使用超声波麦克风阵列预测数控机床刀具磨损

     预测性维护是使用传感器数据来推断机器状态,并从这些传感器数据中检测出在故障发生之前存在的缺陷或故障的过程。预测性维护在所有工业领域都是一种日益增长的趋势,包括轴承故障检测、齿轮磨损检测或往复式机器中的活塞磨损等许多其他例子。在预测性维护领域,应用了大量传感器,包括声学、振动、热传感器、电流传感器以及几乎可以想象的任何其他传感模式。

     在数控车床中,工件被安装在一个主轴上,然后主轴旋转,而切削则通过一个静止的切削工具来执行。切削工具的几何形状和材料种类繁多,其中硬质合金是制造这些切削工具的主要使用材料。尽管在几何形状和材料类型上有很大的变化,但这些工具的一个反复出现且重要的特性是锋利度。确实,切削工具的锋利度直接与工件的最终质量相关

为了应对数控加工中固有的刀具磨损问题,已经设计了各种自动刀具磨损估计技术,如消耗的轴功率/电流、振动测量、多普勒雷达和声学等。在本文中,我们将重点关注使用0 kHz至60 kHz范围内的超声波声学信号,使用超声波麦克风阵列传感器。该传感器基于eRTIS超声波传感器,它允许通过波束形成实现宽带空间滤波器的实现。在如CNC操作这样的高噪声场景中使用波束形成过滤掉不需要的噪声源来提高信号的信噪比然后,使用卷积神经网络来执行切削工具的剩余使用寿命(RUL)预测

1 方法

1.1 数据采集

  • 超声波麦克风阵列: 使用多个超声波麦克风组成的阵列,采集加工过程中刀具与工件相互作用产生的声波信号。
  • 信号同步: 确保不同麦克风采集的信号时间同步,以便进行后续的信号处理。
  • 其他传感器: 可以根据需要,采集其他传感器数据,例如振动传感器、电流传感器等,用于辅助刀具磨损预测。

1.2 信号处理

  • 波束形成: 利用波束形成技术,将多个麦克风采集的信号进行加权求和,增强来自刀具方向的声音信号,抑制其他方向的噪声,提高信噪比。
  • 滤波:对波束形成后的信号进行滤波,例如带通滤波,去除低频噪声和高频噪声,保留与刀具磨损相关的频率成分。
  • 时频分析: 对滤波后的信号进行时频分析,例如短时傅里叶变换(STFT),将信号分解为不同时间和频率的成分,得到时频谱图。
  • 特征提取: 从时频谱图中提取与刀具磨损相关的特征,例如能量、频率、熵等。

1.3 模型构建

  • 卷积神经网络(CNN): 使用CNN模型对提取的特征进行学习,建立特征与刀具磨损状态之间的关系。
  • 模型结构: CNN模型可以包含卷积层、池化层、全连接层等,可以根据具体问题进行调整。
  • 损失函数: 选择合适的损失函数,例如均方误差(MSE)或交叉熵等,用于评估模型预测结果与真实值之间的差异。

1.4 模型训练

  • 数据集划分: 将采集到的数据划分为训练集、验证集和测试集。
  • 数据增强: 对训练数据进行增强,例如添加噪声、改变采样率等,提高模型的鲁棒性。
  • 优化器: 选择合适的优化器,例如Adam、SGD等,用于更新模型参数。
  • 超参数调整: 调整模型的各种超参数,例如学习率、批大小等,以获得更好的模型性能。

1.5 模型评估

  • 预测精度: 使用测试集评估模型的预测精度,例如计算均方误差、平均绝对误差等指标。
  • 泛化能力: 评估模型在不同工况下的泛化能力,例如使用不同材料、不同刀具、不同加工参数等数据进行测试。
  • 可解释性: 研究如何解释CNN模型的预测结果,例如可视化CNN模型的特征图,帮助理解模型的决策过程。

2 实验

2.1 硬件设置

  • 图面板a)两个eRTIS超声波传感器,带有32个麦克风的超声波麦克风阵列传感器,采样率为450 kHz。一个eRTIS传感器被放置在车床内部,另一个放置在操作员站立位置的外部。eRTIS传感器以10 Hz的速率测量了40毫秒的声学数据块(即信号是间歇性采样的)
  • 图面板b)使用了一台工业级数控车床(Mazak QT10N)
  • 图面c):展示了安装在车床内的eRTIS传感器内部
  • 图面板d)加工的材料
  • 图面板e)拉伸试验样品的模型
  • 制造了350个拉伸测试样品,使用了两种材料(1.1191 C45和1.7225 Chromoly)
  • 使用Fluke i1000s电流钳的轴电流,连接到National Instruments NI-USB6363 DAQ,该DAQ以500 kHz的采样率同时采样电流信号和同步信号。

