• ISSN 0258-2724
  • CN 51-1277/U
  • EI Compendex
  • Scopus 收录
  • 全国中文核心期刊
  • 中国科技论文统计源期刊
  • 中国科学引文数据库来源期刊

基于轻量级卷积网络的铣削粗糙度在机监测研究

刘岳开 高宏力 郭亮 由智超 李世超

吕刚, 郭曦临. 电动磁浮列车用直线谐波发电机发电特性计算[J]. 西南交通大学学报, 2023, 58(4): 783-791. doi: 10.3969/j.issn.0258-2724.20210892
引用本文: 刘岳开, 高宏力, 郭亮, 由智超, 李世超. 基于轻量级卷积网络的铣削粗糙度在机监测研究[J]. 西南交通大学学报, 2024, 59(1): 193-200. doi: 10.3969/j.issn.0258-2724.20210959
LYU Gang, GUO Xilin. Calculation of Power Generation Characteristics of Linear Harmonic Generator for Electrodynamic Suspension Maglev Train[J]. Journal of Southwest Jiaotong University, 2023, 58(4): 783-791. doi: 10.3969/j.issn.0258-2724.20210892
Citation: LIU Yuekai, GAO Hongli, GUO Liang, YOU Zhichao, LI Shichao. In-situ Roughness Evaluation of Milling Machined Surface Based on Lightweight Deep Convolutional Neural Network[J]. Journal of Southwest Jiaotong University, 2024, 59(1): 193-200. doi: 10.3969/j.issn.0258-2724.20210959

基于轻量级卷积网络的铣削粗糙度在机监测研究

doi: 10.3969/j.issn.0258-2724.20210959
基金项目: 国家自然科学基金(51775452)
详细信息
    作者简介:

    刘岳开(1994—),男,博士研究生,研究方向为铣削加工状态监测,E-mail:lieuyk@my.swjtu.edu.cn

    通讯作者:

    高宏力(1971—),男,教授,研究方向为智能机械状态监测与故障诊断,E-mail:hongli_gao@swjtu.edu.cn

  • 中图分类号: TP277;TG547

In-situ Roughness Evaluation of Milling Machined Surface Based on Lightweight Deep Convolutional Neural Network

  • 摘要:

    传统机器学习类方法对光源类型、设备安装误差等因素较为敏感,需要反复调试与实验,难以实现规模化生产的自动检测. 针对上述问题,提出了一种铣削粗糙度在机监测方法,有效提升了检测效率和准确性. 首先,采用低感度参数设置的方向梯度直方图特征的候选框提取算子实现铣削工件的定位,并基于点匹配算法校正安装误差;然后,通过清晰度评价指标实现工业相机对焦过程优化;最后,构建了一种面向移动端实时计算的轻量级卷积神经网络模型,可对不同粗糙度工件表面纹理进行分类,并在立铣加工纹理数据集上进行了实验验证. 实验结果表明:相比普通卷积神经网络,在模型复杂度相似的情况下,以乘、加运算次数为指标,提出模型推理所需运算量减少55%;代价敏感函数的引入能有效提升粗糙度识别模型对不平衡数据的稳定性;所提方法与传统机器学习方法相比,在检测帧率、图像分辨率相同的实验条件下,精准率、召回率分别提高了8%、21%.

     

  • 高速磁悬浮列车因具有速度快、爬坡强、噪声小、平稳性好等优点,成为一种新型轨道交通工具. 在磁浮列车高速运行时,由于车体与轨道不接触,所以列车的受流需采用无接触受流方式. 因此,高速磁悬浮列车的辅助供电是关键技术之一,无接触式直线谐波发电机成为重要研究方向[1-3].

    高速磁悬浮列车用直线谐波发电机主要应用于常导电磁悬浮系统(electromagnetic suspension, EMS)和超导电动悬浮系统(electrodynamic suspension, EDS)[4-7]. 电磁悬浮系统直线发电机的研究主要包括:磁悬浮列车低速运行时,向长定子中注入高频电流和在列车的磁极上加绕一组直线发电机线圈,实现磁悬浮列车在低速运行时车载蓄电池的充足供电[8]. 文献[9]利用有限元法构建发电机数学模型,在发电机输出特性基础上,定义了目标函数,并针对目标函数优化发电机的配置,得到输出特性的最优解. 文献[10]利用有限元仿真求解出直线发电机感应电动势. 文献[11]通过解析计算求得发电机的磁通密度以及感应电动势. 文献[12]通过解析计算,推导出直线发电机电阻、电感等主要参数.

