一种刀具磨损监测和预测方法技术

本发明专利技术涉及机械加工领域，具体涉及基于切削力信号的刀具磨损监测和预测方法。本发明专利技术将整段切削信号按照10000个数据点的长度划分成N段(N取20)，对每段数据进行时域特征、频域特征和时频域特征的提取，本发明专利技术利用特征正则化方法处理得到的特征向量序列，以最小化切削参数引起的切削信号变化，同时保留刀具磨损与切削信号之间的映射关系，为了进一步优化特征向量序列，通过注意力机制对特征向量序列中的不同特征分配不同的权重系数，加强特征向量序列中有价值的信息，弱化冗余信息，在提高生产效率的同时降低生产成本，对于当前数据驱动的智能制造模式具有很大意义。能制造模式具有很大意义。能制造模式具有很大意义。

【技术实现步骤摘要】
一种刀具磨损监测和预测方法


[0001]本专利技术涉及机械加工领域，具体涉及基于切削力信号的刀具磨损监测和预测方法。

技术介绍

[0002]现代制造工业，刀具磨损状态对工件的表面完整性、加工精度和加工效率具有很大的影响。刀具磨损不仅会降低工件的表面质量，而且剧烈的刀具磨损可能会直接导致零件的报废和机器的故障停机。为了保证零件的加工质量，避免因刀具磨损造成的损失，很有必要监测刀具磨损状态以及预测将来刀具磨损的变化。随着传感器技术和人工智能的发展，通过切削信号监测刀具磨损状态成为了一种可能。目前，有关刀具磨损监测的研究大多数利用机器学习算法来实现刀具磨损状态的监测，但是机器学习算法大都具备浅层的网络结构，不能够从切削信号中提取高水平的特征，而且机器学习算法依赖于特征提取，丢失或忽略了切削信号内在的时间信息。虽然有研究将深度学习用于刀具磨损监测，但是并没有考虑实际多变的切削工况，且没有对所提取的特征表示进行筛选以保留重要的信息，弱化冗余信息。因此，目前刀具磨损监测的研究还存在着局限性，所得到的刀具磨损监测模型预测准确度不够高、普适性差，且没有考虑将来本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种刀具磨损监测和预测方法，其特征在于包括以下步骤：
①
从切削信号中提取局部特征；101将整段切削信号按照10000个数据点长度划分成N段(N取20)，对每段数据进行时域特征、频域特征和时频域特征的提取；提取的时域特征包括最大值、最小值、峰峰值、方差、均方根、峰度因子和偏度因子，频域特征包括均值、最大值、均方根和功率值，时频域特征包括小波能量值；102将从数据中提取到的特征量按照切削信号的时间维度依次排序，形成特征向量序列，特征向量序列如下：c＝(c1,c2,...c
T
‑1,c
T
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中c
i
表示提取到的特征量，T表示将整段切削信号划分成的段数，在这里为20；
②
对基于步骤
①
提取到的局部特征进行正则化处理；
③
对步骤
②
中得到的局部特征进行处理；301计算特征向量的权重，对计算得到的权重参数进行归一化处理，然后每一段切削数据中提取到的特征向量共享计算得到的归一化权重，其相应的计算过程如下所示：a
i
＝tanh(W
a
·
c
i
+b
a
)(1≤i≤m)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)(2)其中，W
a
表示注意力机制的权重，b
a
表示注意力机制的偏置，a
i
表示计算得到的特征向量权重，tanh表示双曲正切函数，α
i
表示归一化后的特征向量权重，exp表示指数函数，α表示特征向量的权重矩阵，m表示从一段时间序列信号中提取到的特征数，T表示整段切削信号被划分成的段数；302对特征向量的权重矩阵和原始的特征向量序列进行点乘操作，实现对不同的特征量赋予不同的权重；
④
建立刀具磨损监测模型；401串联向量和卷积核之间的乘法运算，其表示为：Cov
i
＝f(W'x
i:i+L
‑1+b)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)其中，Cov
i
表示通过卷积操作后得到的特征表示，f表示激活函数，W表示卷积核，x
i:i+L
‑1表示从输入样本中截取到的串联向量，L表示串联向量的长度，b表示卷积神经网络的权重；402构建并行的、具有不同层数的卷积神经网络结构，...

【专利技术属性】
技术研发人员：焦黎，程明辉，颜培，仇天阳，姜洪森，刘志兵，王西彬，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：