[发明专利]一种预测刀具磨损状态的方法及系统

说明书

一种预测刀具磨损状态的方法，包括以下步骤：步骤一，通过铣削加工实验，采集不同铣削条件下的刀具的实际刀面磨损量M_k和原始振动信号；步骤二，对原始振动信号进行预处理，去除原始振动信号中的冗杂数据，并提取预处理后的信号原始振动信号的有效特征量，获得不同时刻的磨损特征值X_k；步骤三，将不同时刻的磨损特征值作为BP神经网络的输入值，获得第一当前刀具磨损值M_1k；步骤四，将不同时刻的磨损特征值作为SVM支持向量机的输入值，获得第二当前刀具磨损值M_2k；步骤五，将步骤三中的第一当前刀具磨损值M_1k和步骤四中第二当前刀具磨损值M_2k进行数据加权分析，获取的综合刀具磨损值M′_k。

技术领域

本发明涉及一种对刀具磨损状态进行预测的方法及系统。

背景技术

在机械制造加工过程中，刀具磨损状态将直接影响加工工件的质量，从而导致企业生产成本的提高，生产效率低。据工业统计数据表明，在数控机床故障中，由于刀具过度磨损导致机床故障停机的时间约占总时间1/3。因此，怎样有效的监督刀具磨损状态，对提高生产效率和生产质量有着重要意义。

目前，多数刀具磨损状态监测系统都是通过对各种信号采集、提取有效特征值，然后利用神经网络进行学习，最终识别出刀具磨损状态。但是，一般的监测系统只利用单一网络模型对刀具磨损状态进行识别，如使用BP神经网络、RBF网络、SOM网络等，这样单一的预测方式会导致预测结果过于依赖单一模型，在应对不同环境时，预测结果相差过大。

发明内容

本发明是为了解决一般刀具磨损状态监测系统过于依赖单一模型导致预测结果与实际情况相差过大的问题，目的在于提供一种预测刀具磨损状态的方法及系统。

本发明提供一种预测刀具磨损状态的方法，采用组合预测的方式对加工中心中的刀具的磨损状态进行预测，其特征在于，包括以下步骤：步骤一，通过铣削加工实验，采集不同铣削条件下的刀具的实际刀面磨损量M_k和原始振动信号；步骤二，对原始振动信号进行预处理，去除原始振动信号中的冗杂数据，并提取预处理后的信号原始振动信号的有效特征量，获得不同时刻的磨损特征值X_k；步骤三，将不同时刻的磨损特征值作为BP神经网络的输入值，获得第一当前刀具磨损值M_1k；步骤四，将不同时刻的磨损特征值作为SVM支持向量机的输入值，获得第二当前刀具磨损值M_2k；步骤五，将步骤三中的第一当前刀具磨损值M_1k和步骤四中第二当前刀具磨损值M_2k进行数据加权分析，获取的综合刀具磨损值M＇_k，该综合刀具磨损值M＇_k用于表征刀具的预测刀面磨损量：

M′_k＝ω₁M_1k+ω₂M_2k (1)

式(1)中ω₁和ω₂分别为BP神经网络和SVM支持向量机的非负权重系数。

本发明提供的检测刀具磨损状态的方法，还可以具有这样的特征，其特征在于：其中，步骤五中的数据加权分析的过程还包括如下子步骤：步骤一，M_1k和M_2k分别为BP神经网络和SVM在第k时刻刀具磨损的预测值，刀具的综合刀具磨损值M′_k为：

M′_k＝_ω1M_1k+ω₂M_2k