[發(fā)明專利]一種面向刀具的在線快速優(yōu)化模型的監(jiān)測方法

有效

• 申請?zhí)枺?/td>: 202110912234.3
• 申請日: 2021-08-10
• 公開（公告）號: CN113601261B
• 公開（公告）日: 2022-06-14
• 發(fā)明（設(shè)計）人: 朱錕鵬;袁德志;施云高
• 申請（專利權(quán)）人: 中國科學(xué)院合肥物質(zhì)科學(xué)研究院
• 主分類號: B23Q17/00
• 分類號: B23Q17/00;B23Q17/09
• 代理公司: 安徽省合肥新安專利代理有限責(zé)任公司 34101
• 代理人: 陸麗莉;何梅生

1.一種面向刀具的在線快速優(yōu)化模型的監(jiān)測方法，其特征在于，包括如下步驟：

步驟1、在第i個周期內(nèi)利用傳感器獲取銑削過程中的切削力信號、振動信號和聲發(fā)射信號，并利用相機獲取第i個周期結(jié)束時刻的銑削過程中的刀具圖片；

步驟2、利用頻域及時域分析法分別獲取在第i個周期內(nèi)所述切削力信號、振動信號及聲發(fā)射信號在時域與頻域上的多種特征參數(shù)，并作為第i組特征參數(shù)；從而得到n組特征參數(shù)；

步驟3、利用在第i個周期結(jié)束時刻的刀具圖片獲取刀具的后刀面磨損值，并作為第i個磨損值W_i；從而得到n×1維磨損值矩陣W＝[W₁,W₂,…,W_i,…,W_n]^T；

步驟4、利用奈曼皮爾遜系數(shù)法分析時域與頻域上的特征參數(shù)分別與磨損值之間的關(guān)系，從而得到特征參數(shù)中的每種特征參數(shù)與對應(yīng)磨損值之間皮爾遜系數(shù)，并從中選擇皮爾遜系數(shù)大于所設(shè)定的閾值的特征參數(shù)作為篩選出的特征參數(shù)，從而組成特征矩陣X_nj表示篩選后的第n個周期的第j個特征參數(shù)；

步驟5、利用主成成分分析法對特征矩陣X進行降維處理，得到降維后的特征矩陣Z_nk表示降維后的第n個周期的第k個特征參數(shù)；k＜j；

步驟6、將降維后的特征矩陣Z與對應(yīng)的磨損值組成訓(xùn)練樣本集

利用所述訓(xùn)練樣本集對支持向量回歸機進行訓(xùn)練，得到刀具磨損回歸模型；

所述刀具磨損回歸模型是按如下過程得到：

步驟6.1、利用徑向基函數(shù)K作為支持向量回歸機的核函數(shù)，定義變量γ為核函數(shù)的分布寬度，利用降維后的特征矩陣作為支持向量回歸機的核函數(shù)中的標記點l_nk表示第n個周期的第k個標記點；

步驟6.2、將降維后的特征矩陣Z與標記點l帶入核函數(shù)K中進行運算，從而得到轉(zhuǎn)換后的超平面特征K(z_nk,l_nk)表示第n個周期的第k個超平面特征；

步驟6.3、初始化權(quán)重向量θ＝[θ₁,θ₂,…,θ_a,…,θ_k]^T中每一項為(0,1)的隨機數(shù)；其中，θ_a表示第a個超平面特征的權(quán)重；

步驟6.4、利用式(1)構(gòu)建第i個磨損值假設(shè)函數(shù)H_i，從而對刀具磨損值進行預(yù)測，獲得磨損值預(yù)測模型H＝[H₁,H₂,…,H_i,…,H_n]^T；

式(1)中，b為偏置項；

步驟6.5、利用最小二乘法構(gòu)建如式(2)所示的磨損值損失函數(shù)Loss，用于對磨損值預(yù)測模型H進行評估；

式(1)中，α為分布寬度γ的上限，β為分布寬度γ的下限，C為懲罰因子，ω為懲罰因子C的上限，ξ為懲罰因子的C下限；

步驟6.6、利用梯度下降法對磨損值預(yù)測模型H的權(quán)重向量θ與偏置項b進行更新，直至損失值損失函數(shù)Loss達到最小，從而獲得刀具磨損回歸模型；

利用所述訓(xùn)練樣本集對BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，得到刀具磨損分類模型；

所述刀具磨損分類模型是按如下過程得到：

步驟6.7、將磨損值根據(jù)磨損閾值分為Q種磨損類型，從而得到n×1維磨損分類矩陣Ca＝[Ca₁,Ca₂,…,Ca_i,…,Ca_n]^T，其中，Ca_i為第i個磨損值的磨損類型，并與降維后的特征矩陣Z重新構(gòu)成訓(xùn)練集

步驟6.8、令所述刀具磨損分類模型由3層神經(jīng)網(wǎng)絡(luò)構(gòu)成，依次包括輸入層，隱藏層和輸出層，其中，令輸入層有k個神經(jīng)元；隱藏層的神經(jīng)元個數(shù)為g；輸出層的有Q個神經(jīng)元；隱藏層采用sigmoid作為激活函數(shù)；輸出層采用softmax作為激活函數(shù)；

將所述訓(xùn)練集TN輸入所述刀具磨損分類模型，從而獲得磨損分類預(yù)測矩陣PCa＝[PCa₁,PCa₂,…,PCa_i,…,PCa_n]^T；其中，PCa_i為第i個磨損值預(yù)測的磨損類型；

步驟6.9、構(gòu)建如式(3)所示的損失函數(shù)J，用于對刀具磨損分類模型進行評估：

式(3)中，PCa_qi為第q個神經(jīng)元輸出的第i個磨損值預(yù)測的磨損類型；

步驟6.10、利用反向傳播法對輸入層至隱藏層的權(quán)重參數(shù)，隱藏層至輸出層的權(quán)重參數(shù)以及偏置項進行更新，直至損失函數(shù)J達到最小，從而獲得刀具磨損分類模型；

步驟7、定義變量t并初始化t＝1；

將所述刀具磨損回歸模型與刀具磨損分類模型作為第t-1次校準后的刀具磨損回歸模型與刀具磨損分類模型；

步驟8、在加工監(jiān)測過程中，利用相機實時獲取第t次回刀間隙時刻的刀具圖片并得到其后刀面的磨損量，并與第t次回刀間隙時刻所在的周期內(nèi)實時獲取的切削力信號、振動信號和聲發(fā)射信號所對應(yīng)的降維后的特征參數(shù)組成隨機梯度訓(xùn)練集；

步驟9、利用所述隨機梯度訓(xùn)練集更新第t-1次校準后的刀具磨損回歸模型與刀具磨損分類模型，從而得到第t次校準后的刀具磨損回歸模型與刀具磨損分類模型，用于對后續(xù)刀具的磨損進行預(yù)測與分類，以實現(xiàn)刀具的實時監(jiān)測；

步驟10、將t+1賦值給t，并返回步驟8順序執(zhí)行，從而實現(xiàn)模型的更新。

2.根據(jù)權(quán)利要求1所述的面向刀具的在線快速優(yōu)化模型的監(jiān)測方法，其特征在于，所述步驟2中時域的特征參數(shù)包括：均值、方差、標準差、峭度指標、偏度指標、峰值、峰-峰值、波峰因素；

頻域的特征參數(shù)包括：最大幅值、最小幅值、平均幅值、峰-峰幅值、重心頻率、均方頻率、均方根頻率、頻率方差、頻率標準差、功率最大值、功率最小值、功率中位數(shù)、功率平均數(shù)。