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 ...
【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。