[發明專利]滾刀磨損在位識別模型建模方法及滾刀磨損在位識別方法

有效

• 申請號: 202010761934.2
• 申請日: 2020-07-31
• 公開（公告）號: CN111881860B
• 公開（公告）日: 2022-05-03
• 發明（設計）人: 鄒政;曹汝朋;陳偉;邢鑌;周康渠;屈清;唐蔗湛
• 申請（專利權）人: 重慶理工大學;重慶工業大數據創新中心有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08;G06N3/00;G06K9/62
• 代理公司: 重慶博凱知識產權代理有限公司 50212
• 代理人: 胡逸然

1.一種滾刀磨損在位識別模型建模方法，其特征在于，包括如下步驟：

S101、制作實驗滾刀，所述實驗滾刀包括多個磨損程度不同的磨損區域；

S102、搭建數據采集平臺，所述數據采集平臺用于采集滾齒加工過程中滾刀主軸電機的三相電流信號、刀架與工作臺在X方向上的中心距變化值及加工前的齒坯余量；

S103、基于熱誤差補償程序及竄刀程序對多個齒坯進行滾齒加工，并利用數據采集平臺采集數據，采集的數據中包括了每個磨損區域的所有加工周期內的數據；

S104、將采集的數據分為多個樣本并記錄每個樣本對應的滾刀磨狀態，每個樣本對應一個齒坯滾齒加工的全周期；

S105、提取每個樣本的滾刀主軸電機的三相電流信號的特征，得到高維特征數據集；

S106、基于各種特征的基尼系數，去除高維特征數據集中敏感系數低于預設系數閾值的特征，并且加入熱變形值集與齒坯余量不均勻性表征值得到純化特征數據集；

S107、采用多層限制玻爾茲曼機建立滾刀磨損在位識別模型，所述滾刀磨損在位識別模型包括深度自編碼器及BP神經網絡，利用純化特征數據集對所述深度自編碼器進行參數優化，所述深度自編碼器的輸入為純化特征數據集，輸出每種磨損區域對應的表征信號特征基作為BP神經網絡的輸入，所述BP神經網絡的輸出為滾刀磨損程度信息；其中，深度自編碼器的參數優化過程包括：

S701、將純化特征數據集中的特征線型歸一化；

S702、設置深度自編碼器的批量大小為B，B為樣本數的整數倍，對稱性權值，W_ij表示第i個樣本的第j種特征的對稱性權值，輸入層和輸出層都被隨機地賦值為(0,1)之間的值；

S703、將特征線型歸一化后的純化特征數據集作為輸入部輸入深度自編碼器，計算對稱性權值的修改量，并基于修改量更新對稱性權值，重復執行步驟S703直到重建誤差收斂；

S704、對各層限制玻爾茲曼機進行參數優化；基于本層限制玻爾茲曼機的學習率a和動量率b確定本層限制玻爾茲曼機的批量大小和隱含層神經元數的搜索范圍與尋優步長，對本層對應的重建誤差進行格點搜索仿真，第一層限制玻爾茲曼機的學習率和動量率的初始值在(0,1)范圍內隨機選取；格點搜索不同精度下的批量大小和隱含層神經元數組合的擬合效果，經過格點尋優得到的全局最優結果確定批量大小c和隱層神經元數d；基于批量大小c和隱層神經元數d確定學習率和動量率的搜索范圍和尋優步長，格點搜索的批量大小和隱含層神經元數組合的擬合效果，經過格點尋優得到的全局最優結果確定新的學習率a和動量率b。

2.如權利要求1所述的滾刀磨損在位識別模型建模方法，其特征在于，所述實驗滾刀上沿轉動軸方向依次為無磨損區域、輕度磨損區域、中度磨損區域及重度磨損區域，各磨損區域的寬度與磨損程度負相關。

3.如權利要求1所述的滾刀磨損在位識別模型建模方法，其特征在于，數據采集平臺包括激光輪廓儀、熱誤差檢測系統及三個霍爾電流傳感器，滾刀主軸電機的U、V、W三相電流分別穿過三個霍爾電流傳感器，激光輪廓儀安裝在伺服電機上，伺服電機能夠帶動激光輪廓儀對滾齒加工前的每個齒坯的余量進行測量，熱誤差檢測系統用于測量刀架與工作臺在X方向上的中心距變化值。

4.如權利要求2所述的滾刀磨損在位識別模型建模方法，其特征在于，步驟S103中，竄刀程序包括：在重度磨損區域加工一個齒坯，竄刀到中度磨損區域加工一個齒坯，再竄刀到輕度磨損區域加工一個齒坯，在無磨損區域進行往返切齒；

熱誤差補償程序包括：實時檢測架與工作臺在X方向上的中心距變化值，滿足預設條件時，暫停竄刀程序，進行補償操作后繼續竄刀程序。

5.如權利要求1所述的滾刀磨損在位識別模型建模方法，其特征在于，步驟S106中，任意一種包括D個樣本的特征的基尼系數Gini(D)按下式計算：

式中，K為滾刀磨狀態的類別總數，k為第k類滾刀磨狀態，C_k為包括D個樣本的特征中屬于第k類滾刀磨狀態的樣本數。