutter.
In the actual signal acquisition, it was found that not only the peaks appeared near the intrinsic frequency of the toolholder, but also the corresponding peaks appeared at its octave frequency, therefore, when using the torque high-frequency signal to identify the wear state of different milling cutters to predict the life of the cutter, the amplitude of the frequency and the subsequent multiple octave frequency were selected as the characteristics.
The specific method of extracting the features of the torque high-frequency signal is divided into six steps, as shown in Fig. 2.
(1) Collect the cutting torque signal of the milling cutter during the test cutting process through the spike shank, and record the wear of the back face of the tool after each machining.
(2) The signal from one machining passes through a high-pass filter to remove the components of the signal near the machining frequency.
(3) Using the STFT transform, the time-frequency domain spectrum of the signal is made, and the window size is adjusted to a suitable and uniform resolution in the time domain and frequency domain, and the results, as shown in Figure 3.
(4) Take the intrinsic frequency of the toolbar as the base frequency, search for the maximum value of the frequency in the neighborhood of the frequency at each moment of the machining period, and then take the average value of the frequency in the machining period.
(5) The same as (4), take the base frequency of 2 times, 3 times, 4 times, 5 times the frequency frequency calculation of the average maximum value of the high-frequency region signal in the base frequency of the multiple times the frequency of the existence of the great value.
(6) Generate the feature vector representing this processing.
The feature vectors obtained from (4) and (5) are normalized and the time series of the feature vectors are generated according to the processing order, which is used as the input for training/testing of the RNN.
-
Modelado basado en redes neuronales recurrentes
En el proceso de mecanizado real, la fresa se utilizará continuamente y el desgaste de la fresa aumentará continuamente.
Por lo tanto, las señales recopiladas no solo dependen de los parámetros de la ronda actual de experimentos de mecanizado, sino que también tienen una estrecha relación con el estado del último mecanizado de la herramienta en la ronda de experimentos, mientras que el estado del último mecanizado se puede obtener a partir de las señales recopiladas del último mecanizado. Por lo tanto, considerando desde el punto de vista del ciclo de vida completo de la herramienta, las señales de par recogidas de esta herramienta en toda la ronda de experimentos deben ser un todo inextricablemente unido y el orden secuencial de sus entradas no se puede cambiar;
La red neuronal recurrente (RNN), por otro lado, es un tipo de red neuronal profunda que se utiliza para procesar datos secuenciales y predecir tendencias, que posee la capacidad de correlacionar datos de entrada históricos en línea con el proceso de mecanizado de la fresa.
La unidad recurrente de puerta (GRU) es un tipo de red neuronal recurrente, que agrega puerta de actualización y puerta de reinicio a la RNN simple, como se muestra en la Fig. 4.
La puerta de actualización se utiliza para controlar la cantidad de información de estado del momento anterior que se lleva al estado actual, cuanto mayor sea el valor de la puerta de actualización, más información de estado del momento anterior se llevará al estado actual.
La puerta de restablecimiento controla la cantidad de información del estado anterior que se escribe en el conjunto candidato actual, cuanto más pequeña sea la puerta de restablecimiento, menos información del estado anterior se escribirá.
En comparación con las RNN simples, es capaz de resolver los problemas de memoria a largo plazo y retropropagación donde el gradiente se desvanece o explota muy bien.
En comparación con LSTM (memoria a corto plazo), que también puede resolver el problema del gradiente, GRU logra resultados similares, mientras que la eficiencia del entrenamiento es mayor y el usuario puede seleccionar hiperparámetros de forma iterativa más rápido, lo que reduce el costo del tiempo de depuración [7] .
La red neuronal recurrente construida finalmente consta de una red GRU de dos capas y dos capas totalmente conectadas;
Después de un entrenamiento supervisado, la red es capaz de mapear las características de la señal en línea de la herramienta con el porcentaje de vida útil restante, como se muestra en la Fig. 5.
El módulo GRU de esta red consta de dos capas de GRU estándar conectadas en serie, y la ecuación de transferencia directa de esta parte se puede expresar mediante la siguiente fórmula.
En la Ec:
𝑥𝑡
– el vector de entrada de la capa en
el tiempo t;
y𝑡
– el vector de salida de la capa en
el tiempo t y se utiliza como vector de entrada xt de la capa siguiente;
σ – función de activación sigmoidea;
r𝑡
, z𝑡
– los valores de la puerta de
restablecimiento y la puerta de actualización de la capa en el tiempo t;
h𝑡
– la información que se transmite
continuamente en las series temporales;
w𝑟
, w𝑧
, wℎ
, w𝑜
– Pesas que deben obtenerse después
del entrenamiento.
Experimento de molienda de aleación de titanio
Experimentos utilizando el material en blanco para Ti6Al4V, tamaño (200 × 150 × 40) mm, fresadora herramienta para la máquina de producción suiza Starrag LX051.
