一种工况自适应的高速铣削加工过程刀具监测方法及系统技术方案

本发明专利技术公开了一种工况自适应的高速铣削加工过程刀具监测方法，包括如下步骤：（1）获取原始传感信号，测量刀具磨损量；（2）信号预处理和特征提取；（3）特征降维；（4）磨损阶段划分；（5）模型参数训练；（6）磨损状态识别。同时还公布了实现上述方法的系统。本发明专利技术实现了对刀具磨损状态的在线工况自适应监测，从而提高刀具磨损状态监测准确率，有效的降低了生产成本、提高了生产效率和生产质量。

A tool monitoring method and system for high speed milling

【技术实现步骤摘要】
一种工况自适应的高速铣削加工过程刀具监测方法及系统
本专利技术涉及机械加工状态监测领域，主要是刀具磨损状态监测方法及系统，尤其涉及一种工况自适应的高速铣削加工过程刀具监测方法及系统。
技术介绍
刀具磨损在难加工材料高速数控铣削加工过程中是一种普遍存在的现象，且随着加工时长的增加而不断增加，是一个不可逆过程。作为数控机床的关键部件，磨损程度不同的刀具对于加工零件的精度、效率和生产效益等都有着重要的影响。据工业统计数据表明，由于刀具过度磨损且未被及时发现而造成零件报废、机床故障停机的比例达到1/3。此外，刀具的磨损对于机床寿命甚至操作人员的人身安全都有重要的影响。因此，准确高效的刀具运行状态监测对于降低成本、提高生产效率和生产质量具有重要意义。目前，根据检测原理可将刀具磨损监测分为直接监测和间接监测两种。直接监测主要是采用机器视觉技术，通过采集刀具磨损图像，运用图像处理检测刀具磨损的边界等，从而直接获取刀具当前的磨损量，得到刀具的磨损状态。直接检测可直接获取刀具磨损量，精度较高，但由于采集刀具磨损图像时需要机床停机，多用于离线检测，且由于图像采集受光源、现场油液环境等影响，因此刀具磨损直接检测技术没有得到广泛运用。间接监测主要是指通过监测与磨损量直接相关的切削力、振动、声发射等传感信号，以此来判断刀具当前的磨损状态。间接监测技术实现比较容易，且能够实现在线监测。同时，间接监测可以同时监测多种物理量，通过多传感数据融合、识别模型优化等可进一步提高监测的准确性，因此，间接监测目前被广泛的运用于刀具磨损监测。在选定监测方法及所监测物理量的基础上，通过分析信号特征，构建有效算法进行刀具磨损状态识别。由于刀具磨损是一个时间序列且不可逆的过程，常用的人工神经网络和支持向量机等算法模型不能有效的处理时间序列；同时，当工况改变(切削条件、刀具尺寸等)时，基于原有工况训练的算法模型不能适应当前变化的工况，造成磨损状态识别准确率低下。
技术实现思路
本专利技术的目的是提供一种工况自适应的高速铣削加工过程刀具监测方法及系统，实现了对刀具磨损状态的在线工况自适应监测，从而提高刀具磨损状态监测准确率，有效的降低了生产成本、提高了生产效率和生产质量。为解决上述技术问题，本专利技术采用如下技术方案：一种工况自适应的高速铣削加工过程刀具监测方法，包括如下步骤：(1)获取原始传感信号，测量刀具磨损量采集不同铣削条件下的切削力、振动和声发射传感信号，测量刀具实际磨损量，并保存测得的传感信号和刀具实际磨损量；(2)信号预处理和特征提取对采集到的原始传感信号进行预处理，消除与刀具磨损不相干的成分，并分别提取各信号的时域、频域和时频域特征；(3)特征降维采用去噪堆叠自编码器(SDAE)对提取到的多传感、多特征高维数据进行降维，得到最有效特征向量，减少噪声干扰，提高后续算法计算速度；(4)磨损阶段划分按照刀具实际磨损量，将不同工况下的刀具磨损特征向量分别分为多个磨损阶段；(5)模型参数训练将步骤(4)中划分的磨损阶段类别和步骤(3)中降维后的特征向量分别输入HSMM中，同时采用细菌觅食算法(BFOA)优化HSMM的参数，得到不同工况、不同磨损阶段的最优参数模型；(6)磨损状态识别实时采集待监测刀具传感信号，经由步骤(2)、(3)特征提取和特征降维之后，分别输入步骤(5)中所得各参数模型，计算各模型输出的似然概率以及当前数据高斯混合模型(GMM)与不同工况下各模型GMM之间的相似度，将各模型之间的相似度作为加权系数对各模型输出的似然概率进行加权计算，最大者即为当前刀具所处磨损阶段。