一种基于机器学习的刀具磨损状态监测方法技术

本发明专利技术属于铣床的附件和辅助装置技术领域，公开了一种基于机器学习的刀具磨损状态监测方法，将切削力和振动信号作为刀具状态监测信息，多特征融合的刀具磨损状态监测与预测方法，实现铣削加工刀具状态的有效监测同时为切削数据库提供基础数据来源及监测预测模块。不论是切削力还是振动信号，进行特征融合后识别精度更高，且进给方向提取特征相比其他方向有更高的识别精度；对比所有提取特征和经过选择后的部分特征识别精度可知，起到降维作用的相关性选择法可以提高分类的准确性和系统鲁棒性，对刀具监测系统有重要作用；通过神经网络对刀具磨损量进行回归分析，建立刀具磨损监测模型，并采用粒子群优化算法提高神经网络性能及表现。

A Tool Wear Monitoring Method Based on Machine Learning

The invention belongs to the technical field of accessories and auxiliary devices of milling machine, and discloses a tool wear condition monitoring method based on machine learning. The cutting force and vibration signals are used as tool condition monitoring information, and the tool wear condition monitoring and prediction method based on multi-feature fusion is realized to effectively monitor the tool state of milling process and provide basic data sources and monitoring for the cutting database. Prediction module. Whether it is cutting force or vibration signal, the recognition accuracy is higher after feature fusion, and the feature extracted from feed direction has higher recognition accuracy than other directions. Comparing the recognition accuracy of all extracted features and some selected features, it can be seen that the correlation selection method, which plays a role of dimension reduction, can improve the classification accuracy and system robustness, and has a strong impact on tool monitoring system. Important role: Through regression analysis of tool wear by neural network, tool wear monitoring model is established, and particle swarm optimization algorithm is used to improve the performance and performance of the neural network.

【技术实现步骤摘要】
一种基于机器学习的刀具磨损状态监测方法
本专利技术属于铣床的附件和辅助装置
，尤其涉及一种基于机器学习的刀具磨损状态监测方法。
技术介绍
目前，业内常用的现有技术是这样的：目前刀具状态监测主要是以光学监测为代表的直接监测法和以切削物理量监测为代表的间接监测法。直接法是通过光学、同位素等监测方法，来测量切削过程中刀具形状的改变或者质量的减少，并通过图像处理或数学模型来监测刀具状态。直接法主要用于刀具离线监测，主要方法有光学法、接触法和机器视觉处理等。直接法监测效果精确度高，直观有效，但由于机械加工环境复杂、使用切削液等问题限制，目前还主要用于试验室中研究。间接法则是通过传感器装置对切削过程中的与刀具磨损有关的信号连续监控，通过切削物理量变化来间接反映出刀具磨损程度。间接法的技术实现比较容易，能够实现在线监测，对获得磨损信息的处理与磨损特征的提取成为影响监测准确性的关键因素。切削数据是衡量切削技术水平高低的一个基本量值，传统切削数据库只能存储切削数据，而无法对数据进行分析和挖掘。综上所述，现有技术存在的问题是：目前间接监测技术还存在监测物理量较为单一，数据融合水平较差，预测模型智能本文档来自技高网...

【技术保护点】
1.一种基于机器学习的刀具磨损状态监测方法，其特征在于，所述基于机器学习的刀具磨损状态监测方法将切削力和振动信号作为刀具状态监测信息，通过多特征融合的刀具磨损状态监测与预测方法，实现铣削加工刀具状态的有效监测；对比所有提取特征和经过选择后的部分特征识别精度；通过神经网络对刀具磨损量进行回归分析，建立刀具磨损监测的神经网络模型，并采用粒子群优化算法提高神经网络性能及表现。

【技术特征摘要】
1.一种基于机器学习的刀具磨损状态监测方法，其特征在于，所述基于机器学习的刀具磨损状态监测方法将切削力和振动信号作为刀具状态监测信息，通过多特征融合的刀具磨损状态监测与预测方法，实现铣削加工刀具状态的有效监测；对比所有提取特征和经过选择后的部分特征识别精度；通过神经网络对刀具磨损量进行回归分析，建立刀具磨损监测的神经网络模型，并采用粒子群优化算法提高神经网络性能及表现。2.如权利要求1所述的基于机器学习的刀具磨损状态监测方法，其特征在于，所述基于机器学习的刀具磨损状态监测方法包括以下步骤：(1)采集切削过程中的切削力与振动信号，通过时域和频域分析、小波包分解进行特征提取，并对部分特征与刀具磨损关系进行分析；(2)比较三向切削力和两向振动所提取特征建立神经网络的识别精度；(3)对比所有提取特征和经过选择后的部分特征识别精度；(4)通过神经网络对刀具磨损量进行回归分析，建立刀具磨损监测模型，并采用粒子群优化算法提高神经网络性能及表现。3.如权利要求2所述的基于机器学习的刀具磨损状态监测方法，其特征在于，所述神经网络模型包括：输入层、隐含层和输出层；输入层节点数等于训练样本的特征属性个数；输出层节点数等于所想得到的状态个数，将铣刀磨损阶段分为三类，即输出层节点数为3，分别为0～100um、100～200um和大于200um；设定为[1,0,0]、[0,1,0]、[0,0,1]，三个磨损状态分别对应矩阵的三列的值；隐...

【专利技术属性】
技术研发人员：焦黎，陈刚，王西彬，颜培，王昭，史雪春，刘志兵，解丽静，梁志强，周天丰，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京,11