基于小波包分析与RBF神经网络的刀具磨损在线监测方法技术

本发明专利技术涉及一种基于小波包分析和RBF神经网络的刀具磨损在线监测方法，利用瞬时切削力系数识别法标定不同刀具磨损状态时切向力和径向力的剪切力系数和刃口力系数；通过分析切削力系数与刀具磨损的相关性，将其作为刀具磨损特征参数，经过归一化处理后输入RBF神经网络模型。RBF神经网络监测模型训练过程的输入层为经过归一化处理的切削力特征、切削振动特征，剪切力系数、刃口力系数；输出层为归一化处理后的刀具后刀面磨损量；隐含层为通过径向基函数迭代优化获得的神经元；通过刀具磨损监测实验验证了RBF神经网络监测模型具有响应速度快，识别精度高的优点。

On line monitoring method of tool wear based on wavelet packet analysis and RBF neural network

The invention relates to an on-line tool wear monitoring method based on wavelet packet analysis and RBF neural network, and uses the instantaneous cutting force coefficient identification method to calibrate the shear force coefficient and the edge force coefficient of the cutting force and radial force in different tool wear states. By analyzing the correlation between the cutting force coefficient and the tool wear, it is used as a knife. With wear characteristic parameters, RBF neural network model is input after normalization. The input layer of the training process of the RBF neural network monitoring model is the cutting force characteristic, the cutting vibration characteristic, the shear force coefficient and the edge force coefficient, the output layer is the tool back surface wear amount after the normalized treatment. The hidden layer is the neuron which is obtained through the radial basis function iterative optimization, and the tool wear is worn through tool wear. The monitoring experiment proves that the RBF neural network monitoring model has the advantages of fast response speed and high recognition accuracy.