    在超导电动悬浮系统领域,文献[13]针对超导电动悬浮系统直线发电机,利用ANSYS有限元软件建立其三维模型,分析其在多运行工况下感应电动势、输出功率等特性. 文献[14]在前者基础之上,补充了超导线圈杜瓦外壳的涡流对直线发电机输出特性的影响,并对杜瓦外壳结构进行优化,优化后的杜瓦外壳能增大集电功率. 文献[15-16]提出直线发电机的电流控制方法,利用瞬时电流补偿无功功率,实现直线发电机等效电路功率因数为1. 文献[17-18]提出用于EDS系统的直线发电机,不但具备发电功能,而且具备调节电动悬浮列车转向架阻尼的特性,磁悬浮列车的悬浮力随集电线圈感应电流的相位变化而变化,通过改变相位获得电磁力,从而提高磁浮列车转向架阻尼. 文献[19]针对改进的集电线圈的尺寸和布置,提出一种采用零序电流控制的直线发电机系统,向集电线圈注入零序电流,在垂直方向产生电磁力,通过试验验证,发现该系统能有效抑制转向架振动. 文献[20]提出一种无传感器的垂向阻尼器,通过向直线发电机集电线圈中注入零序电流以产生垂直方向电磁力,提升转向架阻尼. 目前,对电动悬浮系统直线发电机的研究局限于有限元仿真以及直线发电机的阻尼特性分析,对超导电动悬浮系统直线谐波发电机发电特性的研究不足.

    综上,本文针对超导电动悬浮系统用直线谐波发电机的发电特性(超导线圈磁感应强度、悬浮线圈电流以及谐波磁场、集电线圈感应电动势)展开研究. 以日本山梨线MLX01型磁浮列车作为工程研究对象,提出超导线圈的磁动势分布模型,利用解析计算的方法推导出集电线圈感应电动势,通过与有限元、实测数据的比较,验证解析模型的有效性,该解析模型求解速度快,在电动悬浮系统直线谐波发电机的发电特性分析上具备较大优势,为电动悬浮系统直线发电机的设计和控制提供理论基础.

    超导电动悬浮系统直线发电机的拓扑结构如图1所示. 直线发电机主要由超导线圈、悬浮线圈、集电线圈组成,v为磁浮列车运行速度. 超导线圈安装在磁悬浮列车转向架两侧,集电线圈固定于超导线圈外侧,悬浮线圈位于轨道侧壁,沿线路铺设,用于悬浮和导向功能. 转向架单侧有4个超导线圈,相邻超导线圈的极性相反,一个超导线圈极距下对应一组悬浮线圈和一组集电线圈. 其中,悬浮线圈3个为一组,集电线圈4个为一组.

    图  1  直线谐波发电机结构与安装位置
    Figure  1.  Linear harmonic generator structure and installation location

    电动悬浮系统直线谐波发电机的线圈排布如图2所示. 超导线圈在x轴方向极距为τ,悬浮线圈极距为τ1. 超导线圈长度为a0,悬浮线圈长度为a1. 一组集电线圈由2个R相、1个S相和1个T相组成. R相、S相和T相集电线圈长度分别为a2Ra2Sa2T. S、T两相极距为4τ/15,R相之间极距为x2R.

    图  2  直线谐波发电机的线圈排布
    Figure  2.  Coil arrangement of linear harmonic generator

    直线谐波发电机的运行原理为:高速磁浮列车运行时,通电的超导线圈掠过悬浮线圈,在悬浮线圈内产生感应电动势,从而产生感应电流和磁场 [6]. 同时,集电线圈与悬浮线圈存在相对位移,集电线圈切割悬浮线圈感应磁场,产生感应电动势.