2.2 频谱图

  • 上图为eRTIS传感器在车削运行期间记录的声学数据的频谱图表示。
  • 上图面板a)显示了在车床外部由eRTIS传感器测量的数据。
  • 上图面板b)显示了从车床内部记录的数据。
  • 在低频部分,信号主要由机器的运动声音支配,而频谱图的高频部分则是由切削操作产生的。

3 信号处理和实验结果

3.1 信号处理

3.1.1 数据采集

  • 传感器: 使用两个 eRTIS 超声波传感器,一个放置在机床内部,另一个放置在机床外部,采集超声波信号。
  • 采样频率: 450 kHz
  • 采样时长: 40 ms
  • 采样间隔: 10 Hz

3.1.2 波束形成

  • 目的: 通过聚焦麦克风信号到刀具位置,提高信噪比,滤除噪声和干扰。
  • 方法: 使用波束形成技术,根据麦克风阵列的几何结构和传感器与刀具之间的距离,计算每个麦克风的权重,并进行加权求和。
  • 参数: 波束方向指向刀具位置,即传感器指向刀具的向量。

3.1.3 频域转换

  • 目的: 将时域信号转换为频域信号,揭示不同频率成分的能量分布,从而更容易提取与刀具磨损相关的特征。
  • 方法: 使用 Welch 功率谱密度估计器,对波束形成后的信号进行傅里叶变换。
  • 参数: 窗口长度 1024 个样本,汉明加权。

3.1.4 数据拼接

  • 目的: 将所有频谱图拼接成一个大矩阵,形成类似于声谱图的表示形式,方便后续的 CNN 模型处理。
  • 方法: 将每个频谱图按照时间顺序排列,形成一个三维矩阵,其中两个维度表示频率和帧号,第三个维度表示麦克风编号。

3.2 CNN模型架构

    构建一个包含 4 个卷积层leaky ReLu激活函数,平均池化,批量归一化和dropout(10%)的 CNN 模型,用于预测刀具剩余使用寿命 (RUL)。模型输入为超声波声谱图,输出为工件编号,从而间接预测刀具磨损程度。

  • 卷积层:网络包含四个卷积层,这些层负责从输入数据中提取特征。每个卷积层都会对输入的声学频谱图数据进行卷积操作,以识别和提取重要的特征。
  • 激活函数:在卷积层之后,使用leaky ReLu(线性整流单元)激活函数。Leaky ReLu是一种改进版的ReLU激活函数,它允许负值通过一个很小的斜率,从而解决了ReLU在负值时梯度消失的问题。
  • 池化层:接着是平均池化层,它用于降低特征的空间维度,同时保留最重要的信息。这有助于减少计算量,并使特征检测更加鲁棒。
  • 批量归一化:网络还包含批量归一化层,这有助于加速训练过程,并减少对初始化权重的敏感性。批量归一化通过对每个小批量数据进行归一化处理来工作,这有助于稳定和加速神经网络的训练。
  • Dropout:为了提高网络的泛化能力并防止过拟合,网络使用了dropout技术。Dropout以一定的概率随机丢弃一些网络连接,迫使网络学习更加鲁棒的特征表示。
  • 全连接层:在卷积层和池化层之后,输出被展平并通过两个全连接(FC)层。全连接层是神经网络中负责进行高级特征融合和最终预测的部分。
  • 输出层:第一个全连接层的输出维度为10,使用ReLu非线性激活函数。最后一个全连接层是输出层,它有一个单一的输出节点,用于预测基于输入声学频谱图的工件编号,即预测刀具的剩余使用寿命。

3.3 模型训练

  • 优化器选择:使用了Adam优化器来训练神经网络。Adam优化器是一种自适应学习率优化算法,它结合了动量(Momentum)和RMSprop的关键思想,通常在训练深度学习模型时表现良好。
  • 学习率设置:为Adam优化器设置的学习率为0.01,这是一个常用的初始学习率值,有助于模型在训练初期快速收敛。
  • 训练周期:设定了最多100个训练周期(epoch),每个周期中,整个数据集都会被用来更新网络的权重一次。
  • 验证损失检查点:在训练过程中,使用验证损失来监控模型的性能。我们保留了具有最佳验证损失的网络参数作为最终模型,这有助于防止过拟合,并确保模型在未见数据上也能表现良好。
  • 数据增强:为了提高模型的泛化能力,我们对训练数据进行了增强,包括在时间维度上的平移和添加噪声。数据增强有助于模型学习到更加鲁棒的特征,减少对特定训练样本的依赖。
  • 数据集划分:将增强后的数据集随机分为三个部分:训练集(占总数据的75%),验证集(占10%),和测试集(占15%)。这样的划分有助于我们在训练过程中评估模型的性能,并在训练结束后使用测试集来评估模型的最终性能。
  • 训练时长:在单个NVidia RTX4090 GPU上进行模型训练,包括数据预处理,大约需要一个小时。这表明我们的训练流程相对高效,能够在合理的时间内完成模型的训练。

