本發(fā)明涉及數(shù)控機床加工，具體涉及一種基于人工智能的刀具磨損監(jiān)測和修復(fù)方法。

背景技術(shù)：

1、數(shù)控機床作為智能制造的核心裝備，在現(xiàn)代制造業(yè)中扮演著至關(guān)重要的角色，據(jù)統(tǒng)計目前我國的保有量超過1000萬臺。實現(xiàn)數(shù)字孿生驅(qū)動的高端綠色數(shù)控加工是我國實現(xiàn)制造現(xiàn)代化、智能化的重要目標，如何最大化高端加工的能源使用效率是重要的研究方向。為實現(xiàn)該目標，工信部、國家發(fā)改委等八部門于2021年12月聯(lián)合發(fā)布了《“十四五”智能制造發(fā)展規(guī)劃》，推動與數(shù)字孿生相關(guān)的智能制造技術(shù)如大數(shù)據(jù)、人工智能及邊緣計算等在制造中的應(yīng)用以實現(xiàn)高質(zhì)量、高效率的計劃調(diào)度。工信部于2022年8月提出進一步推進先進制造業(yè)發(fā)展以實現(xiàn)振興工業(yè)的戰(zhàn)略目標，推進產(chǎn)業(yè)基礎(chǔ)再造以及提升產(chǎn)業(yè)科技創(chuàng)新能力是重要的發(fā)展目標。在學科交叉背景下，利用以數(shù)字孿生為背景的智能傳感測量測量系統(tǒng)、大數(shù)據(jù)分析、深度學習算法、數(shù)據(jù)可視化、邊緣計算等新興技術(shù)，結(jié)合傳統(tǒng)機械加工機理模型，可有效實現(xiàn)對加工能耗、效率及設(shè)備利用率的優(yōu)化。

2、我國每年產(chǎn)生超過4.5億噸的廢棄物，其中包含大量的零部件和低壽命的刀具，這些資源的報廢是巨大的經(jīng)濟損失，減少這些資源浪費，能夠大幅減少新材料使用以及降低碳排放。

3、針對數(shù)控機床領(lǐng)域，目前的大數(shù)據(jù)采集方法及深度學習算法在故障診斷、加工參數(shù)優(yōu)化及加工調(diào)度優(yōu)化取得了一系列研究成果，但其存在的主要問題是：數(shù)控加工精度故障尚無法充分利用故障機理實現(xiàn)精準診斷，加工數(shù)據(jù)獲取率和訓練效率低，計算架構(gòu)效率低；刀具磨損與加工精度故障之間的聯(lián)系缺乏深入研究，僅能籠統(tǒng)確定刀具狀態(tài)(磨合、穩(wěn)態(tài)、失效)，對于刀具實際使用過程中對加工精度故障的影響難以實現(xiàn)有效的診斷，也不能基于加工精度故障診斷結(jié)果進行及時有效處理和響應(yīng)。

4、鑒于此，如何基于故障機理為數(shù)據(jù)分析提供有力支撐，如何針對數(shù)控加工過程中對刀具磨損進行有效的監(jiān)測和診斷，如何基于診斷結(jié)果進行有效處理，如何提升數(shù)控加工診斷的分析效率，具有重要的應(yīng)用價值及戰(zhàn)略意義。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于人工智能的刀具磨損監(jiān)測和修復(fù)方法，以解決上述問題。

2、為實現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案：

3、一種基于人工智能的刀具磨損監(jiān)測和修復(fù)方法，該方法基于邊緣計算系統(tǒng)實現(xiàn)，所述邊緣計算系統(tǒng)包括云計算層、邊緣計算層、終端層、任務(wù)分配計算單元及任務(wù)分配優(yōu)化單元，所述云計算層用于訓練功率增量診斷模型，所述邊緣計算層用于針對新的加工工況對功率增量診斷模型進行再訓練，所述終端層包括數(shù)控機床、工況參數(shù)采集模塊、功率數(shù)據(jù)采集模塊及圖像采集模塊，所述工況參數(shù)采集模塊用于采集切削加工參數(shù)及工件類型，所述功率數(shù)據(jù)采集模塊用于實時采集切削加工功率，所述圖像采集模塊用于采集切削刀具圖像和工件表面質(zhì)量圖像；

4、該方法包括以下步驟：

5、s1、通過終端層采集同一加工工況下的原始加工數(shù)據(jù)并上傳至云計算層，所述原始加工數(shù)據(jù)至少包括加工功率、加工參數(shù)、切削刀具圖像及工件表面質(zhì)量圖像，所述加工工況至少包括切削加工參數(shù)及工件類型；

