[發(fā)明專利]一種銑削刀具故障監(jiān)測與識別方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 201710383932.2
• 申請日: 2017-05-26
• 公開（公告）號: CN107194427A
• 公開（公告）日: 2017-09-22
• 發(fā)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(chuàng)知識產權代理有限公司33258
• 代理人: 陳加利

技術領域

本發(fā)明涉及機械故障診斷技術領域和計算機技術領域，尤其涉及一種銑削刀具故障監(jiān)測與識別方法及系統(tǒng)。

背景技術

銑削是用旋轉的銑刀作為刀具加工物體表面的一種機械加工方法，一般在銑床或鏜床上進行，除能加工平面、溝槽、輪齒、螺紋和花鍵軸外，還能加工比較復雜的型面，生產效率較高，在機械制造行業(yè)中被廣泛應用。

刀具作為銑削加工過程中最易損傷的部件，對其進行及時有效的狀態(tài)監(jiān)測與故障識別至關重要。據統(tǒng)計，在銑削加工中，刀具故障通常約占機床停機時間的7-20％，而頻繁的停機換刀嚴重影響企業(yè)的生產效率。此外，換刀的時效性直接影響到加工的質量和成本，一方面，若換刀不及時，壞刀會直接影響零件表面光潔度、尺寸精度等質量特性，嚴重的還將導致工件報廢，增加加工成本；另一方面，若過早換刀，刀具還未到其有效使用壽命就丟棄，造成材料的浪費，增加換刀成本。因此，研究在銑削加工過程中進行實時的刀具故障監(jiān)測與識別，對縮減加工成本具有很重要的意義。

目前，學者們開展了大量銑削刀具故障監(jiān)測與識別的研究，已提出了諸多比較有效的識別方法，如快速傅里葉變換、小波分析、人工神經網絡、支持向量機、混合智能等，這為高精度、高可靠的銑削刀具故障識別提供了一定的技術基礎。然而，這些方法都具有一定的局限性，具體表現為：(一)需要在樣本數據量大的前提下開展，否則小樣本情形下訓練效果很差，對刀具故障狀態(tài)的識別無能為力；(二)需要加工信號滿足一定的條件(如平穩(wěn)性、獨立同分布等)，然而卻對銑削刀具信號(具有小樣本、非線性、非平穩(wěn)等特點)的故障識別過程不大適用，常常導致對某些刀具故障識別率高而對其它刀具故障卻無能為力的現象出現，使得總體故障識別精度不高。

發(fā)明內容

本發(fā)明實施例的目的在于提供一種銑削刀具故障監(jiān)測與識別方法及系統(tǒng)，能夠在不增加試驗成本的基礎上，為銑削刀具故障識別過程提供更豐富的樣本集合，并能提高銑削刀具故障識別的整體精度。

為了解決上述技術問題，本發(fā)明實施例提供了一種銑削刀具故障監(jiān)測與識別方法，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(tài)的種類及各種刀具狀態(tài)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(tài)種類組合成樣本后，形成刀具狀態(tài)樣本集，進一步將所述刀具狀態(tài)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(tài)種類作為所述待測銑削刀具的故障類別。

其中，所述刀具狀態(tài)的種類包括正常、中等磨損和嚴重磨損。

其中，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。

其中，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。

本發(fā)明實施例還提供了一種銑削刀具故障監(jiān)測與識別系統(tǒng)，所述系統(tǒng)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(tài)的種類及各種刀具狀態(tài)下所得振動時域信號；