基于局部线性嵌入法的微铣削刀具磨损状态监测方法技术

本发明专利技术公开了基于局部线性嵌入法的微铣削刀具磨损状态监测方法，首先通过安装在立式铣床的主轴上的加速度传感器采集立铣切削过程中的加速度信号表示为X＝[x(1),x(2),

【技术实现步骤摘要】
基于局部线性嵌入法的微铣削刀具磨损状态监测方法


[0001]本专利技术涉及微铣削刀具磨损监测
，具体涉及基于局部线性嵌入法的微铣削刀具磨损状态监测方法。

技术介绍

[0002]随着科技的发展，人们对商品精致化的要求越来越高，随着精密、超精密技术的快速发展，特征尺寸在毫米级至微米级的三维微小零件已广泛用于航空航天、国防产业、医疗器械以及生物工程等军事民用重点领域。这一要求带动了精密加工和微铣削加工技术的发展。与大型系统相比，微系统低能耗且便于工艺集成。但是伴随着工件和刀具的尺寸逐步减小，微铣刀的磨损更剧烈，而产生磨损的刀具对于工件表面的粗糙度以及加工工件的精度均会产生影响，严重的甚至造成机床的损伤。由此可知，提出一种行之有效的微铣刀磨损监测方法十分需要。
[0003]国内外学者对于此问题的研究主要分为直接法和间接法。1)直接法：通过数字图像、视觉等对微铣刀磨损图像进行处理，实现微铣刀的磨损监测；2)间接法：通过对声发射信号、切削力和振动信号进行信号处理，提取相关特征然后进行分类识别，预测刀具磨损。
[0004]直接法主要借助于高精度的高速相机获取微铣刀磨损图像，并通过数字图像处理技术获取刀具磨损特征，利用相关分类算法进行刀具磨损状态的分类。虽然直接法通过先进的高速相机可以得到刀具磨损的真实状态，精度较高。但是切削过程需要的冷却液以及产生的碎屑不利于相机拍摄。
[0005]为解决直接法的问题，众多研究人员提出了基于加工过程传感信号的间接法。间接法主要包括传感器选择、信号采集、特征提取和特征分类，其中，刀具磨损监测所用传感信号主要包括切削力、振动、声发射信号。由于振动信号与加工过程的紧密联系及安装方便的特点，本专利选择振动信号用于微铣刀磨损状态监测。

