一种基于声振信号特征融合图的旋转刀具磨损监测方法技术

本发明专利技术公开了一种基于声振信号特征融合图的旋转刀具磨损监测方法，对检测信号进行时域、频域、波形和小波域特征提取，并将提取的特征与刀具磨损值进行相关性计算，选取相关系数大的特征与旋转刀具本征特征进行融合，来建立刀具磨损的特征融合图数据集；而且，使用模型融合技术建立具有三层网络融合的集成神经网络架构，采用特征融合图数据集进行训练和验证。本发明专利技术建立的集成神经网络对旋转刀具磨损的预测准确率达到了97.85％，且对前期磨损、中前期磨损、中期磨损、中后期磨损、后期磨损和失效的6种磨损等级中单个磨损类别的预测结果中，除中后期磨损的准确率未达到0.9，其余磨损类别的预测准确率均在0.95以上。类别的预测准确率均在0.95以上。类别的预测准确率均在0.95以上。

【技术实现步骤摘要】
一种基于声振信号特征融合图的旋转刀具磨损监测方法


[0001]本专利技术属于刀具磨损状态监测
，具体涉及一种基于声振信号特征融合图的旋转刀具磨损状态监测方法。

技术介绍

[0002]机械加工领域中，数控机床是适应于不同规模和不同批量工件加工的核心装备，旋转刀具是数控加工过程中核心部件，两者之间的相互配合可以实现精密复杂的多种类型的加工工序。刀具作为机械加工中与工件接触的直接参与者，按照指定走刀路径去除工件上的多余材料形成加工表面。形成待加工表面的整个过程中，旋转刀具每个刀刃的后刀面与工件成形表面接触相互摩擦形成渐进磨损致使刀具磨钝。在机械制造加工中刀具磨损是影响零件加工表面质量和机床服役寿命的直接影响因素。据统计，切削加工中因刀具失效引起的停工时间占据总停工时间的20％，因刀具本身和换刀增加的成本占据总成本的3％～12％。及时获取刀具磨损状态能够有效避免因刀具异常引起的工件质量问题，通过对磨损刀具进行修磨来提高刀具的利用率以减少成本。
[0003]刀具磨损状态辨识从测量方式上分为直接法和间接法，直接法是使用高速相机配合机器视觉技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于声振信号特征融合图的旋转刀具磨损监测方法，其特征在于：具体如下：步骤一、设置切削参数和走刀路径；步骤二、搭建声振信号刀具磨损测试平台，声振信号刀具磨损测试平台包括电子显微镜、信号采集仪、三向加速传感感器、声级计和图像采集设备，图像采集设备包括立式工业相机和卧式工业相机，三向加速度传感器与机床的主轴固定，声级计、立式工业相机和卧式工业相机均与机床的工作台固定；步骤三、进行切削实验并获取切削过程的三向加速度信号、声信号、VB值和磨损图像；步骤四、从三向加速度信号的每个方向加速度信号中提取时域特征和波形特征，共11类特征值，分别为均值、标准差、偏度、峰度、峰峰值、均方根、波峰因子、波形因子、脉冲因子、裕度因子、能量；然后，从三向加速度信号的每个方向加速度信号中提取频域特征，共11类特征值，分别为频域幅值平均值、重心频率、均方频率、频率方差、频率幅值方差、平均频率、中值频率、总功率、平均功率、最大功率对应频率和低频功率与高频功率比；接着，使用小波变换对三向加速度信号的每个方向加速度信号进行小波包分解和小波包重构处理，获取8个小波能量比、8个小波能量熵、1个小波能谱熵，同时对三向加速度信号进行奇异分解获取1个小波包奇异谱熵；完成时域、波形、频域、小波域特征提取后，从三向加速度信号得到振动信号特征矩阵；最后，针对声信号，仅在时域上进行特征提取，得到声信号特征矩阵；步骤五、先求三向加速度信号的时域特征、频域特征和小波域特征与三个刀刃后刀面VB值平均值的相关系数，再求声信号的时域特征与三个刀刃后刀面VB值平均值的相关系数；步骤六、筛选出与三个刀刃后刀面VB值平均值的相关系数大于0.5的特征，得到筛选特征矩阵，对筛选特征矩阵中各元素进行均值归0操作，然后实现三向加速度信号、声信号特征与旋转刀具本征特征的融合；步骤七、将旋转刀具的磨损等级分为6类，见下表，其中，刀具磨损值区间中的磨损值指的是三个刀刃后刀面磨损带宽的平均值；的是三个刀刃后刀面磨损带宽的平均值；步骤八、建立刀具磨损的特征融合图数据集；步骤九、使用模型融合技术建立集成神经网络架构并进行训练和验证，具体为：搭建基于特征融合图的集成神经网络，主要由网络一、网络二、网络三和投票器组件构成；网络一作为集成神经网络的上层架构，结构为2个卷积激活层、3个全连接层和1个Softmax分类器；
网络二作为集成神经网络的中层架构，结构为从左至右的2个卷积激活层与1个卷积池化层的组合层、2个卷积激活层与1个卷积池化层的组合层、3个卷积激活层与1个卷积池化层的组合层、3个卷积激活层与1个卷积池化层的组合层、3个卷积激活层与1个卷积池化层的组合层、2个带损失的全连接激活层、1个全连接层和1个Sotfmax分类器；网络三作为集成神经网络的下层架构，结构为1个卷积激活层与1个卷积池化层的组合层、1个卷积激活层与1个卷积池化层的组合层、3个卷积激活层与1个卷积池化层的组合层、2个带损失的全连接激活层、1个全连接激活层、1个全连接层和1个Softmax分类器；设置损失函数和迭代器，通过训练集对基于特征融合图的集成神经网络进行训练，建立基于特征融合图的集成神经网络模型指标，对基于特征融合图的集成神经网络在测试集上进行验证。2.根据权利要求1所述一种基于声振信号特征融合图的旋转刀具磨损监测方法，其特征在于：步骤三具体为：机床带动旋转刀具按照设置的切削参数和走刀路径对工件进行加工，加工过程中，三向加速度传感器和声级计的信号曲线一旦出现异常，或...

【专利技术属性】
技术研发人员：倪敬，刘轩松，傅云，陈彦臻，蒙臻，李锐智，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：