【技术实现步骤摘要】
基于小波包分析与RBF神经网络的刀具磨损在线监测方法
本专利技术属于基于小波包分析和径向基神经网络(radialbasisfunctionneuralnetwork)的刀具磨损在线监测方法，更具体的说涉及一种采用小波包分析和瞬时切削力系数识别法提取加工过程中的刀具磨损特征值，利用RBF神经网络对特征值进行训练，从而通过已训练的RBF神经网络监测模型准确监测刀具磨损的方法。
技术介绍
刀具状态智能在线监测技术作为先进制造技术的重要组成部分，已经成为近年来该研究领域的主题。刀具作为切削过程的直接执行者，在工件的切削加工过程中不可避免地存在着磨损和破损等现象，刀具状态的变化直接导致切削力增加、切削温度升高、工件表面粗糙度上升、工件尺寸超出公差、切削颜色变化以及切削颤振的产生，因此，需要对刀具进行磨损状态监测。刀具磨损状态智能监测技术是指在产品加工过程中，针对检测到的各类传感器信号进行数据处理，采用特征识别模型实时的预测刀具磨损和破损的状态，从而准确提醒刀具更换时间。研究表明，CNC机床配备刀具监测系统后可减少故障停机时间的75％，生产效率提高10-60％，机床利用率提高50％。刀具磨损状态智能监测一般分为两个过程：刀具磨损相关特征值的训练过程和利用训练模型对刀具磨损进行监测的过程。其中，训练过程中涉及磨损特征的提取，特征提取的方法包括三类：时域分析法、频域分析法、时频域分析法。时域分析法是指直接在时间域内对信号进行处理的方法，利用时域信号作为特征信号提取，经常会受到噪声信号或者由于加工参数变化而使信号发生变化的影响，因而会导致信号提取的准确性下降，并且往往需要大量的实验数据来归纳总结信号规律。频域分析是指通过傅里叶级数或傅里叶变换将信号由时间域转换到频率域进行分析和处理。但是利用傅里叶变换进行时域向频域的转换时存在着一定的缺点，即该方法用于提取信号频谱时，需要利用信号的全部时域信息，由于该方法是一种整体变换，缺少时域定位的功能，因此需要对这种变换方法加以改进。时频域分析法能够把信号的时间域和频率域联系起来，从而能够清楚地描述信号频率随时间的变化，使信号在时域和频域内都可以达到高的分辨率。近年来，神经网络在特征识别方面应用广泛，能够快速准确地对特征值进行训练与识别。专利技术专利(CN104723171A)一种基于电流与声发射复合信号的刀具磨损监测方法提出了通过检测切削加工中的主轴电机的电流信号及车刀磨损状态的声发射信号，并通过小波包分析、主成分分析判断刀具的磨损程度。但该方法需测量电流与声发射两种信号，增加了设备成本和装夹的复杂度；同时，利用主成分判断刀具磨损程度并不能准确地预测刀具的后刀面磨损量。
技术实现思路
要解决的技术问题为了避免现有技术的不足之处，本专利技术提出一种基于小波包分析与RBF神经网络的刀具磨损在线监测方法，解决时域法与频域法处理信号时分别在频域和时域上分辨率低的问题。技术方案一种基于小波包分析与RBF神经网络的刀具磨损在线监测方法，其特征在于步骤如下：步骤1：在某一工况下，使用恒定的切削参数对材料进行加工，刀具在工件上侧边铣削加工，测量该过程中的切削力信号，同时测量每次加工后刀具的后刀面磨损量，并将归一化处理后的刀面磨损量作为RBF神经网络的输出值；步骤2：1、利用MATLAB中的小波包函数工具箱将切削力信号在时频域下进行三层分解重构，得到各个频段的小波包系数；将第一个频段的重构小波包系数作为切削力特征，第二个频段的重构小波包系数作为切削振动特征；2、利用MATLAB设计滤波器对原始切削力信号进行滤波处理；利用瞬时切削力系数识别法标定不同刀具磨损状态时的剪切力系数和刃口力系数作为刀具磨损特征值；步骤3：将步骤2处理的切削力特征、切削振动特征、剪切力系数、刃口力系数进行归一化处理，然后作为RBF神经网络输入端，将步骤1归一化处理后的刀具后刀面磨损量作为网络输出段进行训练，得到训练完成的RBF神经网络监测模型；步骤4：在同一工况下，测量实时加工的过程中的切削力信号；利用步骤2的方法提取切削力特征、切削振动特征、剪切力系数、刃口力系数并进行归一化处理，将归一化处理后的数据输入RBF神经网络监测模型，RBF神经网络监测模型的输出为刀具后刀面磨损量的预测值。采用Kistler9123C旋转式测力计测量该过程中的切削力信号。有益效果本专利技术提出的一种基于小波包分析与RBF神经网络的刀具磨损在线监测方法，在特征信号提取方面，本专利技术提出采用小波包分析对切削过程中的原始切削力信号进行数据处理，该方法使信号在低频和高频处均有较高的时间和频率分辨率：通过在频域下细分信号，时域下重构信号，提取出原始切削力信号中与刀具磨损相关的切削力特征和切削振动特征，再根据瞬时切削力系数识别法标定不同磨损状态下的剪切力系数和刃口力系数，得到四类与刀具磨损相关的特征值向量。在特征识别方面，通过分析现有模式识别方法，结合响应速度和识别精度的优劣，本专利技术专利选用RBF神经网络作为数据融合与特征识别的方法，将提取的四类与刀具磨损相关的特征向量导入RBF神经网络进行训练，将用于刀具磨损监测的信号特征参数导入已训练的神经网络监测模型，从而快速准确地预测刀具后刀面磨损量，达到在线监测的目的。本专利技术所提出的基于小波包分析和RBF神经网络的刀具磨损在线监测方法具有以下优点：1、由于传统的直接测量法需要停机测量刀具磨损，使生产中断，不利于加工效率的提高。因此本方法采用间接测量与刀具磨损相关的信号特征值，使刀具磨损可以达到在线监测的效果。2、刀具在实际加工过程中，随着磨损量的增加，切削力、刀具振动、声发射等信号会发生显著变化，然而，如果将所有相关信号进行采集则会增加设备成本和装夹的复杂度。因此，本专利技术专利提出只采集切削过程中切削力信号，通过对切削过程中的原始切向和径向切削力信号进行小波包分析，剥离出与刀具磨损相关的切削力特征和切削振动特征，用于后续的刀具磨损特征的训练和监测。3、本专利技术采用瞬时切削力系数识别法标定不同刀具磨损状态下切削力系数，通过分析不同磨损阶段的瞬时切削力系数与刀具磨损的相关性，将切削时的剪切力系数和刃口力系数作为刀具磨损特征用于刀具磨损在线监测。4、本专利技术采用径向基神经网络(RBFNN)作为针对刀具磨损特征值训练和监测的模型。由于当输入信号靠近径向基函数的中央范围时，隐层节点将产生较大的输出，所以该网络具有局部逼近能力，响应速度和识别精度也优于BP神经网络。附图说明图1为刀具磨损在线监测方法流程图。图2为刀具磨损特征提取过程。图3为三层小波包分解结构图。图4为切向切削力系数拟合图。图5为径向切削力系数拟合图。图6为RBF神经网络结构图。具体实施方式现结合实施例、附图对本专利技术作进一步描述：本专利技术基于小波包分析与RBF神经网络的刀具磨损在线监测方法的步骤为：步骤一：在某一工况下，使用恒定的切削参数对钛合金材料进行加工，刀具在工件上侧边铣削加工58次，采用Kistler9123C旋转式测力计测量该过程中的切削力信号，同时测量每次加工后刀具的后刀面磨损量，提取其中50组刀具磨损测量值作为神经网络的输出用于训练。步骤二：1.利用三层小波包分析将滤波后的切削力信号在时频域下进行分解重构，重构信号中第一个频段和第二个频段信号的能量值与刀具磨损相关本文档来自技高网...

