[发明专利]基于小波包和概率神经网络的刀具破损自适应报警方法

说明书

技术领域

本发明涉及机床刀具状态监测领域，具体涉及基于小波包分析和概率神经网络建模的刀具破损自适应报警方法。

背景技术

自适应报警技术指报警指标应该是随着设备的工作条件、工作时间、功率、速度等实际情况变化而变化，其目标是建立报警指标与设备运行情况的动态评判规则，形成一条变化的动态报警曲线。

由于制造过程的复杂性和多样性，刀具的寿命呈离散分布，使得许多刀具被提前或置后跟换，造成刀具不必要的浪费，由于加工质量问题，使得刀具状态检测的必要。当前的设备状态报警技术仍建立在静态报警的基础上，一旦发现参数超越了预先的给定值，就立即报警或采取相应的措施。这样容易出现漏报和误报。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供基于小波包分解和概率神经网络的刀具破损自适应报警方法，能够找出与刀具磨损相关的均方根值的概率分布曲线，用数理统计的方法确定报警值，随着刀具磨损状态变化形成动态报警线，不会出现漏报和误报。

为了达到上述目的，本发明采用的技术方案为：

基于小波包和概率神经网络刀具破损自适应报警方法，包括以下步骤：

第一步，先将固定声发射传感器的刀杆部位打磨，涂抹黄油，然后把声发射传感器固定到刀杆上，采用基于Labview的声发射信号数据采集程序，通过PCI卡采集声发射信号；

第二步，将采集到的声发射信号进行三层小波包分析，将各组信号分解到八个频段上去，即0～124khz，125～249khz，250～499khz，500～549khz，550～599khz，600～649khz，650～699khz，700～749khz，其中125～249khz和250～499khz两个频带能量最大，选取其为信号的特征频带，并取特征频带的均方根值；

第三步，将均方根值先进行归一化处理，再进行相同值处理，用相异值得到平滑因子，用相同值得到先验概率；

第四步，基于Bayes理论假设各个样本的先验分布均相等，利用概率神经网络建立刀具破损状态概率模型；

第五步，根据刀具破损状态概率模型和拉依达准则确定刀具磨损状态的报警值，随着切削的运行，历史数据增多，报警阈值不断变化，形成一条动态报警线，依据该动态报警线，进行刀具运行状态的自适应报警监测。

由于本发明采用了声发射传感器，通过对原始信号进行采集、小波包分析提取特征频段的能量和概率神经网络建立设备状态概率模型，利用历史数据形成动态报警线，建立报警线与设备实际运行状态的关系，故而提高了报警的精度，具有实时检测刀具状态并及时报警提醒更换刀具等优点。

附图说明

附图为本发明的框架流程图。

具体实施方式

下面结合附图对本发明作进一步详细描述。

参照附图，基于小波包和概率神经网络刀具破损自适应报警方法，包括以下步骤：

第一步，先将固定声发射传感器的刀杆部位打磨，涂抹黄油，然后把声发射传感器固定到刀杆上，采用基于Labview的声发射信号数据采集程序，通过PCI卡采集声发射信号；

第二步，将采集到的声发射信号进行三层小波包分析，将各组信号分解到八个频段上去，即0～124khz，125～249khz，250～499khz，500～549khz，550～599khz，600～649khz，650～699khz，700～749khz，其中125～249khz和250～499khz两个频带能量最大，选取其为信号的特征频带，并取特征频带的均方根值；

第三步，将计算得到的均方根值先进行预处理：归一化处理和相同值处理，归一化处理过程为：其中：{x_i}为设备运行历史数据，x_i为归一化后的数据，max(x_i)为中的最大值，min(x_i)为中的最小值，在相同值处理中，相异值估计平滑因子，平滑因子的估计采用Cain的方法，其中样本点问的平均最小距离d_ij＝|x_i-x_j|，式中：N为样本层的数据个数，概率神经网络中的平滑因子可由经验公式表达为g＝1.1～1.4；