6、s2、通過云計算層訓練功率增量診斷模型，所述功率增量診斷模型的輸入為加工功率及切削刀具磨損量，其輸出為切削加工精度故障診斷結(jié)果，將原始加工數(shù)據(jù)和切削加工精度故障診斷結(jié)果作為源域數(shù)據(jù)，將源域數(shù)據(jù)和功率增量診斷模型發(fā)送到邊緣計算層；

7、s3、終端層實時采集加工過程中加工數(shù)據(jù)作為監(jiān)控數(shù)據(jù)，并通過mqtt協(xié)議傳輸?shù)竭吘売嬎銓?，再通過mqtt協(xié)議將加工數(shù)據(jù)傳輸?shù)皆朴嬎銓樱?/p>

8、s4、云計算層基于監(jiān)控數(shù)據(jù)判斷加工工況是否發(fā)生變化，若否，則基于深度學習算法利用邊緣計算層對功率增量診斷模型進行訓練以獲得最終的加工精度故障診斷模型，若是，則將監(jiān)控數(shù)據(jù)作為目標域數(shù)據(jù)，基于遷移學習算法構(gòu)建深度學習算法模型，利用邊緣計算層對深度學習算法模型進行訓練以獲得最終的加工精度故障診斷模型，所述加工精度故障診斷模型利用長短期記憶神經(jīng)網(wǎng)絡(luò)結(jié)合卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)；

9、s5、利用任務(wù)分配計算單元統(tǒng)計數(shù)據(jù)傳輸量、邊緣計算處理時間、邊緣層運算利用率，所述數(shù)據(jù)傳輸量為邊緣計算層傳輸至云計算層的總數(shù)據(jù)量，所述邊緣計算處理時間為特定網(wǎng)絡(luò)環(huán)境下的數(shù)據(jù)傳輸及算法處理所需時間，所述邊緣層運算利用率為邊緣計算層的利用效率；利用任務(wù)分配優(yōu)化單元構(gòu)建邊緣計算分配優(yōu)化算法，利用果蠅算法求解最佳的任務(wù)分配方式并進行任務(wù)調(diào)度；

10、s6、利用加工精度故障診斷模型對數(shù)控加工過程進行實時診斷，對出現(xiàn)加工精度故障的，獲取對應(yīng)的刀具圖像，基于刀具圖像獲得刀具磨損區(qū)域，針對刀具磨損區(qū)域進行激光表面強化處理。

11、優(yōu)選地，所述果蠅算法具體通過以下方法實現(xiàn)：

12、將數(shù)據(jù)傳輸量、邊緣計算處理時間、邊緣層運算利用率進行歸一化處理，并作為優(yōu)化目標，

13、初始化果蠅群體的數(shù)量，隨機初始化果蠅群體的位置；

14、基于優(yōu)化目標定義適應(yīng)度函數(shù)：

15、f＝argmin(e·qtmn+f·top+h·dop)

16、其中，f為適應(yīng)度函數(shù)，qtmn為數(shù)據(jù)傳輸量的歸一化值，top為邊緣計算處理時間的歸一化值，dop為邊緣層運算利用率的歸一化值；

17、基于氣味搜索方式引入交叉和變異過程，計算適應(yīng)度函數(shù)值f；

18、構(gòu)建視覺搜索的迭代機制，如個體果蠅的適應(yīng)度函數(shù)值優(yōu)于果蠅群體中心的適應(yīng)度函數(shù)值，則將該個體果蠅位置作為新的搜索中心；

19、通過迭代優(yōu)化，確定最優(yōu)適應(yīng)度函數(shù)值的個體果蠅，作為最優(yōu)任務(wù)分配方式。

20、優(yōu)選地，所述步驟s4中的利用邊緣計算層對深度學習算法模型進行訓練，具體通過以下方法實現(xiàn)：分析源域數(shù)據(jù)和目標域數(shù)據(jù)的特征分布差異，引入對齊權(quán)重進行數(shù)據(jù)對齊以實現(xiàn)數(shù)據(jù)的跨域轉(zhuǎn)移；采用tensorflow深度學習架構(gòu)構(gòu)建深度學習算法進行正向計算訓練；采用參數(shù)遷移學習并保留大部分訓練參數(shù)，進行反向傳播計算來優(yōu)化特征分布，利用最大平均差異衡量源域與目標域之間概率分布的差異，結(jié)合深度學習訓練交叉熵表征訓練誤差結(jié)果，運用正則化最大平均差異及交叉熵，構(gòu)建算法的優(yōu)化目標；訓練后獲得最終的加工精度故障診斷模型，用于在加工過程中進行實時診斷。

21、優(yōu)選地，所述步驟s4中加工精度故障診斷模型結(jié)構(gòu)包括卷積層、池化層、lstm層和全連接層，卷積層和池化層用于特征提取，lstm層用于處理時間序列數(shù)據(jù)，全連接層則用于最終的診斷結(jié)果分類。