    利用空间谐波法,在xz方向分别构建超导线圈磁动势周期性模型. 其中:x方向为实际存在的超导线圈,z方向为假设存在无限多的超导线圈,如图3所示. 图中:Fx(x)、Fz(z)分别为超导线圈在xz轴方向的磁动势;Fz0(x) 为超导线圈在中心z = z0的磁动势;b0为超导线圈高度;τzz方向极距;Ns为超导线圈匝数;Is为单匝线圈电流.

    图  3  超导线圈磁动势分布模型
    Figure  3.  Magnetomotive force distribution model of superconducting coil

    由于相邻超导线圈极性相反,其磁动势沿x方向分布如图3(a)所示. 超导线圈中心z = z0,将超导线圈磁动势展开为傅里叶级数,如式(1)所示.

    Fz0(x)=m=1axmcos(mπ τx),
    (1)
    axm=1τττFx(x)cos(mπ τx)dx,
    (2)

    式中:axmx轴方向傅里叶级数系数.

    超导线圈磁动势沿z方向分布如图3(b)所示,其傅里叶级数系数aznn = 1,2,3,…)为

    azn=1τzτzτzFz(z)cos(nπ τzz)dz.
    (3)

    由此,可推出超导线圈磁动势在xOz平面的分布为

    F(x,z)=n=1azncos[nπτz(zz0)] = 16NsIsπ2×m=1n=1mncxmczncos(kxmx)cos[kzn(zz0)],
    (4)

    式中:kxm=mπ /τkzn=nπ /τz cxm=sin(kxma0/2)czn=sin(kznb0/2).

    由边界条件和拉普拉斯方程求出超导线圈的标量磁位ψx,y,z),如式(5)所示.

    {ψ(x,0,z)=F(x,z)/2,ψ(x,,z)=0,2ψ(x,y,z)=0.
    (5)

    利用磁位与磁感应强度的关系式,得到超导线圈在y方向的磁感应强度为

    By=μ0ψ(x,y,z)y,
    (6)

    式中:μ0为真空磁导率.

    求解式(6)得

    By=8μ0NsIsπ2m=1n=1mnλmncxmczneλmn(yy0)×cos(kxmx)cos[kzn(zz0)],
    (7)

    式中:λmn=k2xm+k2zny0为超导线圈中心纵坐标.

    超导线圈、集电线圈和悬浮线圈在yOz平面的位置关系如图4所示. 原点为列车转向架中心. 超导线圈中心位置为(x0y0z0),集电线圈中心坐标为(x2y2,0),悬浮线圈中心坐标为(x1y1,0). z1Uz1B分别为悬浮线圈上线圈中心、下线圈中心的z轴坐标;z2Uz2B分别为集电线圈上线圈中心、下线圈中心的z轴坐标.

    图  4  yOz平面内线圈间位置关系
    Figure  4.  Positional relationship between coils in the yOz plane

    悬浮线圈固定于轨道侧壁,与地面保持静止,而超导线圈固定于车体,并随列车一同移动. 设时间t = 0时超导线圈中心正对的悬浮线圈编号为0号,沿x正方向依次为0,1,2,…,第V个悬浮线圈中心的x轴坐标为

    xV=Vτ1vt
    (8)

    式中:τ1为磁浮线圈的极距.

    根据超导线圈的磁场与悬浮线圈存在交链关系,对超导线圈磁场与集电线圈所在区域进行积分,求解得到超导线圈磁感应强度与悬浮线圈上线圈的交链磁通ϕ1U以及超导线圈磁感应强度与悬浮线圈下线圈的交链磁通ϕ1B,分别如式(9)、(10)所示.

    ϕ1U = x1+a1/2x1a1/2z1U+b1/2z1Ub1/2Bydxdz,
    (9)
    ϕ1B = x1+a1/2x1a1/2z1B+b1/2z1Bb1/2Bydxdz,
    (10)

    式中:b1为悬浮线圈上线圈与下线圈的高度.

