[发明专利]一种刀具磨损监测方法

说明书

技术领域

本发明涉及刀具磨损检测领域，尤其是一种用于航空领域难加工器件精密加工中的刀具磨损的实时在线刀具磨损监测方法。

背景技术

随着加工系统的自动化和智能化水平的提高，为了避免机床、刀具和工件的损坏，提高加工工件的质量和尺寸精度，传统的单因素传感器已经难以满足高精度刀具状态检测系统的要求。多传感器融合的刀具状态检测系统的研究受到了人们的普遍关注。采用多传感器技术可以克服单一传感器只能提供局部的信息技术条件限制，获得全面的状态信息，从而更全面反映被检测系统的状态变化，提高检测系统抗干扰能力。

多传感器融合的刀具状态检测在国外学者虽然受到的重视，但大多侧重在磨钝与锋利、破损与未破损两分类模式识别问题上，而刀具磨损量的估计对制造过程智能化有更重要的作用。

国内专家和学者虽然也对多传感器融合技术进行了研究，但是多为理论技术研究，而且都是以切削力信号为主要检测信号。切削力是刀具状态最直接的反映，切削力信号直接真实、抗干扰能力较强，灵敏度高、可以感知切削力的微小变化。刀具的磨损状态与切削力的变化存在很好的对应关系，但是切削加工条件的变化也会引起切削力的变化，传感器测量切削力的变化很难区分是加工条件改变引起的还是由于刀具磨损引起的，并且其传感器的安装需要对机床做些改动，适用性较差。

发明内容

针对现有技术中存在的上述不足之处，本发明要解决的技术问题在于提供一种刀具磨损监测方法，准备地实现对机床中刀具磨损监测。

本发明采用如下的技术方案：

一种刀具磨损监测方法，包括如下的步骤：

1）在不同的切削参数下，分别采集各种不同磨损状态的声发射信号、机床中主轴电机与进给电机的电流信号、切削速度、切削深度和进给量；

2）将声发射信号提取的频域的幅值均方根和功率最大值、声发射信号db8小波包三层分解的8个频带能量、电流信号采用db8小波包三层分解的8个频带能量、切削速度、切削深度和进给量，构建成条件属性C，条件属性中的条件值标为Ci；将刀具后刀面磨损量作为决策属性D；建立决策表A；

3）采用自组织映射神经网络对决策表A中连续属性值进行离散化处理，聚类数选择为4；采用Johnson算法约简属性个数将决策表A约简为决策表B；

4）通过遗传算法对BP神经网络的初始权值和阈值进行优化，将步骤3）中约简后的属性值作为BP神经网络的输入神经元对经过优化后的BP神经网络进行训练和学习；

5）用训练好的BP神经网络对刀具磨损程度进行预测。

进一步地，所述声发射信号的频率采集范围为20KHz-1MHz。

进一步地，步骤3）中Johnson算法约简属性个数的步骤为：

依次对决策表A的条件属性的某个条件值Ci判断ind_{C/{Ci}}(D)是否等于ind_C(D)；如果等于，将条件属性中的某个条件值Ci删除，并返回至决策表A中进行下一项的判断，直到所有的ind_{C/{Ci}}(D)是否等于ind_C(D)不相等，保留条件属性中的条件值Ci到空的决策表B，将决策属性D及所在的信息存入决策表B的最后一列，并将重复的行合并，决策表B即为最小约简属性。

进一步地，遗传算法的参数设置为：种群规模为30，进化次数为100，选择概率为0.1，交叉概率为0.5，变异概率为0.01。

进一步地，BP神经网络选择3层；输入层神经元为4个节点，输出层神经元为3，逐次改变隐含层节点数，对BP神经网络进行训练，选择输出误差最小时对应的隐含层节点数。

本发明具有如下的优点和有益效果：

本发明提出了基于粗糙集和遗传算法优化神经网络的刀具磨损状态诊断方法。该方法首先通过粗糙集的数据分析方法，约简样本的属性个数，提取其中关键属性作为BP神经网络的输入；接着通过遗传算法优化BP网络参数的初始权值和阈值，避免了网络收敛速度慢及落入局部极值点的缺点；最后再对神经网络进行训练。将该方法用于刀具磨损监测，实验结果表明，该方法不仅简化了神经网络的结构，使神经网络具有很快的收敛性以及较强的学习能力，而且提高了刀具磨损检测的识别率。

附图说明

图1为本发明Johnson算法约简属性的流程图；

图2为本发明遗传算法优化BP神经网络的流程图。

具体实施方式