一种拉刀磨损状态识别模型建立方法技术

一种拉刀磨损状态识别模型建立方法，属于拉刀磨损状态识别技术领域。它包括以下步骤：1、采集原始振动信号，并同步对振动信号进行预处理及磨损状态编码；2、将振动信号分为测试集及训练集，并进行特征提取及优选；3、建立并训练GWO

【技术实现步骤摘要】
一种拉刀磨损状态识别模型建立方法


[0001]本专利技术属于拉刀磨损状态识别
，具体涉及一种拉刀磨损状态识别模型建立方法。

技术介绍

[0002]拉削是一种高效、高精的一次成形机械加工作业类型，可以完成复杂形状快速切削。被广泛地应用于燃气轮机、汽车制动钳支架和航空发动机轮盘榫槽等关键零部件的加工。拉削的刀具叫拉刀，作为切削加工中的关键部分，拉刀能加工复杂轮廓且具有很高的精度，对其状态识别是确保工件加工精度和机床安全的关键因素。
[0003]刀具磨损状态监测方法主要分为两类：直接监测法和间接监测法；直接监测法受到的环境干扰较大和所需的成本较高；间接监测法的刀具状态识别方法主要是对刀具磨损相关的信号数据(切削力、振动、声发射等)进行采集并进行分析处理然后采用机器学习(SVM、神经网络等)、深度学习等方法预测刀具磨损状态。目前SVM方法在刀具状态识别中得到较好使用,但是在提取刀具表面磨损的特征的过程中，会产生较大的冗余和较高的相似性，使得特征矩阵具有较高的维度，这在很大程度上降低了模型的精确度和消耗了计算时长；此外，SVM模型的识别精度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种拉刀磨损状态识别模型建立方法，其特征在于：包括以下步骤：1)、通过加工过程中的拉刀性能试验，采集刀具有效生命周期过程原始的振动信号和对应的刀具磨损状态，采集原始振动信号过程中，对采集的振动信号进行小波包阈值降噪处理并对刀具磨损状态进行标签编码；2)、将步骤1)中磨损状态标签编码后的振动信号数据随机分为测试集及训练集，分别对测试集及训练集中振动信号进行特征提取，并经过mRMR特征优选，移除相关性高和冗余大的提特征，进行降维处理；3)、建立GWO
‑
SVM模型，将步骤2)中经过降维处理的训练集振动信号输入GWO
‑
SVM模型中进行训练，保存训练后的模型结构及参数；4)、将步骤2)中经过降维处理的测试集振动信号输入步骤3)中训练好的GWO
‑
SVM模型，验证模型的识别精度。2.根据权利要求1所述的一种拉刀磨损状态识别模型建立方法，其特征在于所述步骤1)中，刀具磨损状态包括初期磨损、正常磨损和剧烈磨损三个磨损状态。3.根据权利要求2所述的一种拉刀磨损状态识别模型的建模方法，其特征在于刀具磨损量为0
‑
0.05mm时，记为初期磨损状态，标签为1、刀具磨损量为0.05
‑
0.2mm时，记为正常磨损状态，标签为2、刀具磨损量为大于0.2
‑
mm时，记为剧烈磨损状态，标签为3。4.根据权利要求3所述的一种拉刀磨损状态识别模型建立方法，其特征在于所述刀具磨损量记录过程如下：记录拉刀刀齿后刀面在粗加工、半精加工及精加工状态下的磨损值，并将三个加工状态下记录的磨损值取平均，该平均值记为拉刀的当前磨损值。5.根据权利要求1所述的一种拉刀磨损状态识...

【专利技术属性】
技术研发人员：应申舜，孙意诚，徐益栋，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：