[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

一種數控機床刀具磨損狀態評估方法，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；本發明以主成分分析和集成學習算法為基礎，使用改進粒子群優化算法CFPSO構建多決策刀具磨損評估模型，該方法受加工時工況參數的影響小，具有良好的通用性和準確性。

技術領域

本發明涉及的是一種機械加工領域的技術，具體是一種數控機床刀具磨損狀態評估方法。

背景技術

現有刀具磨狀態監測方法主要包括直接法和間接法兩類。直接監測法是通過電阻法、放射法、視覺圖像法等對刀具表面的幾何形狀參數進行測量進而獲取刀具的磨損狀態；間接監測法是通過測量分析與刀具磨損相關聯的信號如切削力、振動、聲發射、主軸電流/功率等對刀具磨損狀態進行評估。

間接監測法相比于直接監測法，其準確度較低，但可實現實時在線測量，更適于實際的生產應用，因此學者們的研究大部分都基于間接監測法。由于刀具的磨損速度與加工時的工況條件有關，因此現有的方法模型大多為在某一種特定工況下訓練得到，且使用的算法一般為單一決策算法，在不同工況條件下模型預測性能波動較大，通用性不強。

發明內容

本發明針對現有技術存在的上述不足，提出一種數控機床刀具磨損狀態評估方法，以主成分分析和集成學習算法為基礎，使用改進粒子群優化算法CFPSO構建多決策刀具磨損評估模型，該方法受加工時工況參數的影響小，具有良好的通用性和準確性。

本發明是通過以下技術方案實現的：

本發明涉及一種數控機床刀具磨損狀態評估方法，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(CFPSO)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。

優先地，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。

由于正常切削階段刀具與工件完全接觸，按照設定切削參數穩定切削，該階段信號包含的信息可有效反映刀具磨損狀態，因此選取正常切削階段的信號進行分析。

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。

所述的最優權重，通過定義CFPSO的適應度函數為加權結合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，通過不斷迭代尋找各集成學習算法的最優權重。