基于多尺度-高效通道注意力网络的刀具故障诊断方法

doi:10.3901/JME.2024.06.082

机械工程学报 ›› 2024, Vol. 60 ›› Issue (6): 82-90.doi: 10.3901/JME.2024.06.082

• 特邀专栏：数据-知识混合驱动的智能制造系统 • 上一篇下一篇

扫码分享

基于多尺度-高效通道注意力网络的刀具故障诊断方法

狄子钧¹, 袁东风¹, 李东阳¹, 梁道君¹, 周晓天², 信苗苗³, 曹凤³, 雷腾飞³

1. 山东大学信息科学与工程学院济南 250100;
2. 山东大学控制科学与工程学院济南 250061;
3. 齐鲁理工学院机电工程学院济南 250200

收稿日期:2023-11-05 修回日期:2024-01-20 出版日期:2024-03-20 发布日期:2024-06-07
通讯作者: 袁东风，男，博士，教授，博士研究生导师。主要研究方向为新一代信息技术，柔性制造。E-mail：dfyuan@sdu.edu.cn
作者简介:狄子钧，男，1997年出生。主要研究方向为深度学习。E-mail：d75du@mail.sdu.edu.cn
基金资助:
山东省重大科技创新工程“面向机床制造领域的新型自适应生产系统关键技术研发及应用示范”资助项目(2019JZZY010111)。

Tool Fault Diagnosis Method Based on Multiscale-efficient Channel Attention Network

DI Zijun¹, YUAN Dongfeng¹, LI Dongyang¹, LIANG Daojun¹, ZHOU Xiaotian², XIN Miaomiao³, CAO Feng³, LEI Tengfei³

1. School of Information Science and Engineering, Shandong University, Jinan 250100;
2. School of Control Science and Engineering, Shandong University, Jinan 250061;
3. School of Mechanic and Electronic Engineering, Qilu Institute of Technology, Jinan 250200

Received:2023-11-05 Revised:2024-01-20 Online:2024-03-20 Published:2024-06-07

摘要/Abstract

摘要： 目前，生产加工流程正向着智能化迈进，设备的故障诊断及预测性维护在保障企业生产效率，降低生产成本方面起着至关重要的作用。刀具作为数控机床的切削工具，其实时健康状态直接影响着机床的加工效率和产品质量。对刀具磨损状态的精准监测有助于避免因刀具失效导致的产品质量问题。基于此背景，研究一种基于深度学习的刀具故障诊断方法，将高效通道注意力应用到多尺度卷积神经网络中，提出基于多尺度-高效通道注意力网络的刀具故障诊断方法，利用通道特征学习将机床主轴不同方向的振动信号进行自适应的特征融合，从而提升刀具磨损状态诊断精度。此外，设计刀具磨损试验平台，用于采集符合实际生产的数据，在实际生产场景中验证所提算法的性能。试验结果表明，所提出方法较多尺度网络的刀具故障诊断准确率提高4.47%。

关键词: 刀具故障诊断, 多尺度卷积神经网络, 高效通道注意力, 特征融合, 智能制造

Abstract: Currently, the production process is moving towards intelligence, the equipment fault diagnosis and predictive maintenance play a vital role in ensuring the production efficiency and reducing the production cost. As the milling tool of CNC machine tool, the health state of the machine tool directly affects the processing efficiency and product quality. Precise monitoring of tool wear condition is helpful to avoid product quality problems caused by tool failure. Therefore, A tool fault diagnosis method based on deep learning, which applies the efficient channel attention to the multiscale convolutional neural network. The tool fault diagnosis method based on multiscale-efficient channel attention network (MS-ECA Net) is proposed. MS-ECA Net uses channel feature learning to adaptively fuse the vibration signals of the machine tool spindle in different directions, so as to improve the accuracy of tool wear state diagnosis. In addition, in order to verify the performance of the proposed algorithm in the actual production scenario, A tool wear test platform to collect the data in line with the actual production, and uses the data to verify the performance of the proposed algorithm. Experiment results show that the proposed method improves the accuracy of tool fault diagnosis by 4.47%.

Key words: tool fault diagnosis, convolutional neural networks, channel attention, feature fusion, intelligent manufacturing

中图分类号:

TH165

狄子钧, 袁东风, 李东阳, 梁道君, 周晓天, 信苗苗, 曹凤, 雷腾飞. 基于多尺度-高效通道注意力网络的刀具故障诊断方法[J]. 机械工程学报, 2024, 60(6): 82-90.