3.4 模型评估

  • 预测误差:使用均方误差 (MSE) 作为预测误差指标,衡量预测值与真实值之间的差异。
  • 误差方差:分析预测误差的方差,评估模型的稳定性。方差越小,说明模型的预测结果越稳定。
  • 模型结构比较:比较不同模型结构的性能,选择最优模型。例如,比较使用不同数量卷积层和全连接层的模型性能。
  • 数据增强效果:分析数据增强技术对模型性能的影响。例如,比较使用和不使用数据增强技术的模型性能。
  • 交叉验证:使用交叉验证评估模型的泛化能力。例如,将数据集分成训练集和测试集,训练模型并在测试集上进行评估。

3.5 实验结果

  • 图面板a)显示了基于单个声学频谱图的运行编号预测
  • 上图面板b)显示了使用五个以所需运行编号为中心的频谱图的预测。
  • 上图面板c)和d)显示了平均运行编号预测误差,包括预测的方差带(灰色阴影),占总工具寿命的百分比。

结果表明,通过超声波传感器和深度学习模型的结合,可以有效地预测数控车削中的刀具磨损。通过分析声学信号的频谱图,CNN能够以较高的精度估计刀具的剩余使用寿命,这对于预测性维护任务具有潜在的应用价值。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/pingmian/28967.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

PV180R1K1T1NMMC派克通轴传动结构柱塞泵

PV180R1K1T1NMMC派克通轴传动结构柱塞泵 派克柱塞泵的结构组成部分:柱塞、手把、斜盘、压盘、滑履、泵体、配油盘、传送轴。其优点如下: 1、结构紧凑耐用,具有灵活的安装接口 2、安静的工作 3、效率高 4、降低功耗和减少发热 5、具有“…

最适合程序员的编程字体,漂亮、独特、优雅!(2024-06-17)

Monaco Monaco 字体是一款专为编程和代码编辑设计的等宽字体,以其简洁明了的无衬线设计风格、高可读性和清晰的字符区分度,受到开发者们的青睐,Mac 自带 Monaco 字体。 Consolas Consolas 是一款等宽无衬线字体,专为编程和代码编…

ElementPlus国际化(将组件的默认语言改为中文)

文章目录 1. Element-plus的默认语言2. 编辑 main.js 文件3. 效果(以分页条组件为例) 1. Element-plus的默认语言 Element-plus的默认语言是英语,可修改为其它语言 2. 编辑 main.js 文件 import {createApp} from vue import ElementPlus …

高等数学笔记(一):映射与函数

一、映射 1.1 映射的概念 存在一个法则 f ,使得对 X 中每个元素 x ,在 Y 中有唯一确定的元素 y 与之对应(X、Y 非空集) 称 f 为从 X 到 Y 的映射,如图所示 其中 y 称为元素 x(在映射 f 下)的…

理解并应用:JavaScript响应式编程与事件驱动编程的差异

背景介绍 在现代JavaScript开发中,响应式编程(Reactive Programming)和事件驱动编程(Event-Driven Programming)是两种非常重要且常用的编程范式。虽然它们都用于处理异步操作,但在理念和实现方式上存在显…

如何用多线程执行 unittest 测试用例实现方案

前言 使用python做过自动化测试的小伙伴,想必都知道unittest和pytest这两个单元测试框架,其中unittest是python的官方库,功能相对于pytest来要逊色不少,但是uniitest使用上手简单,也受到的很多的小伙伴喜爱。一直以来都…

上海交通大学、中科大 开源镜像站停止 Docker Hub 仓库镜像支持后的可用替代源

上海交通大学 Linux 用户组发布公告: 即时起中止对 Docker Hub 仓库的镜像。Docker 相关工具默认会自动处理失效镜像的回退,如果对官方源有访问困难问题,建议尝试使用其他仍在服务的镜像源。 源加速地址 有网友表示百度的 Docker Hub 加速器…