进一步的，步骤(1)中采集到的原始特征信号共计七组，具体来说为x,y,z方向的切削力信号、x,y,z方向的振动信号、声发射信号。进一步的，所述步骤(2)中：时域特征包括：均值、峰值、峰-峰值、均方根、斜度、峭度、峭度因子、方差、标准差、偏斜度、峰值因子、波形因子、脉冲因子和裕度因子；频域特征包括：信号能量、重心频率、频率方差、均方频率、功率谱均值、功率谱峰值、功率谱方差、功率谱峭度和功率谱裕度；时频域特征为6层小波包分解的64个频带能量所占百分比。进一步的，所述步骤(3)采用的SDAE特征降维方法，由两个DAE堆叠而成，每个DAE为一个三层神经网络，包括输入层、中间层和输出层，分别做贪婪训练得到最优参数。原始高维特征信号归一化处理后作为第一个DAE输入层的输入，第一个DAE的中间层作为第二个DAE的输入层，第二个DAE的中间层即为降维后的特征数据；具体地包括如下步骤：步骤3.1：原始高维特征信号[0,1]归一化处理；步骤3.2：归一化后的高维特征做随机映射，添加环境噪声，增加特征信号抗干扰能力；步骤3.3：归一化后的数据作为SDAE中第一个DAE输入层的输入，然后进行贪婪训练，得到第一个DAE的中间层输出；步骤3.4：第一个DAE中间层的输出在随机映射之后作为第二个DAE输入层输入，第二个DAE做贪婪训练之后的中间层输出即为降维后的特征向量。更进一步的，其中步骤(3)中第一个DAE中间层隐藏节点数小于高维特征数，第二个DAE中间层隐藏节点数小于第一个DAE中间层隐藏节点数，以此来达到降维的目的。进一步的，所述步骤(4)中刀具磨损阶段分类采用的是泰勒刀具寿命曲线二阶导数的近10μm交叉点作为不同磨损阶段之间的边界。进一步的，所述步骤(5)中：HSMM的训练参数包括隐藏状态数Q、初始概率πm、状态转移矩阵A、状态持续时间Pd、各隐状态下GMM的均值μ和协方差矩阵Σ、各GMM组成分量个数K。其中隐藏状态数状态Q、各GMM组成分量个数K由BFOA优化得到；初始概率πm、状态转移矩阵A、状态持续时间Pd、各隐状态下GMM的均值μ和协方差矩阵Σ由Baum-Welch算法迭代得到。进一步的，所述步骤(6)中计算当前数据高斯混合模型(GMM)与不同工况下各模型GMM之间的相似度采用的是KL散度，具体来说通过计算KL散度，可得到当前数据高斯混合模型(GMM)与各模型GMM分布之间的距离度量值，值越大，说明相似性越小，反之值越小，相似性越大；将该距离度量值[0,1]归一化后作为各模型输出似然概率的加权系数；具体包括如下步骤：步骤6.1：实时采集监测刀具的七路传感信号；步骤6.2：原始采集信号经过信号预处理、特征提取和SDAE特征降维后，得到低维特征向量；步骤6.3：降维后的特征向量输入步骤五中训练的多工况下各阶段HSMM模型中，计算得到多工况下各阶段HSMM模型输出的似然概率；步骤6.4：计算监测刀具特征向量的GMM分布以及多工况下各磨损阶段HSMM模型中的GMM分布，然后通过计算各GMM分布之间的距离度量值，得到相似性系数；步骤6.5：将步骤6.3输出的似然概率和步骤6.4中得到的相似性系数分别加权相乘，得到多工况下各磨损阶段最终输出似然概率；步骤6.6：通过比较步骤6.本文档来自技高网...