DI Zijun, YUAN Dongfeng, LI Dongyang, LIANG Daojun, ZHOU Xiaotian, XIN Miaomiao, CAO Feng, LEI Tengfei. Tool Fault Diagnosis Method Based on Multiscale-efficient Channel Attention Network[J]. Journal of Mechanical Engineering, 2024, 60(6): 82-90.

参考文献

[1] REHORN G，JIANG J，ORBAN E. State-of-the-art methods and results in tool condition monitoring：A review[J]. The International Journal of Advanced Manufacturing Technology，2005，26(7-8)：693-710.
[2] ZHIWEI G，CARLO C，STEVEN D. A survey of fault diagnosis and fault-tolerant techniques-Part I：Fault diagnosis with model-based and signal-based approaches[J]. IEEE Transactions on Industrial Electronics，2015，62(6)：3757-3767.
[3] LUO B，WANG H，LIU H，et al. Early fault detection of machine tools based on deep learning and dynamic identification[J]. IEEE Transactions on Industrial Electronics，2018，66(1)：509-518.
[4] SUSANTO A，LIU H，YAMADA K，et al．Application of Hilbert-Huang transform for vibration signal analysis in end-milling[J]. Precision Engineering，2018，53：263-277.
[5] GOMATHI K，BALAJI A. Tool condition monitoring of PCB milling machine based on vibration analysis[J]. Materials Today：Proceedings，2021，45：3386-3397.
[6] PATANGE D，JEGADEESHWARAN R. Review on tool condition classification in milling：A machine learning approach[J]. Materials Today：Proceedings，2021,46：1106-1115.
[7] DHOBALE N，MULIK S，JEGADEESHWARAN R，et al. Multipoint milling tool supervision using artificial neural network approach[J]. Materials Today：Proceedings，2021，45：1898-1901.
[8] PATANGE D，JEGADEESHWARAN R. A machine learning approach for vibration-based multipoint tool insert health prediction on vertical machining centre (VMC)[J]. Measurement，2021，173：108649.
[9] 雷亚国，贾峰，孔德同，等. 大数据下机械智能故障诊断的机遇与挑战[J]. 机械工程学报，2018，54(5)：94-104. LEI Yaguo，JIA Feng，KONG Detong，et al. Opportunities and challenges of machinery intelligent fault diagnosis in big data era[J]. Journal of Mechanical Engineering，2018，54(5)：94-104.
[10] REZAEIANJOUYBARI B，SHANG Y. Deep learning for prognostics and health management：State of the art，challenges，and opportunities[J]. Measurement，2020，163：107929.
[11] JIAO J，ZHAO M，LIN J，et al. A comprehensive review on convolutional neural network in machine fault diagnosis[J]. Neurocomputing，2020，417：36-63.
[12] YAN R，CHEN X，WANG P，et al. Deep learning for fault diagnosis and prognosis in manufacturing systems[J]. Computers in Industry，2019，110：1-2.
[13] 文成林，吕菲亚. 基于深度学习的故障诊断方法综述[J]. 电子与信息学报，2020，42(1)：234-248. WEN Chenglin，LÜ Feiya. Review on deep learning based fault diagnosis[J]. Journal of Electronics and Information Technology，2020，42(1)：234-248.
[14] HUANG Z，ZHU J，LEI J，et al. Tool wear predicting based on multi-domain feature fusion by deep convolutional neural network in milling operations[J]. Journal of Intelligent Manufacturing，2020，31(4)：953-966.
[15] HSIEH H，LU C，CHIOU J. Application of backpropagation neural network for spindle vibration-based tool wear monitoring in micro-milling[J]. The International Journal of Advanced Manufacturing Technology，2012，61(1-4)：53-61.
[16] HU Zhongxu，WANG Yan，GE Mingfeng，et al. Data-driven fault diagnosis method based on compressed sensing and improved multiscale network[J]. IEEE Transactions on Industrial Electronics，2019，67(4)：3216-3225.
[17] WANG Q，WU B，ZHU P，et al. ECA-Net：Efficient channel attention for deep convolutional neural networks[C]//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)，Seattle，WA，USA，2020，pp. 11531-11539.
[18] 中华人民共和国国家质量监督检验检疫总局，中国国家标准化管理委员会. GB/T 16460-2016立铣刀寿命试验[S]. 北京：中国标准出版社，2010. General administration of quality supervision，inspection and quarantine of the people’s Republic of China，standardization administration of the people’s Republic of China. 16460-2016 End milling cutter life test[S]. Beijing：Standards Press of China，2010.
[19] LI X，LIM S，ZHOU H，et al. Fuzzy neural network modelling for tool wear estimation in dry milling operation[J]. Proceedings of the Annual Conference of the PHM Society，2009，1(1)：1-11.