22、優(yōu)選地，所述正向計算訓練通過以下方法實現(xiàn)：

23、隨機初始化模型的權(quán)重矩陣和偏置參數(shù)；

24、輸入源域數(shù)據(jù)和目標域數(shù)據(jù)到神經(jīng)網(wǎng)絡(luò)的每一層，輸出的診斷結(jié)果，診斷結(jié)果通過以下公式計算：

25、

26、其中，y為輸出的診斷結(jié)果，x為輸入的源域數(shù)據(jù)和目標域數(shù)據(jù)，b為偏置參數(shù)，為激活函數(shù)，激活函數(shù)采用relu函數(shù)、prelu函數(shù)、softmax函數(shù)、swish函數(shù)中的一種；

27、利用損失函數(shù)計算輸出的診斷結(jié)果與真實結(jié)果之間的誤差。

28、優(yōu)選地，所述反向傳播計算通過以下方法實現(xiàn)：

29、計算損失函數(shù)關(guān)于每個模型參數(shù)的梯度，基于獲得的每個模型參數(shù)的梯度，利用梯度下降算法更新神經(jīng)網(wǎng)絡(luò)的模型參數(shù)，具體為：

30、選擇一個初始點θ0，定義θ為模型參數(shù)，θ0為初始化參數(shù)；

31、選擇一個損失函數(shù)l(θ)，它衡量模型參數(shù)θ下的預(yù)測與實際觀測值之間的差異；

32、確定一個適當?shù)膶W習率η，它控制每次迭代更新參數(shù)的步長；

33、迭代更新，對于每個訓練樣本i，計算損失函數(shù)關(guān)于θ的梯度：

34、

35、其中，gi為梯度，xi是輸入的加工數(shù)據(jù)，yi是對應(yīng)的加工精度故障診斷結(jié)果。

36、優(yōu)選地，所述步驟s2具體通過以下方法實現(xiàn)：

37、s21、通過切削刀具的磨損曲線，將切削刀具加工生命周期劃定為磨合期、穩(wěn)態(tài)期、失效期三個區(qū)間，針對磨合期和穩(wěn)態(tài)期，建立刀具磨損與刀具切削力關(guān)聯(lián)模型，所述刀具磨損與刀具切削力關(guān)聯(lián)模型為：

38、

39、其中，i為切削刀具加工生命周期中第i個刀具磨損狀態(tài)，ai為第i個刀具磨損狀態(tài)下的磨損量，其通過圖像分析獲得，fi為第i個刀具磨損數(shù)據(jù)對應(yīng)的切削力，f0為切削刀具的初始切削力，a、b是基于切削刀具的磨損曲線確定的常數(shù)；

40、s22、針對工件表面質(zhì)量圖像，通過灰度化處理獲得灰度圖像，計算灰度圖像的灰度曲面分形維數(shù)，通過不同大小的盒子去覆蓋圖像的灰度平面，計算覆蓋整個灰度曲面所需的盒子數(shù)，然后通過最小二乘法擬合得到分形維數(shù)，將獲得的分形維數(shù)進行歸一化處理后得到工件表面粗造度，將表面粗糙度大于預(yù)設(shè)閾值σ的對應(yīng)的加工數(shù)據(jù)剔除；

41、s23、采用matlab軟件對加工生命周期中的切削力進行估算，分析切削刀具磨損量與切削力增量的非線性關(guān)聯(lián)，定義刀具老化系數(shù)kcutter，kcutter求解模型為：

42、

43、其中，kcutter為刀具老化系數(shù)，c、d為模型參數(shù)；

44、s24、基于原始加工數(shù)據(jù)，建立并訓練刀具磨損功率增量模型：

45、δpik＝pi·i(kcutter)

46、

47、其中，δpik為第k個刀具磨損狀態(tài)與第i個刀具磨損狀態(tài)之間的加工功率增量，pi為第i個刀具磨損狀態(tài)下的加工功率，f(kcutter)是關(guān)于刀具老化系數(shù)的函數(shù)，g、h、n為模型參數(shù)；

48、獲取其他不同工況的加工數(shù)據(jù)，對所述刀具磨損功率增量模型進行驗證，并優(yōu)化模型參數(shù)；

49、基于刀具磨損功率增量模型構(gòu)建功率增量診斷模型，所述功率增量診斷模型的輸入為加工功率及切削刀具磨損量，其輸出為切削加工精度故障診斷結(jié)果。

50、優(yōu)選地，所述刀具磨損狀態(tài)下的磨損量具體通過以下方法獲得：

51、獲取切削刀具圖像，所述切削刀具圖像通過安裝在數(shù)控機床相應(yīng)位置上的ccd相機拍攝獲得；利用圖像特征提取方法提取刀具特征信息，所述刀具特征信息包括刀具輪廓特征、刀具表面紋理特征、刀具磨損區(qū)域紋理特征及刀具磨損區(qū)域邊緣特征；基于所述刀具特征信息，獲得刀具幾何信息以及磨損區(qū)域的位置、幾何信息；基于刀具幾何信息以及磨損區(qū)域的位置、幾何信息，計算磨損區(qū)域的面積以及磨損區(qū)域的深度，然后計算磨損區(qū)域的體積作為磨損量。