Las características procesadas en el experimento de fresado son superficies planas, y la herramienta es una fresa vertical indexable, que se procesa en forma de fresado suave, y la selección de la herramienta y los parámetros de procesamiento se muestran en la Tabla 1 y la Tabla 2.
Experimentos a través del vástago de la espiga para recoger señales de par de corte, frecuencia de muestreo de 2500Hz, experimentos en la herramienta para pasar por 150 mm (ancho en blanco) para un mecanizado, midiendo y registrando una rugosidad superficial Ra, cada 15 veces el procesamiento registra una herramienta después del desgaste facial Vb.
Herramienta para mecanizar después del desgaste frontal para alcanzar la mitad de la profundidad de corte durante la vida útil del experimento con el fin de obtener el desgaste rápido de parte de los datos, para alcanzar la vida útil de la herramienta para continuar el procesamiento hasta el desgaste de hasta 0,3 mm.
La sujeción del experimento se muestra en la Fig. 6. El desgaste de la cara posterior tomada bajo un microscopio se muestra en la Fig. 7.
Aplicación del modelado predictivo a los experimentos
-
Procesamiento de datos experimentales
La pérdida de paquetes a menudo ocurre cuando el sensor recopila señales y hay una serie de valores nulos y valores atípicos en los datos recopilados, por lo que las características calculadas utilizando directamente las señales recopiladas pueden ser inexactas.
Los valores nulos en el procesamiento de datos se interpolan utilizando el método de spline cúbico, y los elementos que se desvían del valor medio en más de tres veces la desviación estándar se identifican como valores atípicos, y la diferencia se lleva a cabo utilizando la spline cúbica; Los pasos de realización son los siguientes:
(1) Calcule el ciclo de trabajo de la señal de procesamiento durante el procesamiento continuo y segmente los datos de acuerdo con el factor común máximo del tiempo de procesamiento y el tiempo no procesado.
(2) Etiquete los segmentos de señal, con el segmento de datos izquierda-bajo-derecho-alto marcado como el borde ascendente, el segmento de datos izquierdo-alto-derecho-bajo marcado como el borde descendente, y los datos entre el borde ascendente y el borde descendente después del flanco ascendente se etiquetan como la señal de procesamiento.
(3) Tome el conjunto de señales procesadas y calcule el valor medio xˉ y la desviación estándar σ.
(4) Reemplace los datos con desviación mayor que 3σ con valor nulo.
(5) Se realiza tres veces la interpolación de spline en el valor nulo, y tres puntos de muestra t0 , t1 , t2 , tempty, t3 , t4 , y t5 antes y después del valor nulo se toman como referencia para la interpolación.
(6) Una vez que se eliminan los datos de los valores atípicos y nulos, las entradas para los conjuntos de entrenamiento y prueba se construyen utilizando el método de extracción de características de señal de par en la Sección II.
-
Entrenamiento de Redes Neuronales
Para obtener las etiquetas de vida útil restantes para el conjunto de entrenamiento, es necesario convertir los datos de desgaste disponibles en un porcentaje de la vida útil ya útil de la herramienta.
La relación entre el mapeo de la vida útil se construye utilizando el modelo DNN y los datos de desgaste de la herramienta medidos en el experimento y sus correspondientes datos de porcentaje de vida útil;
Las secuencias de desgaste del conjunto de herramientas de entrenamiento se pasan a través del modelo para obtener las secuencias de duración como etiquetas (salidas) para el conjunto de entrenamiento de la red neuronal recurrente.
El resultado final del ajuste de la DNN se muestra en la Fig. 8.
Hay un período de desgaste que aumenta rápidamente cuando la herramienta se mecaniza por primera vez, lo que se denomina desgaste inicial;
Después de eso, hay un aumento lento en el desgaste del 7% al 60% de la vida útil, que es la fase de desgaste normal;
En la etapa final, la pendiente del desgaste de la herramienta aumenta significativamente, el desgaste se acelera y la herramienta está al final de la etapa de desgaste normal y cambia a la etapa de desgaste severo.
Dado que la vida útil de cada herramienta no es uniforme y la longitud de entrada no es segura, la entrada se procesa unificando la longitud e incorporando el vector 0;
Se agrega una capa Mas-king antes de la entrada GRU para filtrar los pasos de tiempo no válidos;
Después de dos capas de GRU, las dimensiones de la entidad original se incrementan y, a continuación, se comprimen mediante una capa totalmente conectada;
La red totalmente conectada utiliza un método de abandono con un 30% de probabilidad de fallo aleatorio para garantizar que las características se reconozcan principalmente en la parte GRU y para evitar que la capa totalmente conectada se sobreajuste;
La entrada es una secuencia de vectores de características de señal de par de herramienta, el valor de salida es un valor continuo en lugar de la etiqueta de clasificación de la salida SoftMax, la salida del conjunto de entrenamiento no se puede normalizar, por lo que en la parte DNN de la red se debe usar como una función de activación de Relu (unidades lineales rectificadas) para garantizar que las salidas mayores que 1 se puedan ajustar de manera efectiva, y, al mismo tiempo, reducir la probabilidad de sobreajuste [8];
La red utiliza Adam para optimizar el descenso del gradiente, utilizando la pérdida L2 como función de pérdida, como se muestra en la ecuación (6).