    超导线圈磁感应强度与悬浮线圈交链的总磁通量为

    ϕ1=ϕ1Bϕ1U.
    (11)

    悬浮线圈电流的回路方程为

    R1iV+L1di1dt=N1dϕ1dt
    (12)

    式中:R1为悬浮线圈电阻; L1为悬浮线圈电感; N1为悬浮线圈的匝数;iV为第V个悬浮线圈感应电流,如式(13)所示.

    iV=N1g1(ω)m=1m(PBPU)cos(mωtmπV/3)
    (13)
    ω=π τv,
    (14)
    g1(ω)=jωR1+jωL1,
    (15)

    式中:ω为悬浮线圈电流的基波频率;g1(ω)为能够反映悬浮线圈的导纳.

    Pi为悬浮线圈与超导线圈间的位置函数,反映了超导和悬浮线圈间的电磁耦合紧密程度,i∈{B,U},U代表上线圈,B代表下线圈.

    Pi=32μ0NsIsττz×n=1λmnSscSleveλmn(y1y2)cos[kzn(z1iz0)],
    (16)

    式中:SscSlev为系数,见式(17).

    {Ssc=sin(kxma0/2)sin(kznb0/2)kxmkzn,Slev=sin(kxma1/2)sin(kznb1/2)kxmkzn.
    (17)

    悬浮线圈电流的谐波分量随时间的变化曲线如图5所示. 由图可知:悬浮线圈电流主要由基波分量和三次谐波分量构成. 本文只考虑悬浮线圈电流的基波分量以及三次谐波分量产生的磁感应强度. 悬浮线圈电流的基波分量幅值IV1、三次谐波分量幅值IV3分别如式(18)、(19)所示.

    图  5  悬浮线圈电流谐波分析
    Figure  5.  Current harmonic analysis of suspension coil
    IV1=N1g1(ω)(PBPU),
    (18)
    IV3=3N1g1(3ω)(PBPU).
    (19)

    悬浮线圈电流的磁感应强度求解步骤和推导超导线圈磁感应强度的方法类似,此处不再赘述. 求解得到基波电流的磁感应强度B11i和三次谐波电流的磁感应强度B13i分别如式(20)、(21)所示.

    B11i={12N1μ0ττzm=1n=1IV1λmnSlevcos[kzn(zz1i)]eλmn|yy1|cos[kxmx(m1)ωt],m = 1,7,13,12N1μ0ττzm=1n=1IV1λmnSlevcos[kzn(zz1i)]eλmn|yy1|cos[kxmx + (m + 1)ωt],m = 5,11,17,
    (20)
    B13i=24N1μ0ττzm=1n=1IV3λ3m,nSlevcos(3mωt+3kxmx)cos(3ωt)cos[kzn(zz1i)]eλmn|yy1|,m=3915.
    (21)

    悬浮线圈电流产生的谐波磁场如图6所示,分析得知:悬浮线圈电流的感应磁场主要由基波磁场、五次谐波磁场构成. 由于基波磁场与随列车一同运动的集电线圈间不存在相对位移,无法在集电线圈中产生感应电动势. 而五次谐波磁场与集电线圈存在相对位移,五次谐波磁场切割集电线圈,继而产生感应电动势. 由于五次以上的高次谐波磁场含量很小,为简化计算,可忽略五次以上谐波磁场,故本文将五次谐波磁场作为发电磁场.

    图  6  悬浮线圈电流产生的谐波磁场
    Figure  6.  Harmonic magnetic field generated by suspension coil current

    令式(20)中m = 5,则五次谐波磁场的磁感应强度如式(22)所示.

    B15i=12N1μ0ττzm=1n=1IV1λmnSleveλmn|yy1|×cos[kzn(zz1i)]cos[kxmx + (m + 1)ωt].
    (22)

    悬浮线圈电流产生的五次谐波磁场在集电线圈所在区域进行积分,求解得到悬浮线圈上、下线圈与集电线圈上、下线圈的交链磁通,如式(23)、(24)所示.