【技术保护点】
1.一种基于小波包分析与RBF神经网络的刀具磨损在线监测方法，其特征在于步骤如下：步骤1：在某一工况下，使用恒定的切削参数对材料进行加工，刀具在工件上侧边铣削加工，测量该过程中的切削力信号，同时测量每次加工后刀具的后刀面磨损量，并将归一化处理后的刀面磨损量作为RBF神经网络的输出值；步骤2：（1）利用MATLAB中的小波包函数工具箱将切削力信号在时频域下进行三层分解重构，得到各个频段的小波包系数；将第一个频段的重构小波包系数作为切削力特征，第二个频段的重构小波包系数作为切削振动特征；（2）利用MATLAB设计滤波器对原始切削力信号进行滤波处理；利用瞬时切削力系数识别法标定不同刀具磨损状态时的剪切力系数和刃口力系数作为刀具磨损特征值；步骤3：将步骤2处理的切削力特征、切削振动特征、剪切力系数、刃口力系数进行归一化处理，然后作为RBF神经网络输入端，将步骤1归一化处理后的刀具后刀面磨损量作为网络输出段进行训练，得到训练完成的RBF神经网络监测模型；步骤4：在同一工况下，测量实时加工的过程中的切削力信号；利用步骤2的方法提取切削力特征、切削振动特征、剪切力系数、刃口力系数并进行归一化处理，将归一化处理后的数据输入RBF神经网络监测模型，RBF神经网络监测模型的输出为刀具后刀面磨损量的预测值。...

【技术特征摘要】
1.一种基于小波包分析与RBF神经网络的刀具磨损在线监测方法，其特征在于步骤如下：步骤1：在某一工况下，使用恒定的切削参数对材料进行加工，刀具在工件上侧边铣削加工，测量该过程中的切削力信号，同时测量每次加工后刀具的后刀面磨损量，并将归一化处理后的刀面磨损量作为RBF神经网络的输出值；步骤2：（1）利用MATLAB中的小波包函数工具箱将切削力信号在时频域下进行三层分解重构，得到各个频段的小波包系数；将第一个频段的重构小波包系数作为切削力特征，第二个频段的重构小波包系数作为切削振动特征；（2）利用MATLAB设计滤波器对原始切削力信号进行滤波处理；利用瞬时切削力系数识别法标定不同刀具磨损状态时的剪切力系数和刃口力系数作为刀具...

【专利技术属性】
技术研发人员：张定华，李涛，罗明，张仲玺，陈曦，罗欢，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西,61