基于粒子滤波算法的刀具磨损状态预测算法制造技术

本发明专利技术公开了一种基于粒子滤波算法的刀具磨损状态预测算法，包括：获取刀具磨损相关信息并进行预处理，然后抽取特征，获得特征集；基于特征集与随机森林算法进行刀具磨损状态预测，获得预测值；基于预测值构建粒子滤波的观测方程和状态方程，获得迭代粒子集；基于预设粒子规模值对迭代粒子集进行动态更新，获得更新粒子集；构建适应度函数计算更新粒子集中各个粒子的适应度，基于计算结果判断是否对更新粒子集中的粒子进行移动，直至存在粒子的适应度为零或达到预设迭代次数，取各粒子的均值作为最终刀具磨损状态预测值，实现刀具磨损状态预测

【技术实现步骤摘要】
基于粒子滤波算法的刀具磨损状态预测算法


[0001]本专利技术属于数控机床刀具磨损状态预测领域，特别是涉及一种基于粒子滤波算法的刀具磨损状态预测算法
。

技术介绍

[0002]金属切削时，刀具切销工件的同时自身也会发生损坏，达到一定程度时，就需要更换刀具或者切削刃
。
刀具磨损后，会使加工工件的表面粗糙度增加从而使精度降低，并导致切削力增加，切削温度升高，不能正常切削
。
据文献
(
王志伟，周益军
.
数控机床刀具磨损监测系统开发关键技术研究
[J].
内燃机与配件，
2021
，
325(01)
：
59
‑
60.)
显示在大型加工中心因未及时更换磨损严重的刀具而造成刀具损坏的数量每天达到
40
至
50
把；在文献
(
林杨，高思煜，刘同舜，等基于深度学习的高速铣削刀具磨损状态预测方法
[J].
机械与电子，
2017
，
298(7)
：
12
‑
17.)
中调查显示在实际的生产加工过程中刀具的寿命利用率往往只有
50
％到
80
％，据德国
W.Koening
公司的统计数据显示数控加工过程中引入刀具状况识别及预测系统，能够提高数控机床
10
％～
60r/>％的加工效率
。
因此，通过对刀具磨损状态的监测与分析，及时发现刀具的磨损情况，优化刀具的更换计划，提高生产效率，一直是研究热点
。
[0003]随着传感器技术的发展，诸多学者通过研究加工过程中的振动
、
声发射
、
切削力
、
功率和电流等信号的特征，最终获得反映刀具磨损的间接指标，实现对刀具磨损状态的准确测量
。
目前，国内外关于刀具磨损状态预测的方法主要分为两大类：第一类是机器学习方法，常见的有神经网络
、
支持向量机
(SVM)
和隐马尔科夫模型
(HMM)
等方法；另一类是以深度学习为代表的算法，常用的有深度置信网络
(DBN)、
卷积神经网络
(CNN)
和长短时神经网络
(Lstm)
等
。
如在机器学习方法中文献
(
聂鹏，贾彤，张锴锋，等
.
基于
HPSO
优化
BP
神经网络的刀具磨损状态识别
[J].
组合机床与自动化加工技术，
2020(3)
：
152
‑
155.)
中通过将小波分解的
AE
信号提取的频段能量和切削参数作为输入特征提出了混合粒子优化的
BP
网络模型，基于微切削平台上所采集振动信号的时域
、
频域和时频域提取能量
、
均方根值
、
峰度系数三类特征搭建了模糊神经网络模型对刀具的磨损状态进行识别，实现了对刀具磨损状态的预测；在深度学习方法中文献
(
吴飞，农皓业，马晨浩
.
基于粒子群优化算法
‑
长短时记忆模型的刀具磨损预测方法
[J].
吉林大学学报
(
工学版
)2023,53(04),989
‑
997)
采用改进多项式阈值函数对刀具加速度振动信号进行去噪，构建了优质的信号输入样本，训练长短时记忆网络对刀具后刀面磨损值进行预测和磨损状态分类，利用粒子群优化算法对网络进行参数寻优
。
文献
(Wang D,Yu J,Tang D.An HDP
‑
HMMbasedapproach for tool wear estimation and tool life preditocn[J].Quality Enginneing,2021,33(2):208
‑
220.)
通过粒子滤波结合了物理模型和回归模型，不仅可以准确预测刀具磨损，还可以给出结果的置信区间
。
[0004]通过以上分析发现，现有技术为了保证预测结果的准确性，需要大量的数据进行训练，而大量的数据意味着需要消耗大量的计算资源，求解效率难以提升，不考虑方法和模型的复杂度对计算效率的影响使得这些算法无法用于刀具磨损在线预测
。

