关键词:
智能制造
数控机床
数据采集
SYNTEC数控系统
表面粗糙度分类
快速傅里叶变换
连续小波变换
摘要:
传统五面复合数控(CNC)钻削表面粗糙度测量工作复杂,采用人工测量存在较大人为误差。传统多元回归、多项式拟合方法仅采用转速和进给速度参数,数据利用率低且噪声敏感性强;用传统机器学习方法无法有效提取信号的深层复杂特征。针对上述问题,提出了一种基于ResNet模型、频谱图特征与时频图特征融合的钻削表面粗糙度分类预测方法。首先,根据CNC钻削加工理论和企业实际CNC钻削经验确定了CNC钻削加工实验的工艺参数变量;然后,基于SYNTEC CNC系统开发了多源数据采集系统,实时采集了钻削加工过程数据;接着,分析了三轴振动信号的频谱特征和时频特征,验证了振动信号跟表面粗糙度类别的关联性;随后,采用卡尔曼滤波对三轴振动信号进行了降噪处理,采用快速傅里叶变换(FFT)和连续小波变换(CWT)进行了振动信号频谱热图与时频图转换,采用矩阵拼接对三轴振动信号的单轴时频图进行了拼接融合,得到了三轴振动时频图;最后,对频谱热图和时频图进行了卷积运算融合频谱特征与时频特征,并进行了ResNet和其他网络模型如Densenet、Shufflenet和Mobilenet_v3_small等的对比实验。研究结果表明:相对上述其他网络模型,基于ResNet网络模型的表面粗糙度分类正确率提高了约9%,同时也验证了三轴时频特征融合以及频谱特征和时频特征融合方法的正确性。由于模型训练成本低、训练收敛速度快,该方法在轻量级、低成本的CNC机床钻削表面粗糙度预测分类中具有良好的工业应用前景。