编辑推荐

Metrics

阅读次数

全文

323

HTML			PDF

最新录用	在线预览	正式出版	最新录用	在线预览	正式出版
0	0	0	0	0	323

来源	本网站	其他网站

次数	254	69
比例	79%	21%

摘要

291

最新录用	在线预览	正式出版

0	0	291

来源	本网站	其他网站

次数	126	165
比例	43%	57%

基于多尺度-高效通道注意力网络的刀具故障诊断方法

Tool Fault Diagnosis Method Based on Multiscale-efficient Channel Attention Network

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	张党, 赵永宣, 王振军, 张映锋. 数据-知识混合驱动的离散制造系统智能控制体系构架研究[J]. 机械工程学报, 2024, 60(6): 1-10,20.
[2]	王跃飞, 王超, 许于涛, 孙睿, 肖锴, 王凯林. 边-云协同下智能制造单元作业的数字孪生任务调度方法[J]. 机械工程学报, 2024, 60(6): 137-152.
[3]	苏建涛, 董绍华, 朱诗敏. 多目标混合流水车间机器故障重调度问题研究[J]. 机械工程学报, 2024, 60(4): 438-448.
[4]	王耀南, 谢核, 邓晶丹, 毛建旭, 李文龙, 张辉. 智能制造测量机器人关键技术研究综述[J]. 机械工程学报, 2024, 60(16): 1-18.
[5]	王文波, 张映锋, 顾寄南, 张耿, 完严. 数据驱动的离散制造系统性能退化机理建模与预测控制方法研究[J]. 机械工程学报, 2024, 60(16): 400-411.
[6]	王润琼, 宋清华, 彭业振, 刘战强. 基于特征自适应融合和集成学习的高性能铣削刀具状态监测[J]. 机械工程学报, 2024, 60(1): 149-158.
[7]	郑湃, 李成熙, 殷悦, 张荣, 鲍劲松, 王柏村, 谢海波, 王力翚. 增强现实辅助的互认知人机安全交互系统[J]. 机械工程学报, 2023, 59(6): 173-184.
[8]	常建涛, 乔子萱, 孔宪光, 杨胜康, 罗才文. 多维非线性特征重构与融合的复杂产品工期预测方法[J]. 机械工程学报, 2023, 59(6): 295-309.
[9]	丁明娜, 刘献礼, 岳彩旭, 范梦超, 顾浩. 面向智能制造过程的刀具设计、制备与管控技术[J]. 机械工程学报, 2023, 59(19): 429-459.
[10]	汪俊亮, 高鹏捷, 张洁, 王力翚. 制造大数据分析综述：内涵、方法、应用和趋势[J]. 机械工程学报, 2023, 59(12): 1-16.
[11]	周祖德, 姚碧涛, 谭跃刚, 刘明尧, 李天梁, 魏勤. 光纤传感在制造领域应用的分析与思考[J]. 机械工程学报, 2022, 58(8): 3-26.
[12]	臧冀原, 刘宇飞, 王柏村, 苗仲桢, 薛塬, 李培根. 面向2035的智能制造技术预见和路线图研究[J]. 机械工程学报, 2022, 58(4): 285-304.
[13]	江星星, 彭德民, 沈长青, 刘颉, 郭剑峰, 朱忠奎. 快速固有成分滤波特征融合的轴承故障诊断方法[J]. 机械工程学报, 2022, 58(22): 129-139.
[14]	兰箭, 钱东升, 邓加东, 华林. 高性能环类零件绿色智能轧制的研究进展[J]. 机械工程学报, 2022, 58(20): 186-197.
[15]	姚锡凡, 马南峰, 张存吉, 周佳军. 以人为本的智能制造：演进与展望[J]. 机械工程学报, 2022, 58(18): 2-15.