一种刀具状态监测方法及其监测装置制造方法及图纸

本发明专利技术公开了一种刀具状态监测方法及检测装置，包括如下步骤：采集刀具加工过程中切削力、振动信号以及对应刀具的磨损状态，获得时间序列样本；对时间序列样本进行数据扩维，然后以最小化多尺度排列熵为目标函数，利用智能进化算法进行参数取值并寻优，得到最优重构矩阵；对最优重构矩阵进行编码生成灰度距离图；将同一样本中的灰度距离图进行对角切割并聚合成彩色距离图；将彩色距离图输入到对比学习网络中进行预训练模型的训练，得到特征权重；将预训练模型的特征权重调用到Resnet18分类模型中并训练，得到训练后的Resnet18分类模型；利用训练后的Resnet18分类模型对刀具状态进行监测识别。本发明专利技术可以实现刀具状态的高精度监测，大大降低了成本。大大降低了成本。大大降低了成本。

A tool condition monitoring method and its monitoring device

【技术实现步骤摘要】
一种刀具状态监测方法及其监测装置


[0001]本专利技术涉及加工过程监测
，特别是一种刀具状态监测方法及其监测装置。

技术介绍

[0002]在材料切削过程中，刀具与工件直接接触，刀具的逐渐磨损已成为影响工件尺寸精度、表面粗糙度和加工成本的重要因素。刀具磨损是一个复杂的非线性过程，传统上主要借助于操作者的经验和主观判断或采用固定加工时间的方式来决定是否需要更换刀具，容易导致刀具过早被换掉，从而降低了加工效率并增加了刀具成本。如果能开发出一种可靠的刀具状态监测方法来及时反映刀具的磨损情况，可以大大增加加工效率并减少刀具成本。据研究，有效的刀具状态监测系统可以减少7％—20％的故障停机时间，提高20％—30％的生产效率。因此，如何掌握刀具实时磨损状态，开发出高精度的刀具状态监测方法，提高刀具的利用率，降低加工成本，是机加工过程智能化的发展中急需解决的问题之一。
[0003]目前，国内外学者对刀具状态监测开展了大量的研究，常用的方法是通过间接测量加工过程中与刀具状态相关的物理量(如切削力、振动加速度、声发射等)，通过特征提取技术和状态识别本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种刀具状态监测方法，其特征在于：包括如下步骤：步骤1、采集刀具加工过程中切削力、振动信号以及对应刀具的磨损状态，获得时间序列样本；所述时间序列样本包括有标签样本和无标签样本，所述有标签样本由刀具加工开始阶段以及结束阶段的切削力、振动信号和刀具磨损状态组成的；所述无标签样本由刀具加工中间阶段的切削力和振动信号组成；步骤2、对时间序列样本进行数据扩维，然后以最小化多尺度排列熵为目标函数，利用智能进化算法进行参数取值并寻优，得到最优重构矩阵；步骤3、对最优重构矩阵进行编码生成灰度距离图；步骤4、将同一样本中的灰度距离图进行对角切割并聚合成彩色距离图；步骤5、将彩色距离图输入到对比学习网络中进行预训练模型的训练，得到特征权重；步骤6、将预训练模型的特征权重调用到Resnet18分类模型中并训练，得到训练后的Resnet18分类模型；步骤7、利用训练后的Resnet18分类模型对刀具状态进行监测识别。2.根据权利要求1所述的刀具状态监测方法，其特征在于：步骤二中，所述数据扩维是先将时间序列样本进行平均化，得到粗粒度时间序列，平均化公式如下：式中：y
i
为粗粒度时间序列，S代表尺度因子，每个粗粒度时间序列的长度等于时间序列样本的长度N除以尺度因子S,x
j
为时间序列样本。3.根据权利要求2所述的刀具状态监测方法，其特征在于：步骤二中，所述最优重构矩阵的获取是将粗粒度时间序列嵌入到嵌入维度为m、时间延迟为t的相空间中，得到相空间的时间状态，如下所示：对Y(i)的元素按照实际值升序排列，每个Y(i)映射到一个符号数组S(i)＝[j1，j2，j3…
j
m
]，i＝1，2，3
…
k，k≤m！；对于不同符号数组的概率分布为P1，P2，P3…
P
k
，其中[Y(i)，i＝1，2，3
…
k]的概率为k香农熵：对上式进行归一化处理，得到排列熵H＝Hp(m)/ln(m！)；构建最小化多尺度排列熵偏度平方的优化模型：
其中，SKEW表示所有样本的多尺度排列熵的偏度平方，SK
x
表示X的排列熵偏度，Q为样本容量，H
x
表示X的排列熵，H
avg
表示所有Q个排列熵的均值；利用智能进化算法求解出使得SKEW最小的时间序列长度N、尺度因子S、嵌入维度m和时间延迟t，进而构造最优重构矩阵：其中：k＝T
‑
(m...

【专利技术属性】
技术研发人员：周余庆，王泓澈，孙维方，陈如清，任燕，向家伟，
申请(专利权)人：温州大学，
类型：发明
国别省市：