[發明專利]銑刀磨損值的預測方法、裝置、電子裝置和存儲介質

有效

• 申請號: 202110414311.2
• 申請日: 2021-04-16
• 公開（公告）號: CN113084237B
• 公開（公告）日: 2022-07-29
• 發明（設計）人: 黃海松;魏建安;馬馳
• 申請（專利權）人: 貴州大學
• 主分類號: B23C9/00
• 分類號: B23C9/00;B23Q17/09
• 代理公司: 杭州華進聯浙知識產權代理有限公司 33250
• 代理人: 何曉春

本申請涉及一種銑刀磨損值的預測方法、裝置、電子裝置和存儲介質。其中，該銑刀磨損值的預測方法包括：獲取銑刀的原始振動數據；確定原始振動數據中的香儂能量熵，并根據香儂能量熵，形成特征數據集；將特征數據集劃分為二類不平衡數據集，其中，二類不平衡數據集包括：多數類數據集和少數類數據集；對少數類數據集進行過采樣，得到新的少數類數據集，并與多數類數據集進行組合，得到多類均衡數據集；根據多類均衡數據集，預測銑刀的磨損值。通過本申請，解決了相關技術中銑刀磨損值的預測精度低，提高了銑刀磨損值的預測精度。

技術領域

本申請涉及機械加工領域，特別是涉及銑刀磨損值的預測方法、裝置、電子裝置和存儲介質。

背景技術

銑削加工過程中的銑刀狀態監測是機床狀態監測的重要組成部分。銑削加工中不可預測的銑刀磨損會增加生產資源消耗，影響工件的質量。為了減少資源消耗保證工件質量，需要對銑刀磨損狀態進行高效、高精度的監測。隨著大數據時代的到來和計算能力的快速提升，數據驅動的銑刀磨損狀態預測的競爭優勢日益明顯，雖然可以挖掘歷史數據來有效監控機械設備的健康狀況，但非有限的數據給銑刀監測帶來了很大的挑戰。例如:支持回歸器(SVR)、神經網絡(RF)以及Light GBM等數據驅動的回歸器，在銑刀磨損數據有限的情況下，難以很好地擬合(訓練)回歸樣本。因此，近年來，為了增強回歸器對小樣本數據的適應性，從理論和實踐上對已有樣本進行數據增強已成為研究的重點。

然而，經研究發現，在實際的銑刀磨損預測系統中，往往存在銑刀磨損值的預測精度低的問題。

發明內容

在本實施例中提供了一種銑刀磨損值的預測方法、裝置、電子裝置和存儲介質，以解決相關技術中銑刀磨損值的預測精度低的問題。

第一個方面，在本實施例中提供了一種銑刀磨損值的預測方法，包括：

獲取銑刀的原始振動數據；

確定所述原始振動數據中的香儂能量熵，并根據所述香儂能量熵，形成特征數據集；

將所述特征數據集劃分為二類不平衡數據集，其中，所述二類不平衡數據集包括：多數類數據集和少數類數據集；

對所述少數類數據集進行過采樣，得到新的少數類數據集，并與所述多數類數據集進行組合，得到多類均衡數據集；

根據所述多類均衡數據集，預測所述銑刀的磨損值。

在其中一些實施例中，確定所述原始振動數據中的香儂能量熵，并根據所述香儂能量熵，形成特征數據集包括：

對所述原始振動數據進行經驗模態分解，得到本征模函數值；

根據所述本征模函數值，確定所述香儂能量熵；

根據所述香儂能量熵，形成特征數據集。

在其中一些實施例中，在對所述少數類數據集進行過采樣，得到新的少數類數據集，并與所述多數類數據集進行組合，得到多類均衡數據集之前，所述方法還包括：

對所述二類不平衡數據集進行降噪處理。

在其中一些實施例中，對所述二類不平衡數據集進行降噪處理包括：

采用近鄰噪聲處理方式，去除所述少數類數據集和所述多數類數據集中的噪聲。

在其中一些實施例中，在對所述少數類數據集進行過采樣，得到新的少數類數據集，并與所述多數類數據集進行組合，得到多類均衡數據集之前，所述方法還包括：

基于LS-SVM支持數值譜計算所述少數類數據集的重要性權值；

根據所述重要性權值，確定所述少數類數據集中的目標邊界樣本。

在其中一些實施例中，根據所述重要性權值，確定所述少數類數據集中的目標邊界樣本包括：