本发明专利技术公开了一种刀具磨损状态智能评估方法及装置，该方法包括：采集刀具加工时的信号数据，包括：主轴的振动信号以及主轴的功率信号；对采集到的信号数据进行预处理；对预处理后的数据进行特征提取；对提取的特征进行选择；利用选择的特征与磨损数据进行模型训练，得到刀具识别模型以及刀具的特征种类；将选择的特征量输入训练得到的模型中，输出刀具的磨损状态。该装置包括：信号采集模块、预处理模块、特征提取模块、特征选择模块以及模式识别模块。通过本发明专利技术，监测准确，能提高刀具利用率，降低刀具维护时间，提高加工工件合格率，有效地降低生产加工成本。效地降低生产加工成本。效地降低生产加工成本。
【技术实现步骤摘要】
一种刀具磨损状态智能评估方法及装置
[0001]本专利技术涉及刀具磨损检测
，特别涉及一种刀具磨损状态智能评估方法及装置。
技术介绍
[0002]刀具在数控加工系统中最容易磨损和失效，而刀具的状态对加工过程有着十分重要的影响。刀具磨损严重需停机更换刀具，刀具残屑则会加速刀具磨损，从而影响刀具表面完整性。刀具磨损会导致加工工件尺寸不合格，从而工件表面的加工质量会因此受到影响。加工尺寸不合格会导致工件返修甚至直接报废；表面质量的恶化会使得零件的疲劳寿命降低，降低零件的可靠性，因此刀具磨损不仅会降低生产效率，还增加了生产成本。
[0003]申请号为：201910607592.6，名称为：一种数控机床刀具剩余寿命预测方法的专利技术专利公开了一种数控机床刀具剩余寿命预测方法，主要包含信号数据采集、数据预处理、特征提取、模型监测、寿命输出等步骤，步骤一、收集PLC控制器信号和外置传感器信号；步骤二、对步骤一所得到的信号进行时域特征提取；步骤三、对步骤二所提取的时域特征利用主元分析PCA的T2特征图得到对应的数据矩阵；步骤四：对步骤三所得到的数据矩阵提取该特征向量的每一时间段的中值，和每一时间段范围的变化值，以及他们各自的一阶差分值；步骤五：将步骤四所得到的矩阵特征向量作为多核加权最小二乘支持向量机的输入，得到相应的剩余寿命值。
[0004]申请号为：201910657300.X，名称为：基于LSTM网络的变工况下刀具剩余寿命预测方法的专利技术专利公开了一种基于LSTM网络的变工况下数控机床刀具剩余寿命预测方法，采用希尔伯特黄变换从过程监测信号中提取出磨损特征，并对多工况下加工工况场景进行定义，通过长短期记忆网络学习加工中工况场景与刀具磨损特征变化之间的关联关系，预测刀具剩余寿命。
[0005]上述专利存在以下问题：模型训练选用的特征参数类型较少，影响了预测精度。
技术实现思路
[0006]本专利技术针对上述现有技术中存在的问题，提出一种刀具磨损状态智能评估方法及装置，采用主轴的振动信号与功率信号特征融合的方法对刀具状态进行监测，监测准确，能提高刀具利用率，降低刀具维护时间，提高加工工件合格率，有效地降低生产加工成本。
[0007]为解决上述技术问题，本专利技术是通过如下技术方案实现的：
[0008]本专利技术提供一种刀具磨损状态智能评估方法，其包括：
[0009]S11：采集刀具加工时的信号数据，包括：主轴的振动信号以及主轴的功率信号；
[0010]S12：对所述S11采集到的信号数据进行预处理；
[0011]S13：对所述S12预处理后的数据进行特征提取；
[0012]S14：对所述S13提取的特征进行选择；
[0013]S15：利用所述S14选择的特征与磨损数据进行模型训练，得到刀具识别模型以及
刀具的特征种类；
[0014]S16：将所述S14选择的特征量输入所述S15训练得到的模型中，输出刀具的磨损状态。
[0015]较佳地，所述S11中的主轴的振动信号包括：主轴前端或后端的x、y、z三个方向的振动信号。
[0016]较佳地，所述S16之后还包括：
[0017]S31：根据所述刀具的磨损状态对刀具的寿命进行预测。
[0018]较佳地，所述S12进一步包括：对数据进行缺失值填充、异常值处理、刀具号提取以及每把刀具加工时的信号段提取。
[0019]较佳地，所述S13进一步包括：对每把刀具的加工时的信号段进行时域分析、频域分析以及时频域分析。
[0020]较佳地，所述S14进一步包括：对所述S13提取的特征进行特征排序，然后利用特征搜索进行特征的组合选取。
[0021]较佳地，所述特征排序是基于最大信息系数值进行特征选取；
[0022]所述特征搜索是基于遗传算法来进行特征组合选取。
[0023]较佳地，所述S15中的模型训练为基于长短期记忆神经网络的识别模型。
[0024]较佳地，所述S13中在特征提取之后还包括：把提取的特征存入数据库，用于对模型进行学习优化。