    ϕiU=x2x2R2+a2R2x2x2R2a2R2z2U+b2U2z2Ub2U2B15idxdz,
    (23)
    ϕiB=x2x2R2+a2R2x2x2R2a2R2z2B+b2B2z2Bb2B2B15idxdz,
    (24)

    式中:ϕUU为集电线圈上线圈与悬浮线圈上线圈磁感应强度的交链磁通;ϕBU为集电线圈上线圈与悬浮线圈下线圈磁感应强度的交链磁通;ϕUB为集电线圈下线圈与悬浮线圈上线圈磁感应强度的交链磁通;ϕBB为集电线圈下线圈与悬浮线圈下线圈磁感应强度的交链磁通;b2B为集电线圈下线圈的高度;b2U为集电线圈上线圈的高度.

    R相集电线圈与悬浮线圈五次谐波磁场交链磁通ϕ2如式(25)所示.

    ϕ2=ϕUUϕUB+ϕBBϕBU=48N1μ0ττzm=1n=1IV1λmnSlevKeλmn|y2y1|cos[kxm(x2x2R/2)+6ωt],
    (25)
    K=SUcos[kzn(z1Uz2U)]SUcos[kzn(z1Bz2U)] +SBcos[kzn(z1Bz2B)]SBcos[kzn(z1Uz2B)],
    (26)

    式中:SBSU为系数,见式(27).

    {SB=sin(kxma2R/2)sin(kznb2B/2)kxmkzn,SU=sin(kxma2R/2)sin(kznb2U/2)kxmkzn.
    (27)

    R相集电线圈感应电动势eR与交链磁通ϕ2的关系如式(28)所示.

    eR=dϕ2dt.
    (28)

    推导得出

    eR=288ωN1μ0ττzm=1n=1IV1λmnSlevKeλmn|y2y1|×sin[6ωt+kxm(x2x2u/2)].
    (29)

    由感应电动势表达式可知:感应电动势幅值与列车运行速度相关,其频率是悬浮线圈电流基波频率的6倍. 其余相集电线圈感应电动势求解与上述求解过程类似,此处不再赘述.

    根据日本山梨线电动悬浮系统直线谐波发电机的基本参数[18,21](如表1所示),通过ANSYS有限元软件建立直线谐波发电机的三维有限元仿真模型(如图7所示),且利用日本山梨线实测数据[19,22]进行对比,进一步验证磁动势分布模型、解析公式的正确性. 图8为试验装置图[23].

    表  1  直线谐波发电机基本参数
    Table  1.  Parameters of linear harmonic generator
    线圈参数数值
    集电线圈a2R/mm200
    a2S/mm245
    a2T/mm245
    b2U/mm435
    b2B/mm245
    与超导线圈间距/mm75
    悬浮线圈a1/mm350
    b1/mm340
    N1/匝24
    τ1/mm450
    与超导线圈间距/mm185
    超导线圈a0/mm1070
    b0/mm500
    Ns/匝1400
    τ/mm1350
    Is/A500
    下载: 导出CSV 
    | 显示表格
    图  7  利用ANSYS 2019 R2建立的三维模型
    Figure  7.  3D model created with ANSYS 2019 R2
    图  8  试验装置
    Figure  8.  Test device

    超导线圈磁感应强度By沿着x轴方向分布如图9所示. 可知:两条曲线均呈马鞍形,解析计算峰值为885.7 mT,峰值的有限元结果为875.8 mT,相对误差为1.1%,验证了磁动势分布模型的有效性.

    图  9  超导线圈磁感应强度
    Figure  9.  Magnetic induction intensity of superconducting coil

    列车速度500 km/h,悬浮线圈电流的解析值与有限元仿真的对比如图10所示. 解析计算的峰值为918 A,有限元结果为888 A,相对误差为3.2%,验证了解析模型的正确性.

    图  10  悬浮线圈电流
    Figure  10.  Suspension coil current

    列车速度400 km/h,集电线圈感应电动势的解析值与有限元仿真的对比如图11所示. 感应电动势的解析值为133.0 V,而感应电动势的有限元仿真值为129.5 V,误差为2.6%,且两者相位几乎相等.

    图  11  感应电动势解析计算与有限元仿真对比
    Figure  11.  Comparison between analytical calculation and finite element simulation of induced electromotive force

    集电线圈感应电动势随速度的变化曲线如图12所示. 可知:感应电动势与列车速度呈线性关系,是由于速度大于100 km/h,悬浮线圈谐波磁场趋于饱和,此时感应电动势几乎只与速度相关. 感应电动势的解析值与测试数据相对误差约为10%,验证了本文推导的集电线圈感应电动势公式的有效性.