技术实现思路

[0005]本专利技术的目的是提供一种基于粒子滤波算法的刀具磨损状态预测算法，以解决上述现有技术存在的问题
。
[0006]为实现上述目的，本专利技术提供了一种基于粒子滤波算法的刀具磨损状态预测算法，包括：
[0007]获取刀具磨损相关信息，对所述刀具磨损相关信息进行预处理；
[0008]对预处理后的刀具磨损相关信息进行特征抽取，获取特征集；基于所述特征集，采用随机森林算法进行刀具磨损状态预测，获得初始刀具磨损状态预测值；
[0009]基于所述初始刀具磨损状态预测值构建粒子滤波的观测方程和状态方程；
[0010]基于粒子滤波的观测方程和状态方程初始化粒子滤波产生粒子后，执行重要性采样，获得迭代加权粒子集；
[0011]基于预设粒子规模值对所述迭代粒子集进行动态更新，获得更新粒子集；
[0012]构建适应度函数，基于所述适应度函数计算所述更新粒子集中各个粒子的适应度，基于适应度计算结果判断是否对所述更新粒子集中的粒子进行移动，直至更新粒子集中存在粒子的适应度为零或达到预设迭代次数，取各粒子的均值作为最终刀具磨损状态预测值，实现刀具磨损状态预测
。
[0013]可选的，所述刀具磨损相关信息包括但不限于刀面磨损量
、
切深
、
进给率
、
加工材质
、
交流主轴电机电流
、
直流主轴电机电流
、
主轴振动
、
主轴声音信号
。
[0014]可选的，预处理的过程包括：对所述刀具磨损相关信息中的无效数据
、
异常数据进行删除或采用平滑插值填补方式进行处理
。
[0015]可选的，特征抽取获得特征集的过程包括：采用基于统计的时域特征对预处理后的刀具磨损相关信息进行特征抽取，获得特征集
。
[0016]可选的，将所述初始刀具磨损状态预测值作为真实磨损量的一个测量值，构建粒子滤波的观测方程和状态方程，观测方程和状态方程如下：
[0017][0018]式中，
x
k
是
k
时刻刀具的真实磨损量，<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于粒子滤波算法的刀具磨损状态预测算法，其特征在于，包括以下步骤：获取刀具磨损相关信息，对所述刀具磨损相关信息进行预处理；对预处理后的刀具磨损相关信息进行特征抽取，获取特征集；基于所述特征集，采用随机森林算法进行刀具磨损状态预测，获得初始刀具磨损状态预测值；基于所述初始刀具磨损状态预测值构建粒子滤波的观测方程和状态方程；基于粒子滤波的观测方程和状态方程初始化粒子滤波产生粒子后，执行重要性采样，获得迭代加权粒子集；基于预设粒子规模值对所述迭代粒子集进行动态更新，获得更新粒子集；构建适应度函数，基于所述适应度函数计算所述更新粒子集中各个粒子的适应度，基于适应度计算结果判断是否对所述更新粒子集中的粒子进行移动，直至更新粒子集中存在粒子的适应度为零或达到预设迭代次数，取各粒子的均值作为最终刀具磨损状态预测值，实现刀具磨损状态预测
。2.
根据权利要求1所述的基于粒子滤波算法的刀具磨损状态预测算法，其特征在于，所述刀具磨损相关信息包括但不限于刀面磨损量
、
切深
、
进给率
、
加工材质
、
交流主轴电机电流
、
直流主轴电机电流
、
主轴振动
、
主轴声音信号
。3.
根据权利要求1所述的基于粒子滤波算法的刀具磨损状态预测算法，其特征在于，预处理的过程包括：对所述刀具磨损相关信息中的无效数据
、
异常数据进行删除或采用平滑插值填补方式进行处理
。4.
根据权利要求1所述的基于粒子滤波算法的刀具磨损状态预测算法，其特征在于，特征抽取获得特征集的过程包括：采用基于统计的时域特征对预处理后的刀具磨损相关信息进行特征抽取，获得特征集
。5.
根据权利要求1所述的基于粒子滤波算法的刀具磨损状态预测算法，其特征在于，将所述初始刀具磨损状态预测值作为真实磨损量的一个测量值，构建粒子滤波的观测方程和状态方程，观测方程和状态方程如下：式中，
x k
是
k
时刻刀具的真实磨损量，
y k
是
k
时刻随机森林预测值，
u k
,v k
分别为
k
时刻状态噪声和测量噪声，均服从高斯分布
。6.
根据权利要求1所述的基于粒子滤波算法的...

【专利技术属性】
技术研发人员：张剑飞，杨马袁，刘明，王硕，
申请(专利权)人：齐齐哈尔大学，
类型：发明
国别省市：