[發明專利]數控機床刀具磨損狀態評估方法

有效

• 申請號: 202011076025.1
• 申請日: 2020-10-10
• 公開（公告）號: CN112372371B
• 公開（公告）日: 2021-10-19
• 發明（設計）人: 黃亦翔;李鵬;夏鵬程;劉成良
• 申請（專利權）人: 上海交通大學
• 主分類號: B23Q17/00
• 分類號: B23Q17/00
• 代理公司: 上海交達專利事務所 31201
• 代理人: 王毓理;王錫麟

1.一種數控機床刀具磨損狀態評估方法，其特征在于，通過采集數控機床加工過程中的主軸電流信號和振動信號，使用時域分析、頻域分析和小波包分解提取特征后，利用主成分分析進行特征降維，并使用多種集成學習算法訓練預測；最后使用壓縮因子粒子群優化算法獲取各集成學習算法的最優權重來構建多決策刀具磨損評估模型，對刀具磨損狀態進行評估；

所述的提取特征，包括：時域的均值、標準差、有效值、峰度、峭度因子、波形因子，頻域的峰值頻率、重心頻率、頻率均方根、頻率標準差，以及小波包分解后的各子頻帶的小波包能量特征，組成84維的高維信號特征；

所述的最優權重，通過定義壓縮因子粒子群優化算法CFPSO的適應度函數為加權求和得到的預測值與真實值的平均絕對誤差，粒子群的各粒子位置和速度采用均勻分布初始化，通過不斷迭代尋找多種集成學習算法中各集成學習算法的最優權重；

所述的磨損狀態評估方法，具體步驟包括：

步驟1)處理分析采集的主軸電流信號和振動信號，選取數控機床加工過程中正常切削階段信號，提取時域，頻域和小波包分解后子頻帶能量特征；

步驟2)使用主成分分析進行特征降維，降維后的特征維度取為4；

步驟3)首先研究各單一工況：以各單一工況下信號的降維特征為訓練數據，刀具VB值為標簽，分別使用AdaBoost、Random Forest、GBDT和XGBoost四種集成學習算法訓練預測；

步驟4)以加權求和得到的預測值與真實值的平均絕對誤差作為CFPSO的適應度函數，粒子群的群體大小設為40，最大迭代次數設為200，各粒子的位置和速度采用均勻分布初始化，通過不斷迭代得到步驟3)中各單一工況下各集成學習算法的最優權重，對各集成學習算法的模型進行加權求和得到CFPSO多決策刀具磨損評估模型；

步驟5)使用各單一工況下的測試數據對各集成學習算法模型和CFPSO多決策刀具磨損評估模型進行測試，以模型預測值與真實VB值的平均絕對誤差作為模型評價標準；

步驟6)再將各工況作為一個整體，研究多工況：將各單一工況下的數據匯總作為一個數據集，使用AdaBoost，Random Forest，GBDT和XGBoost四種集成學習算法訓練預測；

步驟7)使用CFPSO尋找多工況下各集成學習算法的最優權重，進行加權求和得到多工況下的CFPSO多決策刀具磨損評估模型；

步驟8)使用多工況下的測試數據對各集成學習算法模型和CFPSO多決策刀具磨損評估模型進行測試，以模型預測值與真實VB值的平均絕對誤差作為模型評價標準。

2.根據權利要求1所述的數控機床刀具磨損狀態評估方法，其特征是，所述的采集是指：通過設置于主軸上的電流傳感器和振動傳感器采集數控機床加工過程中的電流信號的振動信號；采集得到的電流信號的振動信號分別劃分為空轉階段、接觸工件階段、正常切削階段和離開工件階段，選取正常切削階段的信號進行分析。

3.根據權利要求1所述的數控機床刀具磨損狀態評估方法，其特征是，所述的刀具磨損評估模型，以降維后的特征作為訓練數據，以刀具后刀面磨損帶寬度VB為標簽，使用多種集成學習算法Adaboost、Random Forest、GBDT、XGBoost分別進行訓練預測，根據各集成學習算法預測結果使用CFPSO構建多決策刀具磨損評估模型。

4.根據權利要求1所述的數控機床刀具磨損狀態評估方法，其特征是，所述的對刀具磨損狀態進行評估是指：根據各單一集成學習算法得到對應的預測值后，采用最優權重將多個預測值加權求和得到最終的刀具磨損量預測結果，即，其中：為各集成學習算法的最優權重，為AdaBoost算法模型的預測值，為Random Forest算法模型的預測值，為GBDT算法模型的預測值，為XGBoost算法模型的預測值。