    图  12  感应电动势解析计算与试验数据对比
    Figure  12.  Comparison between analytical calculation and experimental data of induced electromotive force

    集电功率的解析值、有限元仿真和测试数据的对比如图13所示. 列车速度500 km/h,解析计算得到输出功率为43.3 kW,有限元结果为41.8 kW,试验数据为39.5 kW. 解析结果与试验数据之间平均误差为8.0%,有限元与试验数据平均误差为5.5%. 列车速度380 km/h,直线谐波发电机达到25.0 kW的目标集电功率,此时能够满足车载供电需求,证明了直线谐波发电机作为高速磁悬浮系统辅助供电的可靠性.

    图  13  集电功率解析计算与有限元、试验对比
    Figure  13.  Comparison of collector powers between analytical calculation, finite element simulation and experimental data

    图14(a)描述了列车速度500 km/h,悬浮线圈电流及其磁感应强度随速度的变化曲线. 由图可知:悬浮线圈电流先随速度增加,在速度约大于100 km/h后进入饱和区段,其数值基本保持恒定的910 A. 而悬浮线圈电流产生的磁感应强度类似,磁感应强度先随速度增大,在速度大于100 km/h后趋于饱和,其数值基本恒定在52.7 mT.

    图  14  悬浮线圈电流及其磁感应强度
    Figure  14.  Suspension coil current and its magnetic induction

    图14(b)描述了列车速度500 km/h,悬浮线圈电流谐波磁场的磁感应强度随速度的变化曲线. 基波、五次、七次谐波磁场的磁感应强度变化趋势类似,均在速度大于100 km/h后进入饱和区段.

    这是由于随着列车速度提升,悬浮线圈中的磁通变化率增大,使得悬浮线圈电流以及磁感应强度随之增大. 然而,列车速度不断提升,悬浮线圈的趋肤效应的影响随之变大,增加了悬浮线圈的有效电阻,使悬浮线圈电流的缓慢变化,同时也使其磁感应强度在高速区段近乎饱和[7].

    图15(a)描述了不同运行速度下,集电线圈感应电动势随时间的变化曲线. 随着列车速度增大,感应电动势和频率随之增大. 这是由于感应电动势频率为6ω,由ω=kx1v得知,感应电动势频率与列车速度成正比关系. 图15(b)描述了列车速度500 km/h,集电线圈各相感应电动势随时间的变化. 图15(c)描述了三相集电线圈感应电动随速度变化关系. 集电线圈的三相电压相位互差120°,R相感应电动势幅值略小于S/T相,是由集电线圈尺寸大小所决定. 三相感应电动势不平衡,连接时会存在零序电流,将零序电流注入集电线圈能够产生电磁力,提升转向架阻尼,进而衰减磁悬浮列车运行时转向架的振动.

    图  15  集电线圈感应电动势
    Figure  15.  Induced electromotive force of collector coil

    以日本山梨线MLX01为研究对象,通过与日本山梨线实测数据和有限元结果的比较验证了模型的有效性. 结论如下:

    1) 基于空间谐波法构建的超导线圈磁动势分布模型,解析求解的超导线圈磁感应强度和有限元结果的曲线高度吻合,验证了磁动势模型的有效性.

    2) 超导电动悬浮系统用直线谐波发电机感应发电主要利用悬浮线圈电流的五次谐波磁场,且感应电动势的频率是悬浮线圈电流基波频率的6倍. 磁浮列车速度大于100 km/h,由于趋肤效应的影响,悬浮线圈电流以及其磁感应强度趋于饱和.

    3) 集电线圈感应电动势与速度呈线性关系,感应电动势大小主要与列车运行速度、超导线圈极距相关和磁动势相关. 随着列车速度增加,速度约为380 km/h时,集电功率达到25.0 kW,此时便达到车载供电需求. 通过将感应电动势、功率的解析值与有限元、试验数据进行对比,验证了本文解析模型的正确性.