[0025]本专利技术还提供一种刀具磨损状态智能评估装置，其包括：信号采集模块、预处理模块、特征提取模块、特征选择模块以及模式识别模块；其中，
[0026]所述信号采集模块用于采集刀具加工时的信号数据，包括：主轴的振动信号以及主轴的功率信号；
[0027]所述预处理模块用于对所述信号采集模块采集到的信号数据进行预处理；
[0028]所述特征提取模块用于对所述预处理模块预处理后的数据进行特征提取；
[0029]所述特征选择模块用于对所述特征提取模块提取的特征进行选择；
[0030]所述模式识别模块用于利用所述特征选择模块选择的特征与磨损数据进行模型训练，得到刀具识别模型以及刀具的特征种类，还用于将所述特征选择模块选择的特征量输入训练得到的模型中，输出刀具的磨损状态。
[0031]较佳地，还包括：存储单元，用于每次加工的刀具提取的特征量进行存储，以利用存储的特征量进行不断学习、训练，提高模型的准确性。
[0032]相较于现有技术，本专利技术具有以下优点：
[0033](1)本专利技术提供的刀具磨损状态智能评估方法及装置，振动信号与功率信号相结合对刀具的在线状态进行监测，振动信号与功率信号对刀具磨损敏感性较好，利用多传感器特征融合的办法得到的预测模型预测效果更加准确，适用范围更广；
[0034](2)本专利技术提供的刀具磨损状态智能评估方法及装置，采集振动信号采用的加速度传感器安装方便，后端安装不影响机床的加工，实施性更强，同时加速度传感器价格较低，对环境的要求也不高，节省成本，而功率信号则直接采用主轴的功率，无需外加感应器，因此，本专利技术所设计的采集装置安装方便，对生产线影响小；
[0035](3)本专利技术提供的刀具磨损状态智能评估方法及装置，提取的特征包括时域、频
域、时频域等多种特征量，特征提取全面，有利于后期的特征量优化选择；
[0036](4)本专利技术提供的刀具磨损状态智能评估方法及装置，通过在建模之前对特征进行特征排序与特征搜索，去除了特征中的弱相关特征参数与冗余特征参数，模型选用的特征更合理，训练出的模型更优；
[0037](5)本专利技术提供的刀具磨损状态智能评估方法及装置，通过针对机床多种刀具利用遗传算法加长短期记忆神经网络进行模型训练学习，训练出的模型能够监测机床多把刀具的磨损状态，适用性强，提高了识别精度。
[0038]当然，实施本专利技术的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
[0039]下面结合附图对本专利技术的实施方式作进一步说明：
[0040]图1为本专利技术一实施例的刀具磨损状态智能评估方法的流程图；
[0041]图2为本专利技术一实施例的刀具磨损状态智能评估装置的结构示意图。
[0042]标号说明：1
‑
信号采集模块，2
‑
预处本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种刀具磨损状态智能评估方法，其特征在于，包括：S11：采集刀具加工时的信号数据，包括：主轴的振动信号以及主轴的功率信号；S12：对所述S11采集到的信号数据进行预处理；S13：对所述S12预处理后的数据进行特征提取；S14：对所述S13提取的特征进行选择；S15：利用所述S14选择的特征与磨损数据进行模型训练，得到刀具识别模型以及刀具的特征种类；S16：将所述S14选择的特征量输入所述S15训练得到的模型中，输出刀具的磨损状态。2.根据权利要求1所述的刀具磨损状态智能评估方法，其特征在于，所述S11中的主轴的振动信号包括：主轴前端或后端的x、y、z三个方向的振动信号。3.根据权利要求1所述的刀具磨损状态智能评估方法，其特征在于，所述S16之后还包括：S31：根据所述刀具的磨损状态对刀具的寿命进行预测。4.根据权利要求1所述的刀具磨损状态智能评估方法，其特征在于，所述S12进一步包括：对数据进行缺失值填充、异常值处理、刀具号提取以及每把刀具加工时的信号段提取。5.根据权利要求1所述的刀具磨损状态智能评估方法，其特征在于，所述S13进一步包括：对每把刀具的加工时的信号段进行时域分析、频域分析以及时频域分析。6.根据权利要求1所述的刀具磨损状态智能评估方法，其特征在于，所述S14进一步包括：对所述S13提取的特征进...
【专利技术属性】
技术研发人员：齐子威，许黎明，邢诺贝，刘福军，周超，
申请(专利权)人：上海智能制造功能平台有限公司，
类型：发明
国别省市：
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。