[发明专利]基于条件随机场模型的刀具磨损状态监测方法

说明书

技术领域

本发明涉及一种刀具磨损状态监测方法，尤其涉及一种基于条件随机场(CRF)模型的刀具磨损状态监测方法。

背景技术

刀具在切削的过程中，由于刀具和工件长时间的接触磨损以及积屑瘤、操作不当等原因，易造成刀具的磨损，使刀具的几何形状发生变化，降低了工件加工的精度，不仅浪费时间，而且增大了加工的成本。随着制造业的发展，切削加工正面临着提高加工质量、缩短加工时间、降低加工成本等方面的挑战，而切削过程中刀具的磨损会直接影响加工质量，降低加工效率，甚至损伤加工工件和机床，如果靠停机检测，会大大降低生产效率，无法及时改善加工质量，因此这就迫切要求对刀具磨损状态实行在线监测和评估，根据监测结果进行适当的操作。一直以来，很多学者对刀具磨损状态监测进行了大量的研究，并且取得了一些成果，但都存在一些不足之处。

发明内容

针对现有技术的一些不足之处，为了对加工过程中刀具的不同磨损状态做出准确的监测，降低刀具磨损后未能及时换刀引起的损失，本发明提供了一种基于条件随机场(CRF)模型的刀具磨损监测方法，通过建立刀具磨损状态与提取的声发射信号特征之间的CRF模型，对刀具不同磨损阶段的磨损状态进行了准确的识别，从而达到通过产生的声发射信号预测刀具的不同磨损状态的目的。

为了解决上述技术问题，本发明基于条件随机场模型的刀具磨损状态监测方法是在刀具进行多次切削过程中，对刀具进行磨损监测，包括以下步骤：

步骤一、对采集到的切削过程的声发射信号进行预处理：首先，去掉刀具刚切入和切出部分的声发射信号，截取切削平稳阶段的声发射信号，然后，对声发射信号进行滤波和小波分解，选取60KHz到200KHz频段的信号进行特征提取；

步骤二、从声发射信号中提取特征向量，包括提取声发射信号的最大值、偏度、峭度、均方根、熵、方差和峰峰值，从而得到条件随机场模型的训练样本和测试样本；

步骤三、分析声发射信号的特征与刀具磨损状态的关系，建立刀具磨损状态监测的条件随机场模型：

首先，初始化条件随机场模型参数，该条件随机场模型使用线性链式结构，设置模型参数，主要是特征权重参数λ的设置，将特征权重参数λ的初值为零，特征权重参数λ的维数取决于训练样本个数和状态数；

然后，设置模型训练的收敛精度ε，将训练样本输入初始化后的条件随机场模型进行迭代运算，采用拟牛顿算法计算参数，当梯度小于等于收敛精度ε时，停止迭代；

最终，采用最大似然估计求解法，确定训练后的条件随机场特征权重参数λ，从而建立刀具磨损状态监测的条件随机场模型；

步骤四、将由步骤二得到的测试样本输入到由步骤三建立的刀具磨损状态监测的条件随机场模型中进行概率计算，得到该测试样本对应的标记序列，从而进行刀具磨损状态的识别，并由刀具磨损状态监测的条件随机场模型输出测试样本所对应的刀具磨损状态的类型，刀具磨损状态的类型包括有：

1)新刀，磨损量为0；

2)初期磨损，磨损量为(0.05～0.1)mm；

3)正常磨损，磨损量为(0.1～0.5)mm；

4)剧烈磨损，磨损量大于0.5mm。

与现有技术相比，本发明的有益效果是：

本发明基于条件随机场(CRF)模型的刀具磨损监测方法是采用CRF建模，采用声发射作为监测信号，具有信号获取容易，响应快和灵敏度高等特点，在刀具在线监测中具有很大优势；CRF模型不需要对识别数据做独立性假设，而在应用HMM时，首先要假设识别数据是相互独立的。在实际的切削过程中，通常提取的信号的特征向量不是相互独立的，而是有一定的联系的，CRF模型是一种无向图结构模型，在给定观测序列的条件下，可以建立一个观测序列和标记序列的联合概率模型，直接采用指数分布来估计随机变量序列的概率分布，并且允许状态与观测数据之间存在非局部依赖关系。因此，本发明更适合应用于实际情况。

附图说明

图1是本发明监测刀具磨损状态条件随机场模型的建模主流程图；

图2是本发明中基于条件随机场(CRF)建模的线性链式条件随机场模型；

图3是本发明中基于条件随机场(CRF)模型训练曲线；

图4-1至图4-4是刀具磨损照片，

其中：图4-1是0^th/0mm，图4-2是16^th/0.10mm，图4-3是34^th/0.30mm，图4-4是41^th/0.55mm。

具体实施方式