[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

本發明公開了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，對原有信號樣本數據庫的獲取方式與樣本類型進行改良與擴充，使樣本數據庫能夠準確反映熱變形與齒坯加工余量不均勻性對電流信號樣本信噪比的影響，再融合人工特征提取在排除低價值信息的優點與深度學習算法在高品質特征提取與分類上的優勢，相互配合建立對誤差影響權重變化具有強表達能力、可反映不同工況模式的分類特征群組，實現對刀具磨損狀態的高質量整體表征，以此為數學基礎，建立并行識別框架的滾刀磨損在位識別模型建模，實現高精度和強魯棒性的滾刀磨損在位識別。

技術領域

本發明涉及工藝檢測領域，具體涉及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。

背景技術

當前已開發的基于電流信號表征的刀具磨損在位識別方法可分為三大類：(1)對信號樣本進行時域/頻域/小包分析，人工提取與刀具磨損相關的特征量，由此建立數學識別模型，對刀具磨損狀態進行判定；(2)將樣本信號圖形化處理，輸入深度學習數學模型，利用半監督式/無監督式的圖像特征學習和分層特征提取高效算法來實現對刀具磨損狀態的識別(3)對原始時域信號進行深度特征提取，并在頂層追加分類器實現刀具磨損狀態的識別。

然而，機床熱變形的周期性和滾刀的多齒磨損性使得前一種方法難以實行。而后二種方法理論上識別精度更高、專業知識要求較低，但高識別精度的前提是使用者能夠提供大量級的數據。如數據樣本不飽滿，深度學習算法便不能夠對數據的規律進行無偏差的估計，識別效果上可能不如一些已有的簡單算法。另外，如輸入樣本過大過多，將導致算法的時間復雜度急劇提升，為了保證算法的實時性，需要使用者具有很好的并行編程技巧以及更好更多的硬件支持。

因此，本發明公開了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，對原有信號樣本數據庫的獲取方式與樣本類型進行改良與擴充，使樣本數據庫能夠準確反映熱變形與齒坯加工余量不均勻性對電流信號樣本信噪比的影響，再融合人工特征提取在排除低價值信息的優點與深度學習算法在高品質特征提取與分類上的優勢，相互配合建立對誤差影響權重變化具有強表達能力、可反映不同工況模式的分類特征群組，實現對刀具磨損狀態的高質量整體表征，以此為數學基礎，建立并行識別框架的滾刀磨損在位識別模型建模，實現高精度和強魯棒性的滾刀磨損在位識別。

發明內容

本發明公開了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，對原有信號樣本數據庫的獲取方式與樣本類型進行改良與擴充，使樣本數據庫能夠準確反映熱變形與齒坯加工余量不均勻性對電流信號樣本信噪比的影響，再融合人工特征提取在排除低價值信息的優點與深度學習算法在高品質特征提取與分類上的優勢，相互配合建立對誤差影響權重變化具有強表達能力、可反映不同工況模式的分類特征群組，實現對刀具磨損狀態的高質量整體表征，以此為數學基礎，建立并行識別框架的滾刀磨損在位識別模型建模，實現高精度和強魯棒性的滾刀磨損在位識別。

本發明具體采用了如下的技術方案：

一種滾刀磨損在位識別模型建模方法，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；