基于多通道信息融合的刀具状态监测方法技术

基于多通道信息融合的刀具状态监测方法，包括如下步骤，步骤一，采集刀具加工中的多源振动数据，步骤二，振动信号整周期截取；步骤三，对多通道信息进行复合粗粒化处理；步骤四，计算的波动散度熵；步骤五，训练多故障分类器；步骤六，根据分类结果识别具体的故障类型；步骤七：将步骤一至六获得的数据用于刀具健康软件系统，对实时生产的刀具健康状态进行监测及故障识别。本发明专利技术解决了现有振动传感器单通道信息难以全面表征刀具故障特征的难题，突破了复杂动态干扰导致刀具故障监测精度低的难题；采用哈里斯鹰算法自适应的优化极限学习机参数，提高了故障识别精度和泛化能力，为高速加工过程中刀具在线监测提供了一种有效的解决方法。

【技术实现步骤摘要】

本专利技术涉及高速加工过程刀具状态监测，特别是一种基于多通道信息融合的刀具状态监测方法。

技术介绍

1、高速加工是智能制造过程重要的加工技术，凭借着高转速、高精度和高效率等优势，高速加工过程被广泛应用于航空航天、轨道交通和军事装备等高端装备加工制造。作为加工过程中的核心部件，刀具的运行状态直接影响了高速加工过程的安全性，在高速加工过程中，由于转速高、负载大，刀具长期承受复杂的热力耦合作用，难免会发生磨损、崩刃等故障，尤其在加工硬质合金等材料时，高速运行的刀具极有可能发生崩裂，甚至断刀，一旦出现故障，轻则影响加工精度，重则引发灾难性的事故，给高速加工带来了安全隐患。所以对刀具健康状态进行实时监测对于提高加工过程的健康稳定运行具有重要的实际价值。

2、目前，针对高速加工过程中刀具的状态监测，一般是对其加工中的振动信号进行分析，振动信号与刀具健康状态息息相关，而且易于被采集，信噪比较高。但实际情况下，由于刀具振动信号传递路径复杂，只采用单个振动传感器中单个通道的信号进行分析难以准确描述刀具的故障特征；例如刀具发生故障后，其振动的主要方向为径向，但若振本文档来自技高网...

【技术保护点】

1.基于多通道信息融合的刀具状态监测方法，其特征在于，包括如下步骤，步骤一，采集刀具加工中的多源振动数据，具体利用安装在高速加工机床主轴附近和工件夹具附近的多套振动传感器实时采集加工过程中的振动数据，每个振动传感器采集X、Y、Z轴三个方向的刀具加工中产生的加速度信号，所采集的多源振动数据记为步骤二，振动信号整周期截取，具体对采集的多源振动信息进行数据截取，按照信号采样频率和高速加工刀具转速对振动信号进行截取，一方面提高样本点数，另一方面避免随机干扰，提高计算的鲁棒性；步骤三，对多通道信息进行复合粗粒化处理，生成复合多通道粗粒时间序列，所构建的张量记为步骤四，计算的波动散度熵，设置相同的尺...

【技术特征摘要】

1.基于多通道信息融合的刀具状态监测方法，其特征在于，包括如下步骤，步骤一，采集刀具加工中的多源振动数据，具体利用安装在高速加工机床主轴附近和工件夹具附近的多套振动传感器实时采集加工过程中的振动数据，每个振动传感器采集x、y、z轴三个方向的刀具加工中产生的加速度信号，所采集的多源振动数据记为步骤二，振动信号整周期截取，具体对采集的多源振动信息进行数据截取，按照信号采样频率和高速加工刀具转速对振动信号进行截取，一方面提高样本点数，另一方面避免随机干扰，提高计算的鲁棒性；步骤三，对多通道信息进行复合粗粒化处理，生成复合多通道粗粒时间序列，所构建的张量记为步骤四，计算的波动散度熵，设置相同的尺度因子和粗粒度参数，计算多通道下每个样本的波动散度熵，建立混合结构化特征集，并根据数据样本构建训练集和测试集；步骤五，训练多故障分类器，将训练集输入到极限学习机进行训练，利用哈里斯鹰优化算法实时更新输入权重w和隐含层阈值g，以构建最优参数组合，通过多次迭代优化，直至算法收敛，输出最优的参数组合(w,g)；步骤六，根据步骤五输出结果识别健康状态，将测试样本输入到优化后的极限学习机进行识别，根据分类结...

【专利技术属性】
技术研发人员：江金根，陈阳，
申请(专利权)人：友机技术上海有限公司，
类型：发明
国别省市：