Donde: i – una cierta dimensión del vector de salida; N es el tamaño de cada lote en el conjunto de entrenamiento.
El lote se toma como todo el conjunto de entrenamiento y la época se toma como 800, se puede observar que después de 800 veces de descenso de gradiente, la pérdida es 0.004 y es difícil hacer que la función de pérdida sea menor.
-
Validación del conjunto de pruebas
Una vez completado el entrenamiento, las tres herramientas del conjunto de pruebas:
R390-11T316E-ML 2030, R390-11T308M-MM S30T y APKT11T308APM YBG303 se ingresaron con las secuencias de temporización de características de señal, y se obtuvieron las curvas de los valores predichos de la vida con el número de experimentos, como se muestra en la Figura 8.
A medida que avanza el mecanizado del conjunto de herramientas de prueba, la secuencia de entradas al modelo continuará alargándose.
Las predicciones para las tres herramientas se obtuvieron al 30% de la vida útil de los cortes de prueba, con vidas reales de 83, 89 y 50% como predicciones, y todas convergieron a la vida real, como se muestra en la Figura 9.
Con el fin de confirmar la capacidad del modelo para reducir el número de cortes de prueba, se recogieron las señales de par de 10 herramientas con desgaste no medido, mecanizadas de forma continua hasta que la herramienta se dañó, y cuya vida real se obtuvo, y se ingresó la secuencia característica de las señales de par a lo largo de todo su ciclo de vida para obtener la curva de la vida predicha con el número de experimentos, como se muestra en la Fig. 10.
La coordenada horizontal en el gráfico es el número de grupos mecanizados, y cada grupo representa 15 herramientas.
Los valores de convergencia del modelo predicho de 83, 84, 54, 72, 94, 82, 80, 98, 65, 67% se obtienen para estas 10 herramientas a 1/3 de la vida útil de los cortes de prueba, y 90, 94, 90, 82, 101, 85, 95, 114, 104, 88% se obtienen a 2/3 de la vida útil de los cortes de prueba, y los valores predichos de este modelo pueden aumentar rápidamente hasta acercarse al valor de convergencia en la etapa temprana de la Experimento de corte de prueba. El modelo fue capaz de aumentar rápidamente los valores predichos en la etapa inicial del experimento de corte de prueba a valores casi convergentes.
La convergencia final del modelo de predicción para las 10 herramientas es de 14,56 veces, que está dentro del error estándar del conjunto medido de mecanizado (15 cortes), y los resultados de la predicción están en alta concordancia con la vida real.
Se puede obtener que cuanto más adaptada esté la herramienta al mecanizado, más tarde será el punto de inflexión de la pendiente en la curva de predicción de vida útil y mayor será el valor máximo en el punto de inflexión; para el mismo número de cortes de prueba, cuanto más adaptada esté la herramienta al mecanizado, mayor será la vida útil prevista;
Por lo tanto, en la aplicación práctica del modelo, el valor predicho después del punto de inflexión de la curva de vida debe tomarse como el valor predicho efectivo. Para las 10 herramientas del experimento, este punto de inflexión suele ocurrir a 1/3 de la vida convergente.
Tomando la salida del modelo 1/3 del valor de convergencia de la vida como un valor de juicio de la adaptabilidad del mecanizado de herramientas, se puede mecanizar en un grupo de herramientas, eliminando el valor predicho más bajo de unas pocas herramientas y seleccionando la vida útil predicha más larga de algunas herramientas como la opción óptima para el grupo, lo que reduce el tiempo consumido en la selección del corte de prueba de la herramienta (2/3 del tiempo de corte de prueba original en el experimento actual).
Conclusión
Se propone un modelo de predicción de la vida útil de la herramienta basado en la extracción de características de los componentes de señal de alta frecuencia del par, que toma los datos experimentales del fresado de aleación de titanio de diferentes herramientas bajo parámetros de corte específicos como conjunto de entrenamiento;
Una vez completada la capacitación, puede usar la secuencia de características de la herramienta en mecanizado continuo para alcanzar el proceso de daño como entrada del modelo, y el desgaste de la herramienta en todo el ciclo de vida a través de la curva de vida útil para obtener el índice de vida útil como salida del modelo.
Los datos de prueba obtenidos de los experimentos con diferentes herramientas se probaron para verificar la aplicabilidad de la herramienta del modelo;
El modelo puede aparecer en el punto de inflexión de la curva de predicción de vida útil cuando la herramienta se mecaniza en la vecindad de 1/3 de la vida útil, y el valor de predicción de este punto de inflexión puede estar muy cerca de la vida real de la herramienta;
El modelo puede acelerar la selección de herramientas de fresado de aleación de titanio, reduciendo el tiempo consumido y los costos de mecanizado.