[發明專利]一種高速銑削過程刀具狀態監測方法

在審

• 申請號: 202110738211.5
• 申請日: 2021-06-30
• 公開（公告）號: CN113369994A
• 公開（公告）日: 2021-09-10
• 發明（設計）人: 周余慶;朱欽松;孫維方;孫兵濤;周潔;楊圓;方鈺堃;楊海
• 申請（專利權）人: 溫州大學
• 主分類號: B23Q17/09
• 分類號: B23Q17/09
• 代理公司: 重慶強大凱創專利代理事務所(普通合伙) 50217
• 代理人: 周欣

1.一種高速銑削過程刀具狀態監測方法，其特征在于，包括以下步驟：

(1)獲取實測振動信號：根據實際加工需求，確定所用刀具、工件和切削參數，獲取若干刀具狀態下高速銑削加工過程中的實測振動信號；

(2)獲取振動仿真信號：根據Johnson-Cook本構模型，以及實驗所采用的刀具、工件和切削參數，利用仿真軟件進行高速銑削過程動力學建模得到仿真模型，經過仿真獲得正常刀具狀態的振動仿真信號；

(3)檢驗仿真樣本的有效性：對比振動仿真信號和實測振動信號的余弦相似度值cos(θ)；若cos(θ)≥0.6，可判斷振動仿真信號是有效的，進入步驟(5)，否則，執行步驟(4)；

(4)優化仿真模型：在步驟(2)的仿真模型中對Johnson-Cook本構模型參數進行正交試驗，對實驗結果進行分析，得出最佳參數組合；若最佳參數組合對應的振動仿真信號和實測振動信號的余弦相似度值cos(θ)≥0.6，可判斷振動仿真信號是有效的，進入步驟(5)，否則以最佳參數組合為基準迭代執行步驟(4)；

(5)制備完全樣本：采用上述有效振動仿真信號對應的仿真模型，對步驟(1)以外的刀具狀態進行仿真，獲得步驟(1)以外的刀具狀態的仿真數據樣本，將其擴充至實驗數據樣本中，得到完全樣本；

(6)制備完備樣本：對完全樣本進行生成式對抗網絡訓練，生成大量的合成樣本；將合成樣本與完全樣本合并，組成完備樣本；

(7)訓練高精度監測模型：采用監測算法計算完備樣本的10個時域和頻域統計參數，將其輸入到監測算法中進行訓練，獲得高精度監測模型；

(8)刀具分類監測：周期性采集高速銑削加工過程中的實測振動信號，計算待測樣本的10個時域和頻域統計參數，采用步驟(7)中已訓練的狀態監測模型對刀具狀態進行刀具分類監測。

2.根據權利要求1所述的一種高速銑削過程刀具狀態監測方法，其特征在于，步驟(2)中仿真軟件使用Abaqus或Deform。

3.根據權利要求2所述的一種高速銑削過程刀具狀態監測方法，其特征在于，步驟(3)中余弦相似度值的計算公式為：

4.根據權利要求3所述的一種高速銑削過程刀具狀態監測方法，其特征在于，步驟(4)中將仿真模型中的參數取值的80％、100％和120％分為三個水平進行正交實驗。

5.根據權利要求4所述的一種高速銑削過程刀具狀態監測方法，其特征在于，步驟(6)中對抗網絡的辨別器模型和生成器模型均為五層一維卷積神經網絡，其隱藏層神經元節點分別為1800-900-450和450-900-1800。

6.根據權利要求5所述的一種高速銑削過程刀具狀態監測方法，其特征在于，步驟(6)中對抗網絡訓練需要輸入噪音信號，將輸入噪音設置高斯分布和均勻分布。

7.根據權利要求6所述的一種高速銑削過程刀具狀態監測方法，其特征在于，步驟(7)中所述監測算法選用四種分類算法：支持向量機、隨機森林、決策樹和廣義回歸神經網絡。

8.根據權利要求7所述的一種高速銑削過程刀具狀態監測方法，其特征在于，步驟(7)中四種分類算法的設置分別為：支持向量機選擇徑向基核函數，懲罰因子和核函數半徑分別設置為3和1；隨機森林和決策樹分類器使用Matlab工具箱中的默認參數；廣義回歸神經網絡分類器中的SPREAD值設置為0.1。

9.根據權利要求1-8任一項所述的一種高速銑削過程刀具狀態監測方法，其特征在于，步驟(1)中所述刀具狀態包括正常、中等磨損和嚴重磨損。

10.根據權利要求9所述的一種高速銑削過程刀具狀態監測方法，其特征在于，步驟(5)中步驟(1)以外的刀具狀態包括中等磨損、破損、崩刃。