[發明專利]一種銑削刀具故障監測與識別方法及系統

在審

• 申請號: 201710383932.2
• 申請日: 2017-05-26
• 公開（公告）號: CN107194427A
• 公開（公告）日: 2017-09-22
• 發明（設計）人: 周余慶;高晨;任燕;湯何勝;鐘永騰;向家偉
• 申請（專利權）人: 溫州大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;B23Q17/09
• 代理公司: 溫州名創知識產權代理有限公司33258
• 代理人: 陳加利

1.一種銑削刀具故障監測與識別方法，其特征在于，所述方法包括：

在已測銑削刀具的歷史數據中，獲取刀具狀態的種類及各種刀具狀態下所得振動時域信號；

確定所得振動時域信號都需計算的共同特征參數項，并計算所得振動時域信號各自對應所述共同特征參數項的特征值，且將已計算出特征值的振動時域信號與各自對應的刀具狀態種類組合成樣本后，形成刀具狀態樣本集，進一步將所述刀具狀態樣本集劃分得到訓練樣本集和測試樣本集；

在預設的分類算法中選取一定量，得到由所選分類算法構成的基礎弱分類器集，并進一步確定每個所選分類算法各自對應的基礎弱分類器模型；其中，所述每個所選分類算法的基礎弱分類器模型均是采用Bootstrap方法對所述訓練樣本集重復抽樣，并利用重復抽樣得到的子訓練樣本集進行訓練學習而獲得；

利用所述測試樣本集對所述基礎弱分類器集中每個所選分類算法的基礎弱分類器模型分別進行測試，并根據測試結果，計算出每個所選分類算法的基礎弱分類器模型的總正確率，且進一步根據所述計算出的每個所選分類算法的基礎弱分類器模型的總正確率，得到每個所選分類算法的基礎弱分類器模型的權重；

采集待測銑削刀具的振動時域信號，并計算待測銑削刀具的振動時域信號各自對應所述共同特征參數項的特征值，且將已計算出特征值的待測銑削刀具的振動時域信號送入所述每個所選分類算法的基礎弱分類器模型進行分類，得到所述待測銑削刀具的分類結果集；

根據所述每個所選分類算法的基礎弱分類器模型的權重以及所述待測銑削刀具的分類結果集，計算所述待測銑削刀具的類別概率，并進一步篩選出類別概率最大所對應的刀具狀態種類作為所述待測銑削刀具的故障類別。

2.如權利要求1所述的銑削刀具故障監測與識別方法，其特征在于，所述刀具狀態的種類包括正常、中等磨損和嚴重磨損。

3.如權利要求2所述的銑削刀具故障監測與識別方法，其特征在于，所述共同特征參數項由6個時域參數項和4個頻域參數項形成。

4.如權利要求3所述的銑削刀具故障監測與識別方法，其特征在于，所述預設的分類算法包括線性判別分析算法、基于高斯徑向基核的支持向量機算法、k近鄰算法和基于多項式核的支持向量機算法。

5.一種銑削刀具故障監測與識別系統，其特征在于，所述系統包括：

刀具種類及信號獲取單元，用于在已測銑削刀具的歷史數據中，獲取刀具狀態的種類及各種刀具狀態下所得振動時域信號；

刀具狀態樣本構建單元，用于確定所得振動時域信號都需計算的共同特征參數項，并計算所得振動時域信號各自對應所述共同特征參數項的特征值，且將已計算出特征值的振動時域信號與各自對應的刀具狀態種類組合成樣本后，形成刀具狀態樣本集，進一步將所述刀具狀態樣本集劃分得到訓練樣本集和測試樣本集；

模型訓練單元，用于在預設的分類算法中選取一定量，得到由所選分類算法構成的基礎弱分類器集，并進一步確定每個所選分類算法各自對應的基礎弱分類器模型；其中，所述每個所選分類算法的基礎弱分類器模型均是采用Bootstrap方法對所述訓練樣本集重復抽樣，并利用重復抽樣得到的子訓練樣本集進行訓練學習而獲得；

模型權重計算單元，用于利用所述測試樣本集對所述基礎弱分類器集中每個所選分類算法的基礎弱分類器模型分別進行測試，并根據測試結果，計算出每個所選分類算法的基礎弱分類器模型的總正確率，且進一步根據所述計算出的每個所選分類算法的基礎弱分類器模型的總正確率，得到每個所選分類算法的基礎弱分類器模型的權重；

待測刀具分類結果計算單元，用于采集待測銑削刀具的振動時域信號，并計算待測銑削刀具的振動時域信號各自對應所述共同特征參數項的特征值，且將已計算出特征值的待測銑削刀具的振動時域信號送入所述每個所選分類算法的基礎弱分類器模型進行分類，得到所述待測銑削刀具的分類結果集；

待測刀具故障類別識別單元，用于根據所述每個所選分類算法的基礎弱分類器模型的權重以及所述待測銑削刀具的分類結果集，計算所述待測銑削刀具的類別概率，并進一步篩選出類別概率最大所對應的刀具狀態種類作為所述待測銑削刀具的故障類別。

6.如權利要求5所述的銑削刀具故障監測與識別系統，其特征在于，所述刀具狀態的種類包括正常、中等磨損和嚴重磨損。

7.如權利要求6所述的銑削刀具故障監測與識別系統，其特征在于，所述共同特征參數項由6個時域參數項和4個頻域參數項形成。

8.如權利要求7所述的銑削刀具故障監測與識別系統，其特征在于，所述預設的分類算法包括線性判別分析算法、基于高斯徑向基核的支持向量機算法、k近鄰算法和基于多項式核的支持向量機算法。