我在高职教STM32——GPIO入门之蜂鸣器

大家好,我是老耿,高职青椒一枚,一直从事单片机、嵌入式、物联网等课程的教学。对于高职的学生层次,同行应该都懂的,老师在课堂上教学几乎是没什么成就感的。正因如此,才有了借助 CSDN 平台寻求认同感和成就…

C++语法04 标准输入语句

标准输入 使用格式:cin >> 输入的意思就是把一个值放到变量里面去,也就是变量的赋值,这个值是由我们自己输入的。 (注意:输入变量前要先定义,输入完之后要按Enter键。) 输入多个变量,与输出类似,…

LabVIEW程序内存泄漏分析与解决方案

维护他人编写的LabVIEW程序时,若发现程序运行时间越长,占用内存越大直至崩溃,通常是内存泄漏导致的。本文从多角度分析内存泄漏的可能原因,包括数组和字符串处理、未释放的资源、循环中的对象创建等,并提供具体的解决方…

【细胞分割 + 图谱配准】论文综述

文章目录 一、细胞分割1.1、细胞分割:cellposeCellpose3: one-click image restoration for improved cellular segmentationCellpose 2.0: how to train your own modelCellpose: a generalist algorithm for cellular segmentation 1.2、细胞分割与染色 —— Cell…

算法体系-19 第十九节 暴力递归到动态规划

一 动画规划的概念 优化出现重复解的递归 一旦写出递归来,改动态规划就很快 尝试策略和状态转移方程是一码事 学会尝试是攻克动态规划最本质的能力 如果你发现你有重复调用的过程,动态规划在算过一次之后把答案记下来,下回在越到重复调用过程…

助力全息通信技术!GPS-Gaussian实现2K实时人体新视点合成

论文标题: GPS-Gaussian: Generalizable Pixel-wise 3D Gaussian Splatting for Real-time Human Novel View Synthesis 论文作者: Shunyuan Zheng, Boyao Zhou, Ruizhi Shao, Boning Liu, Shengping Zhang, Liqiang Nie, Yebin Liu 项目地址&#x…

7.无代码爬虫八爪鱼采集器软件——采集规则/项目的创建与网址输入

接上篇 6.零代码网页爬虫软件基础实操——下载与安装八爪鱼采集器 八爪鱼免费爬虫软件下载: 八爪鱼采集器下载 小白数据采集神器​​https://affiliate.bazhuayu.com/retrieve 直接复制粘贴要采集的网站在这里就可以进入采集规则的设计器 自定义任务 通过这个功能…

使用volta管理前端开发环境

背景:公司有新老不同的产品,使用的node版本不一样,每次都要手动切换node版本,对应的项目才能运行。这样很麻烦,有没有好的解决方法,就找到了volta。 1.为什么是volta? 管网介绍:使用…

国内外典型的知识图谱项目

文章目录 早期的知识库项目互联网时代的知识图谱中文开放知识图谱垂直领域知识图谱 从人工智能的概念被提出开始,构建大规模的知识库一直都是人工智能、自然语言理解等领域的核心任务之一。下面分别介绍早期的知识库项目、互联网时代的知识图谱、中文开放知识图谱和…

【论文阅读笔记】PA-SAM: Prompt Adapter SAM for High-Quality Image Segmentation

1.论文介绍 PA-SAM: Prompt Adapter SAM for High-Quality Image Segmentation PA-SAM:用于高质量图像分割的提示适配器SAM 2024年 ICME Paper Code 2.摘要 Segment Anything Model,SAM在各种图像分割任务中表现出了优异的性能。尽管SAM接受了超过10亿…

软考又考了,数据库范式这次一定要弄懂!

0. 引言 今年数据库范式又作为选择题在软考中出题了,范式和反范式同样也在我们日常开发的数据库表设计工作中提供重要理论,今天我们来彻底弄懂几大范式的概念和区别,以及常见的反范式设计方法 1. 定义 1.1 基础概念 在实际讲解之前&#…

终于用上了桌面版本的chatGPT

最近经过不断的探索,也算是用上了桌面版本的chatgGPT,想要用同学,可以关注一下,后面我会出一期教程的~

docker安装elasticsearch8和kibana,带ik分词器

全文目录,一步到位 1.前言简介1.1 专栏传送门 2. elasticsearch和kibana安装2.1 准备工作2.1.1 下载elasticsearch2.1.2 下载kibana镜像 2.2 创建并运行es容器2.2.1 创建es网络2.2.2 创建es容器2.2.3 放行端口2.2.4 访问查看结果> 步骤一: 点击高级, 然后继续访问> 步骤二…