  • 图 1  可分离卷积结构

    Figure 1.  Structure of separable convolution

    图 2  立铣粗糙度在线监测模型构建

    Figure 2.  In-situ roughness evaluation model of end milling

    图 3  直方图均衡化前后纹理图像对比

    Figure 3.  Comparison of texture images before and after histogram equalization

    图 4  基于HOG直方图统计信息的特征提取示意

    Figure 4.  Feature extraction based on HOG

    图 5  特征点匹配结果

    Figure 5.  Feature point matching results

    图 6  代价敏感损失中置信度与损失值之间变化关系

    Figure 6.  Relationships between confidence and loss value in cost-sensitive loss

    图 7  不同倍率、粗糙度下铣削纹理图样

    Figure 7.  Texture images under different microscopic magnifications and roughness levels

    图 8  立铣加工监测实验的纹理图像采集与标注

    Figure 8.  Texture image collection and labeling in end milling monitoring experiment

    图 9  刀具进展性磨损下粗糙度变化

    Figure 9.  Roughness change under progressive tool wear

    图 10  不同清晰度指标的采集过程响应曲线

    Figure 10.  Responding curves of collection process with different clarity indexes

    图 11  提出模型的训练过程可视化

    Figure 11.  Training visualization of the proposed network

    图 12  对比实验的混淆矩阵

    Figure 12.  Confusion matrices for comparative experiment

    表  1  监测实验工况设置明细

    Table  1.   Details of monitoring experiment

    工况主轴转速/
    (r·min−1
    进给速度/
    (mm·min−1
    切削深度/mm刀具
    类型
    机床
    型号
    130002001C1KVC650
    240002001C2KVC650
    320002000.5C2VMC850
    下载: 导出CSV

    表  2  可分离卷积结构的消融实验结果

    Table  2.   Ablation experiment for separable convolution

    模型结构推理速度/ms准确率/%
    普通卷积33.777.6
    可分离卷积(α=0.2)25.275.7
    可分离卷积 2(α=0.3)25.172.1
    下载: 导出CSV

    表  3  普通交叉熵损失和代价敏感损失函数测试结果

    Table  3.   Test results of standard cross-entropy and cost-sensitive loss %

    损失函数精准率召回率
    工况 1工况 3工况 1工况 3
    普通交叉熵79.177.580.278.3
    代价敏感损失78.779.980.680.3
    下载: 导出CSV

    表  4  模型性能评估测试

    Table  4.   Model performance evaluation

    方法P/%R/%计算时间/(s·帧−1
    GLCM + SVM (RBF)73.765.30.208
    GLCM + SVM (linear)73.265.50.208
    GLCM + RF73.465.10.208
    提出方法81.686.20.150
    下载: 导出CSV
  • [1] RIFAI A P, FUKUDA R, AOYAMA H. Surface roughness estimation and chatter vibration identification using vision-based deep learning[J]. Journal of the Japan Society for Precision Engineering, 2019, 85(7): 658-666. doi: 10.2493/jjspe.85.658
    [2] SHI W S, CAO J, ZHANG Q, et al. Edge computing: vision and challenges[J]. IEEE Internet of Things Journal, 2016, 3(5): 637-646. doi: 10.1109/JIOT.2016.2579198
    [3] WANG B, LEI Y G, YAN T, et al. Recurrent convolutional neural network: a new framework for remaining useful life prediction of machinery[J]. Neurocomputing, 2020, 379: 117-129. doi: 10.1016/j.neucom.2019.10.064
    [4] 高宏力,李登万,许明恒. 基于人工智能的丝杠寿命预测技术[J]. 西南交通大学学报,2010,45(5): 685-691. doi: 10.3969/j.issn.0258-2724.2010.05.006