技术实现思路

[0006]为解决现有技术中的不足，本专利技术提供一种基于局部线性嵌入法的微铣削刀具磨损状态监测方法。
[0007]为了实现上述目标，本专利技术采用如下技术方案：
[0008]基于局部线性嵌入法的微铣削刀具磨损状态监测方法，其特征在于：按照以下步骤操作：
[0009]采集立铣切削过程中的加速度信号：X＝[x(1)，x(2)，
…
，x(n)]，n表示信号长度；
[0010]将切削状态下的信号进行频域分析，并提取频域信号特征量；
[0011]将频域特征量进行特征空间化简；
[0012]通过化简后的特征空间训练神经网络进行分类；
[0013]通过训练后的神经网络分类不同微铣刀磨损状态特征信号测试数据，得到BP神经网络分类误差以及BP神经网络分类识别精度。
[0014]作为本专利技术的一种优选方案，前述的基于局部线性嵌入法的微铣削刀具磨损状态监测方法：频域特征量特征空间化简过程中，利用局部线性嵌入法进行降维约简操作，获得相关性较好的3个频域特征量。
[0015]作为本专利技术的一种优选方案，前述的基于局部线性嵌入法的微铣削刀具磨损状态监测方法：设高维数据集X＝{x1，
…
，x
n
}，x
i
∈R
D
，降维后的低维坐标Y＝{y1，
…
，y
N
}，y
i
∈R
d
，d＜D，利用局部线性嵌入法进行降维约简操作的步骤如下：
[0016]将相对于所求样本点距离最近的k个样本点定义为所求样本点的k个近邻点；
[0017]计算样本点的局部重建权值矩阵W，最小化代价函数ε(W)：
[0018][0019]式中：W
ij
表示样本点x
i
同近邻点x
j
之间的重构权值。其中满足以下条件：若x
j
是x
i
的近邻点，则否则W
ij
＝0；
[0020]将所有的样本点映射到低维空间中，映射满足以下条件：将所有的样本点映射到低维空间中，映射满足以下条件：
[0021]式中：y
i
是x
i
的低维映射矢量；y
j
是x
i
的近邻x
j
的低维映射矢量；满足以及其中I表示n阶单位矩阵。利用拉格朗日法，上述问题可以转化为方程：MY＝λY，式中M＝(1
‑
W)
T
(1
‑
W)是一个N
×
N的对称稀疏矩阵。
[0022]作为本专利技术的一种优选方案，前述的基于局部线性嵌入法的微铣削刀具磨损状态监测方法：通过化简后的特征空间训练神经网络进行分类的具体方法是：
[0023]根据刀具磨损信号特点确定BP神经网络的结构为3
‑4‑
4；
[0024]利用灰狼优化算法初始化BP神经网络权值和阈值；
[0025]用训练数据训练BP神经网络，在训练过程中根据误差调整网络的权值和阈值；
[0026]用训练好的BP神经网络分类刀具磨损状态特征信号；
[0027]根据分类结果分析BP神经网络的分类能力。
[0028]作为本专利技术的一种优选方案，前述的基于局部线性嵌入法的微铣削刀具磨损状态监测方法：灰狼优化算法包括以下步骤：
[0029]灰狼算法参数初始化；
[0030]初始化灰狼的位置；
[0031]计算灰狼个体的适应度值；
[0032]根据适应度值的大小进行排序；
[0033]根据公式更新灰狼种群的位置；
[0034]更新参数；
[0035]判断是否达到最大迭代次数，若满足终止条件输出最优解，否则重新计算灰狼个体的适应度值。
[0036]作为本专利技术的一种优选方案，前述的基于局部线性嵌入法的微铣削刀具磨损状态
监测方法：灰狼优化算法中，每只灰狼代表种群一个潜在解，算法模拟了灰狼社会等级，分别为α狼、β狼、δ狼和ω狼，依次代表最优解、优解、次优解和候选解，其中，α、β和δ引导搜索，ω跟随；
[0037]包围猎物：设狼群数量为N，搜索空间维度为M，则第i头狼的位置定义为X
i，j
＝(X
i，1
，X
i，2
，...，X
i，m
)，i＝1，2，...，n，则包围猎物的定义如下：
[0038]D＝|C
·
X
p
(t)
‑
X(t)|
[0039]X(t+1)＝X
p
(t)
‑
A
·
D
[0040]式中，t为当前迭代次数；A和C为系数向量；X
p
(t)为猎物位置，X(t)为第t代时灰狼的位置，X(t+1)表示灰狼位置更新，D表示灰狼与猎物的距离，向量A和C的计算如下：
[0041]A＝2a
·
r1‑
a
[0042]C＝2<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于局部线性嵌入法的微铣削刀具磨损状态监测方法，其特征在于：按照以下步骤操作：采集立铣切削过程中的加速度信号：X＝[x(1)，x(2)，...，x(n)]，n表示信号长度；将切削状态下的信号进行频域分析，并提取频域信号特征量；将频域特征量进行特征空间化简；通过化简后的特征空间训练神经网络进行分类；通过训练后的神经网络分类不同微铣刀磨损状态特征信号测试数据，得到BP神经网络分类误差以及BP神经网络分类识别精度。2.根据权利要求1所述的基于局部线性嵌入法的微铣削刀具磨损状态监测方法，其特征在于：频域特征量特征空间化简过程中，利用局部线性嵌入法进行降维约简操作，获得相关性较好的3个频域特征量。3.根据权利要求2所述的基于局部线性嵌入法的微铣削刀具磨损状态监测方法，其特征在于：设高维数据集X＝{x1，
…
，x
n
}，x
i
∈R
D
，降维后的低维坐标Y＝{y1，
…
，y
N
}，y
i
∈R
d
，d＜D，利用局部线性嵌入法进行降维约简操作的步骤如下：将相对于所求样本点距离最近的k个样本点定义为所求样本点的k个近邻点；计算样本点的局部重建权值矩阵W，最小化代价函数ε(W)：式中，W
ij
表示样本点x
i
同近邻点x
j
之间的重构权值。其中满足以下条件：若x
j
是x
i
的近邻点，则否则W
ij
＝0；将所有的样本点映射到低维空间中，映射满足以下条件：将所有的样本点映射到低维空间中，映射满足以下条件：式中，y
i
是x
i
的低维映射矢量；y
j
是x
i
的近邻x
j
的低维映射矢量；满足以及其中I表示n阶单位矩阵。利用拉格朗日法，上述问题可以转化为方程：MY＝λY，式中M＝(1
‑
W)
T
(1
‑
W)是一个N
×
N的对称稀疏矩阵。4.根据权利要求1所述的基于局部线性嵌入法的微铣削刀具磨损状态监测方法，其特征在于：通过化简后的特征空间训练神经网络进行分类的具体方法是：根据刀具磨损信号特点确定BP神经网络的结构为3
‑4‑
4；利用灰狼优化算法初始化BP神经网络权值和阈值；用训练数据训练BP神经网络，在训练过程中根据误差调整网络的权值和阈值；用训练好的BP神经网络分类刀具磨损状态特征信号；根据分类结果分析BP神经网络的分类能力。5.根据权利要求4所述的基于局部线性嵌入法的微铣削刀具磨损状态监测方法，其特征在于：灰狼优化算法包括以下步骤：灰狼算法参数初始化；初始化灰狼的位置；
计算灰狼个体的适应度值；根据适应度值的大小进行排序；根据公式更新灰狼种群的位置；更新参数；判断是否达到最大迭代次数，若满足终止条件输出最优解，否则重新计算灰狼个体的适应度值。6.根据权利要求5所述的基于局部线性嵌入法的微...

【专利技术属性】
技术研发人员：张屹，潘春龙，
申请(专利权)人：常州大学，
类型：发明
国别省市：