52、優(yōu)選地，還包括：在建立刀具磨損功率增量模型后，利用優(yōu)化函數(shù)對刀具磨損功率增量模型進行結(jié)果優(yōu)化，優(yōu)化后的刀具磨損功率增量模型表示為：

53、δpfinal＝pi·f(kcutter)·δ(kcutter,ri)

54、

55、其中，δpfinal優(yōu)化后的功率增量結(jié)果，δ(kcutter，ri)為優(yōu)化函數(shù)，ri為第i個刀具磨損狀態(tài)下所加工工件的表面粗糙度，β為常數(shù)，0<β<0.5。

56、優(yōu)選地，所述步驟s6包括以下分步驟：

57、s61、利用加工精度故障診斷模型對數(shù)控加工過程進行實時診斷，基于功率增量變化判斷是否出現(xiàn)加工精度故障，若是則執(zhí)行步驟s62；

58、s62、獲取對應(yīng)的刀具圖像，通過圖像特征提取獲得刀具輪廓幾何信息和刀具磨損區(qū)域幾何信息；

59、s63、基于刀具輪廓幾何信息和刀具磨損區(qū)域幾何信息，構(gòu)建刀具三維模型；

60、s64、基于刀具磨損區(qū)域幾何信息，將刀具磨損區(qū)域劃分為一組等效平面，在每個等效平面上設(shè)定鋸齒狀激光掃描路徑以形成多個軌跡點；

61、s64、基于每個等效平面上的所有軌跡點，構(gòu)建出激光表面強化路徑；

62、s66、基于刀具輪廓幾何信息建立刀具空間坐標，在刀具空間坐標基礎(chǔ)上，基于刀具磨損區(qū)域幾何信息確定磨損區(qū)域空間坐標，將磨損區(qū)域空間坐標進行坐標轉(zhuǎn)換，轉(zhuǎn)換到機器人工作坐標系，將步驟s64構(gòu)建的激光表面強化路徑轉(zhuǎn)換到機器人工作坐標系，所述機器人工作坐標系為機器人的機械手和激光器共同確定的工作坐標系；

63、s67、基于激光表面強化路徑，機器人控制激光器對刀具磨損區(qū)域進行激光表面強化以實現(xiàn)刀具修復(fù)。

64、采用上述技術(shù)方案后，本發(fā)明與背景技術(shù)相比，具有如下有益效果：

65、1、本發(fā)明基于數(shù)控加工過程的精度故障機理，構(gòu)建和訓練功率增量診斷模型，然后利用遷移學習算法實現(xiàn)在不同加工條件之間的知識高效遷移，重復(fù)利用源域的標記數(shù)據(jù)，構(gòu)建將舊數(shù)據(jù)從源域遷移至目標域的算法，重復(fù)使用深度學習算法在原加工條件中的訓練參數(shù)，能夠有效提高其訓練精度及效率。

66、2、本發(fā)明通過進行實時的數(shù)控加工過程診斷，獲得加工精度故障診斷結(jié)果，并規(guī)劃激光表面強化路徑，對磨損刀具進行及時有效的修復(fù)，一方面確保了數(shù)控加工的加工精度，另一方面也提升了刀具的使用周期和壽命。

67、3、本發(fā)明采用激光表面強化技術(shù)對刀具異常狀態(tài)進行及時修復(fù)，基于刀具磨損圖像激光掃描路徑并轉(zhuǎn)換到激光作業(yè)的工作坐標系中，能夠?qū)崟r指導激光表面強化作業(yè)。

68、4、本發(fā)明通過構(gòu)建邊緣計算分配優(yōu)化算法，利用果蠅算法求解最佳的任務(wù)分配方式并進行任務(wù)調(diào)度，提高了數(shù)控加工過程診斷過程中的運算效率。

69、5、本發(fā)明通過構(gòu)建刀具磨損功率增量模型，充分考慮的刀具磨損對加工功率的影響，基于加工功率增量變化識別加工過程中刀具狀態(tài)發(fā)生重大變化的異常能量模式，對數(shù)控加工過程進行合理性的診斷，提升數(shù)據(jù)診斷的準確性及魯棒性。

70、說明書附圖

71、圖1為本發(fā)明的流程示意圖。