    GAO Hongli, LI Dengwan, XU Mingheng. Intelligent monitoring system for screw life evaluation[J]. Journal of Southwest Jiaotong University, 2010, 45(5): 685-691. doi: 10.3969/j.issn.0258-2724.2010.05.006
    [5] ZHANG L, GUO L, GAO H L, et al. Instance-based ensemble deep transfer learning network: a new intelligent degradation recognition method and its application on ball screw[J]. Mechanical Systems and Signal Processing, 2020, 140: 106681.1-106681.14.
    [6] PAPANDREA P J, FRIGIERI E P, MAIA P R, et al. Surface roughness diagnosis in hard turning using acoustic signals and support vector machine: a PCA-based approach[J]. Applied Acoustics, 2020, 159: 107102.1-107102.9.
    [7] PLAZA E G, NÚÑEZ LÓPEZ P J. Surface roughness monitoring by singular spectrum analysis of vibration signals[J]. Mechanical Systems and Signal Processing, 2017, 84: 516-530. doi: 10.1016/j.ymssp.2016.06.039
    [8] TANGJITSITCHAROEN S, THESNIYOM P, RATANAKUAKANGWAN S. Prediction of surface roughness in ball-end milling process by utilizing dynamic cutting force ratio[J]. Journal of Intelligent Manufacturing, 2017, 28(1): 13-21. doi: 10.1007/s10845-014-0958-8
    [9] RIFAI A P, AOYAMA H, THO N H, et al. Evaluation of turned and milled surfaces roughness using convolutional neural network[J]. Measurement, 2020, 161: 107860.1-107860.11.
    [10] KRIZHEVSKY A, SUTSKEVER I, HINTON G E. Imagenet classification with deep convolutional neural networks[J]. Communications of the ACM, 2017, 60(6): 84-90.
    [11] HE K M, ZHANG X Y, REN S Q, et al. Deep residual learning for image recognition[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas: IEEE, 2016: 770-778.
    [12] 夏毅敏,李清友,邓朝辉,等. 基于轻量级模型的隧道岩性快速识别方法[J]. 西南交通大学学报,2021,56(2): 420-427.

    XIA Yimin, LI Qingyou, DENG Chaohui, et al. Rapid identification method for lithology of tunnel based on lightweight model[J]. Journal of Southwest Jiaotong University, 2021, 56(2): 420-427.
    [13] BHAT N N, DUTTA S, PAL S K, et al. Tool condition classification in turning process using hidden Markov model based on texture analysis of machined surface images[J]. Measurement, 2016, 90: 500-509. doi: 10.1016/j.measurement.2016.05.022
    [14] DATTA A, DUTTA S, PAL S K, et al. Progressive cutting tool wear detection from machined surface images using Voronoi tessellation method[J]. Journal of Materials Processing Technology, 2013, 213(12): 2339-2349. doi: 10.1016/j.jmatprotec.2013.07.008
    [15] CHANG S I, RAVATHUR J S. Computer vision based non-contact surface roughness assessment using wavelet transform and response surface methodology[J]. Quality Engineering, 2005, 17(3): 435-451. doi: 10.1081/QEN-200059881
    [16] DUTTA S, PAL S K, SEN R. Progressive tool condition monitoring of end milling from machined surface images[J]. Proceedings of the Institution of Mechanical Engineers, Part B: Journal of Engineering Manufacture, 2018, 232(2): 251-266. doi: 10.1177/0954405416640417
    [17] RIFAI A P, FUKUDA R, AOYAMA H. Image based identification of cutting tools in turning-milling machines[J]. Journal of the Japan Society for Precision Engineering, 2019, 85(2): 159-166. doi: 10.2493/jjspe.85.159
    [18] LIU Y K, GUO L, GAO H L, et al. Machine vision based condition monitoring and fault diagnosis of machine tools using information from machined surface texture: a review[J]. Mechanical Systems and Signal Processing, 2022, 164: 108068.1-108068.30.
    [19] NATHAN D, THANIGAIYARASU G, VANI K. Study on the relationship between surface roughness of AA6061 alloy end milling and image texture features of milled surface[J]. Procedia Engineering, 2014, 97: 150-157. doi: 10.1016/j.proeng.2014.12.236
  • 加载中
图(12) / 表(4)
计量
  • 文章访问数:  488
  • HTML全文浏览量:  139
  • PDF下载量:  74
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-11-22
  • 修回日期:  2022-04-21
  • 网络出版日期:  2023-02-07
  • 刊出日期:  2022-04-27

目录

/

返回文章
返回