[發明專利]一種大型數控銑床刀具磨損程度識別方法

有效

• 申請號: 201410321361.6
• 申請日: 2014-07-07
• 公開（公告）號: CN104050340B
• 公開（公告）日: 2017-02-08
• 發明（設計）人: 周余慶;李峰平;梁薇薇;鄭靜
• 申請（專利權）人: 溫州大學
• 主分類號: G06F17/50
• 分類號: G06F17/50
• 代理公司: 北京中北知識產權代理有限公司11253
• 代理人: 段秋玲

1.一種大型數控銑床刀具磨損程度識別方法，其特征在于，包括以下步驟：

(1)采集大型數控銑床在M種刀具磨損狀態下的振動時域信號；從每種磨損狀態的振動時域信號中截取連續的采樣數為t的不重疊的S組信號；并利用快速傅里葉變換將每組時域信號的波形轉換成頻域分布；其中M、t和S均為大于1的正整數；

(2)分別計算每種磨損狀態下S組信號數據的8個時頻域無量綱統計特征參數，組合成樣本數據集{(C_i，m_i)}(i＝1,2,…,N，N＝M×S)，其中C_i＝{c_i1,c_i2,…,c_i8}為第i個樣本的特征參數集，m_i為C_i對應的刀具后刀面最大磨損量；

其中，所述8個時頻域無量綱統計特征參數，包括4個時域無量綱統計參數(C_i1、C_i2、C_i3、C_i4)和4個頻域無量綱統計參數(C_i5、C_i6、C_i7、C_i8)；設第i個樣本信號數據為：x_i＝{x_i1,x_i2,...,x_in}，經過FFT變換后的頻域信號數據為f_i＝{f_i1,f_i2,...,f_in}，Ci1=xi-rmsx‾i,]]>Ci2xi-mxi-rms,]]>Ci3=1Si3Σk=1n(xik-x‾i)3n-1,]]>Ci4=1Si4Σk=1n(xik-x‾i)4n-1-3,]]>Ci5=Ni-0Ni-m,]]>Ci6=Pi-mPi-rms,]]>Ci7=Σk=1n/2(fik-fi-m)·PikΣk=1n/2Pik,]]>Ci8=Σk=n/4n/2PikΣk=1n/4Pik;]]>

x_ik為樣本點x_i的第k個信號，n為樣本點x_i的數據量，xi-rms=1nΣk=1nxik2,]]>x_i-m＝max{x_ik|k＝1,…,n}，Si=1n-1Σk=1n(xik-x‾i)2,]]>P_ik為頻率f_ik的功率譜，P_i-m＝max{P_ik|k＝1,…,n}，Ni-m=Σk=1n/2{fik4·Pik}Σk=1n/2{fik2·Pik},]]>Ni-0=Σk=1n/2{fik2·Pik}Σk=1n/2Pik,]]>Pi-rms=1n/2Σk=1n/2Pik2;]]>

(3)結合留一交叉驗證建立尺度參數ε的數學優化模型，根據樣本數據集Ω，采用優化搜索算法對尺度參數ε進行尋優，找出使得目標函數取值最小的ε取值；

(4)根據擴散映射(DM)方法的降維原理，構造樣本數據集的鄰接矩陣W＝{w_ij}_N×N：w_ij＝exp(-||C_i-C_j||²/ε)；

其中為C_i和C_j的歐氏距離；然后，對W按行進行標準化處理，令W′＝{w′_ij}，

(5)求解W′的特征值和特征向量：W′φ_k＝λ_kφ_k，λ_k為W′的第k個最大特征值，且有1＝λ₀＞λ₁＞λ₂＞…，φ_k為特征值λ_k對應的單位特征向量；根據預先設定的降維維數K選取特征值：Λ＝{λ₁,λ₂,…,λ_K}，對應的特征向量構成映射矩陣Ω＝{φ₁,φ₂,…,φ_K}_N×K；

(6)計算各樣本點在映射矩陣Ω下的映射坐標：

φ(C_i)＝{φ_k(C_i),k＝1,2,…,K}，φk(Ci)=1N·λkΣj=1Nexp(-||Ci-Cj||2/ϵ)·φjk]]>

φ_k(C_i)為C_i在映射Ω下的第k個分量，φ_jk為φ_k的第j個分量；

(7)每隔固定時間間隔采集一次大型數控銑床在運行狀態下的振動時域信號，構成待診斷信號X；并將時域波形轉換成頻域分布；然后，計算待診斷信號數據的8個時頻域統計特征參數C(X)＝{C_X1,C_X2,…,C_X8}；

(8)對X進行Nystrom擴展，計算X在映射矩陣Ω下的映射坐標：

φ(X)＝{φ_k(X),k＝1,2,…,K}，φk(X)=1N·λkΣj=1Nexp(-||C(X)-Cj||2/ϵ)·φjk]]>

(9)對X進行核回歸分析，得到對應的磨損程度值，即后刀面最大磨損量估計值為：

2.根據權利要求1所述的大型數控銑床刀具磨損程度識別方法，其特征在于，步驟(3)中采用禁忌搜索算法對尺度參數ε進行尋優，具體包括如下步驟：

(3.1)確定包含尺度參數ε的核函數為：

Kϵ(Ci,Cj)=exp(-||Ci-Cj||2/ϵ)/2π,]]>其中C_i和C_j為樣本點；

(3.2)采用留一交叉驗證法，計算各樣本點的磨損程度估計值：

(3.3)建立關于尺度參數ε的數學優化模型：

MinZ(ϵ)=1NΣi=1N(mi-m^i(ϵ))2,ϵ∈(0,1)]]>

(3.4)采用禁忌搜索對上述數學模型進行優化求解，得出使得預測誤差最小的尺度參數ε取值。