【技术保护点】
1.一种工况自适应的高速铣削加工过程刀具监测方法，其特征在于，包括如下步骤：/n(1)获取原始传感信号，测量刀具磨损量/n采集不同铣削条件下的切削力、振动和声发射传感信号，测量刀具实际磨损量，并保存测得的传感信号和刀具实际磨损量；/n(2)信号预处理和特征提取/n对采集到的原始传感信号进行预处理，消除与刀具磨损不相干的成分，并分别提取各信号的时域、频域和时频域特征；/n(3)特征降维/n采用去噪堆叠自编码器(SDAE)对提取到的多传感、多特征高维数据进行降维，得到最有效特征向量，减少噪声干扰，提高后续算法计算速度；/n(4)磨损阶段划分/n按照刀具实际磨损量，将不同工况下的刀具磨损特征向量分别分为多个磨损阶段；/n(5)模型参数训练/n将步骤(4)中划分的磨损阶段类别和步骤(3)中降维后的特征向量分别输入HSMM中，同时采用细菌觅食算法(BFOA)优化HSMM的参数，得到不同工况、不同磨损阶段的最优参数模型；/n(6)磨损状态识别/n实时采集待监测刀具传感信号，经由步骤(2)、(3)特征提取和特征降维之后，分别输入步骤(5)中所得各参数模型，计算各模型输出的似然概率以及当前数据高斯混合模型(GMM)与不同工况下各模型GMM之间的相似度，将各模型之间的相似度作为加权系数对各模型输出的似然概率进行加权计算，最大者即为当前刀具所处磨损阶段。/n...

【技术特征摘要】
1.一种工况自适应的高速铣削加工过程刀具监测方法，其特征在于，包括如下步骤：
(1)获取原始传感信号，测量刀具磨损量
采集不同铣削条件下的切削力、振动和声发射传感信号，测量刀具实际磨损量，并保存测得的传感信号和刀具实际磨损量；
(2)信号预处理和特征提取
对采集到的原始传感信号进行预处理，消除与刀具磨损不相干的成分，并分别提取各信号的时域、频域和时频域特征；
(3)特征降维
采用去噪堆叠自编码器(SDAE)对提取到的多传感、多特征高维数据进行降维，得到最有效特征向量，减少噪声干扰，提高后续算法计算速度；
(4)磨损阶段划分
按照刀具实际磨损量，将不同工况下的刀具磨损特征向量分别分为多个磨损阶段；
(5)模型参数训练
将步骤(4)中划分的磨损阶段类别和步骤(3)中降维后的特征向量分别输入HSMM中，同时采用细菌觅食算法(BFOA)优化HSMM的参数，得到不同工况、不同磨损阶段的最优参数模型；
(6)磨损状态识别
实时采集待监测刀具传感信号，经由步骤(2)、(3)特征提取和特征降维之后，分别输入步骤(5)中所得各参数模型，计算各模型输出的似然概率以及当前数据高斯混合模型(GMM)与不同工况下各模型GMM之间的相似度，将各模型之间的相似度作为加权系数对各模型输出的似然概率进行加权计算，最大者即为当前刀具所处磨损阶段。


2.根据权利要求1所述的工况自适应的高速铣削加工过程刀具监测方法，其特征在于，步骤(1)中采集到的原始特征信号共计七组，具体来说为x,y,z方向的切削力信号、x,y,z方向的振动信号、声发射信号。


3.根据权利要求1所述的工况自适应的高速铣削加工过程刀具监测方法，其特征在于，所述步骤(2)中：时域特征包括：均值、峰值、峰-峰值、均方根、斜度、峭度、峭度因子、方差、标准差、偏斜度、峰值因子、波形因子、脉冲因子和裕度因子；频域特征包括：信号能量、重心频率、频率方差、均方频率、功率谱均值、功率谱峰值、功率谱方差、功率谱峭度和功率谱裕度；时频域特征为6层小波包分解的64个频带能量所占百分比。


4.根据权利要求1所述的工况自适应的高速铣削加工过程刀具监测方法，其特征在于，所述步骤(3)采用的SDAE特征降维方法，由两个DAE堆叠而成，每个DAE为一个三层神经网络，包括输入层、中间层和输出层，分别做贪婪训练得到最优参数。原始高维特征信号归一化处理后作为第一个DAE输入层的输入，第一个DAE的中间层作为第二个DAE的输入层，第二个DAE的中间层即为降维后的特征数据；具体地包括如下步骤：
步骤3.1：原始高维特征信号[0,1]归一化处理；
步骤3.2：归一化后的高维特征做随机映射，添加环境噪声，增加特征信号抗干扰能力；
步骤3.3：归一化后的数据作为SDAE中第一个DAE输入层的输入，然后进行贪婪训练，得到第一个DAE的中间层输出；
步骤3.4：第一个DAE中间层的输出在随机映射之后作为第二个DAE输入层输入，第二个DAE做贪婪训...

【专利技术属性】
技术研发人员：杨文安，刘伟超，王鹏宇，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32