[發明專利]一種面向刀具的在線快速優化模型的監測方法

有效

• 申請號: 202110912234.3
• 申請日: 2021-08-10
• 公開（公告）號: CN113601261B
• 公開（公告）日: 2022-06-14
• 發明（設計）人: 朱錕鵬;袁德志;施云高
• 申請（專利權）人: 中國科學院合肥物質科學研究院
• 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任公司 34101
• 代理人: 陸麗莉;何梅生

本發明公開了一種面向刀具的在線快速優化模型的監測方法，包括：1采集刀具銑削過程中的切削力信號、振動信號、聲發射信號及圖像信號；2采用時域與頻域分析法提取采集信號的特征；3采用圖像處理提取刀具當前磨損值；4利用皮爾遜系數分析特征與磨損值的相關性，篩選特征；5利用主成成分分析，對數據降維；6利用降維后的數據與磨損值對支持向量回歸機進行訓練獲得磨損回歸模型；7利用降維后的數據與磨損值對BP神經網絡進行訓練獲得磨損分類模型；8在實際監測中，在回刀間隙采集刀具磨損圖像，與當前特征結合作為隨機梯度，在線更新監測回歸與分類模型。本發明能增強模型適應性，從而能提高磨損預測與分類精度。

技術領域

本發明涉及刀具磨損預測與分類領域，具體是涉及一種面向在線快速優化刀具實時監測模型的方法。

背景技術

切削加工作為加工工件的主要機械加工方法，監測切削加工過程有著提高加工精度、保證生產節奏、降低生產成本與實現智能加工有著重大意義。在切削加工中，由于刀具與工件直接耦合，對刀具的監測可有效反應加工過程。因此，切削加工監測問題被轉化為刀具監測問題。

目前，對于刀具的監測問題主要通過數據驅動的監測模型對實時刀具狀態進行預測與分類，即通過實驗測量加工過程中的多傳感器參數，對測量參數進行特征提取，利用機器學習算法擬合刀具磨損曲線模型或刀具磨損分類模型，將實時測量的傳感器數據作為模型輸入，得到當前刀具磨損的預測值與分類。

該方法主要存在兩個問題，第一為需要進行大量實驗保證訓練集數量保證模型精度，因此需要大量材料與刀具，實驗階段成本高；第二為在實際加工過程中，加工環境與狀態會出現隨機性變化，導致原模型泛化性較差，導致預測與分類誤差大。因此迫切需要研究一種誤差小、精度高、泛化性強、實時性好的刀具監測方法。

發明內容

本發明是為了解決數據驅動監測模型中的不足之處，提出一種誤差小、精度高、泛化性強、實時性好的面向刀具的在線快速優化模型的監測方法，以期能增強模型適應性，從而能提高磨損預測與分類精度。

本發明為解決技術問題采用如下技術方案：

本發明一種面向刀具的在線快速優化模型的監測方法的特點在于，包括如下步驟：

步驟1、在第i個周期內利用傳感器獲取銑削過程中的切削力信號、振動信號和聲發射信號，并利用相機獲取第i個周期結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個周期內所述切削力信號、振動信號及聲發射信號在時域與頻域上的多種特征參數，并作為第i組特征參數；從而得到n組特征參數；

步驟3、利用在第i個周期結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法分析時域與頻域上的特征參數分別與磨損值之間的關系，從而得到特征參數中的每種特征參數與對應磨損值之間皮爾遜系數，并從中選擇皮爾遜系數大于所設定的閾值的特征參數作為篩選出的特征參數，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；

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；k＜j；

步驟6、將降維后的特征矩陣Z與對應的磨損值組成訓練樣本集

利用所述訓練樣本集對支持向量回歸機進行訓練，得到刀具磨損回歸模型；

利用所述訓練樣本集對BP神經網絡進行訓練，得到刀具磨損分類模型；

步驟7、定義變量t并初始化t＝1；