【技术实现步骤摘要】
一种多传感器融合的车刀状态监测方法及系统
本专利技术涉及车刀状态监测
,具体涉及一种多传感器融合的车刀状态监测方法及系统。
技术介绍
制造业中,为保证自动化加工设备的安全和加工质量,迫切需要解决加工过程中的监控问题,刀具状态变化是机械加工过程中最常见的故障之一。刀具磨损、破损和崩刃是几种较常见的刀具状态变化,这些变化都会影响工件尺寸精度和表面加工质量,甚至还会危及机床、工件和人员的安全。为减少甚至是避免这一系列问题,需对加工过程中的刀具磨损状态进行实时监测。刀具状态监测技术基于现代传感器技术、信号处理技术、计算机技术和制造技术发展起来的技术,由于加工条件多样性、切削参数多样性和刀具磨损等原因使得刀具状态监测成为整个生产过程监测的重要环节。如今,刀具状态监测方法主要有间接测量方法和直接测量方法。直接测量法判断刀具磨损情况主要是通过监测刀具磨损面反光强度、刀刃位移情况、切削面放射性、接触电阻和工件尺寸的变化;间接测量法判断刀具磨损情况主要是通过监测切削过程中某些与刀具磨损构成映射关系的参数,如温度、声发射、振动、切削力、扭矩及电流等信号的变化来间接映射刀具磨损情况。直接测量法主要包括光学图谱法、接触法、放电性技术和工件尺寸测量法,间接测量法主要包括切削温度测量法、声发射监测法、振动监测法和切削力监测法。基于现阶段刀具状态监测技术,直接测量法虽然能获得直观数据从而避免复杂数据分析,但是在采集数据中容易受到环境干扰,从而导致数据不可靠、测量精度不高。间接测量法虽然能采集准确度较高的数据,但是却不能直观反 ...
【技术保护点】
1.一种多传感器融合的车刀状态监测方法,其特征在于,包括如下步骤:/n采集车刀工作过程中的声发射信号和电流信号;/n对声发射信号和电流信号进行特征提取后进行归一化处理;/n将归一化处理后的数据输入神经网络模型进行结果识别;/n上述步骤中,在采集声发射信号和电流信号步骤后,还包括车刀极限磨损判定步骤,车刀极限磨损判定与特征提取并列进行;/n所述车刀极限磨损判定的方式为:在轻载荷区,通过声发射信号判定;在中载荷区,通过声发射信号和电流信号协同判定;在重载荷区,通过电流信号判定。/n
【技术特征摘要】 【专利技术属性】
1.一种多传感器融合的车刀状态监测方法,其特征在于,包括如下步骤:
采集车刀工作过程中的声发射信号和电流信号;
对声发射信号和电流信号进行特征提取后进行归一化处理;
将归一化处理后的数据输入神经网络模型进行结果识别;
上述步骤中,在采集声发射信号和电流信号步骤后,还包括车刀极限磨损判定步骤,车刀极限磨损判定与特征提取并列进行;
所述车刀极限磨损判定的方式为:在轻载荷区,通过声发射信号判定;在中载荷区,通过声发射信号和电流信号协同判定;在重载荷区,通过电流信号判定。
2.根据权利要求1所述的一种多传感器融合的车刀状态监测方法,其特征在于,所述车刀极限磨损判定的具体步骤包括:
在轻载荷区:
a1.输入声发射信号x,判定x是否小于声发射信号阈值xthr,若是,则判定车刀状态正常,车刀继续工作;否则,判定车刀状态为极限磨损或破损,车刀暂停工作;
在中载荷区:
b1.输入声发射信号x,判定x是否小于声发射信号阈值xthr,若是,则判定车刀状态正常,车刀继续工作;否则,进入步骤b2;
b2.输入电流信号i,判定在δ秒内i是否小于电流信号阈值ithr,若是,则判定车刀状态正常,车刀继续工作;否则,判定车刀状态为极限磨损或破损,车刀暂停工作;
在重载荷区:
c1.输入电流信号i,判定i是否小于电流信号阈值ithr,若是,则判定车刀状态正常,车刀继续工作;否则,判定车刀状态为极限磨损或破损,车刀暂停工作。
3.根据权利要求2所述的一种多传感器融合的车刀状态监测方法,其特征在于,在所述轻载荷区、中载荷区或重载荷区,在所述判定车刀状态为极限磨损或破损后,进行报警。
4.根据权利要求1所述的一种多传感器融合的车刀状态监测方法,其特征在于,所述采集车刀工作过程中的声发射信号和电流信号步骤与所述对声发射信号和电流信号进行特征提取后进行归一化处理步骤之间,还包括数据不平衡处理步骤。
5.根据权利要求4所述的一种多传感器融合的车刀状态监测方法,其特征在于,所述不平衡处理步骤包括:
S21.输入数据集D和过采样率α;
S22.将数据集D分成正常样本集normal和故障样本集false,将正常样本集划分为正常类子簇;
S23.根据S22得到的正常类子簇划分故障类样本为不同的故障类子簇;
S24.计算每个故障类子簇误分率,计算公式为:
式中,Cfalk表示故障类子簇,tk表示Cfalk中误分样本数,mk表示Cfalk中总样本数;
再计算每个故障类子簇过采样权重,计算公式为:
式中,α表示过采样率,且满足0≤α≤1,Nnor表示原始数据集中正常类样本数,Nfal表示原始数据集中故障类样本数,n表示Cfalk中样本个数;
S25.计算每个故障类子簇的概率分布,结合S24得到的每个故障类子簇的过采样权重对故障类子簇中样本进行过采样,同时对合成样本进行预测,预测正确则将合成样本添入新数据集TD中;故障类子簇的概率分布计算公式为:
式中,n表示Cfalk中样本个数,t表示近邻样本个数,bk表示a的第k个正常类样本近邻,1≤k≤t,表示故障类样本α与正常类样本bk之间的欧式距离。
技术研发人员:郭亮,李懿,高宏力,董勋,宋虹亮,秦奥苹,
申请(专利权)人:西南交通大学,
类型:发明
国别省市:四川;51
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。