[发明专利]基于局部线性嵌入法的微铣削刀具磨损状态监测方法

说明书

本发明公开了基于局部线性嵌入法的微铣削刀具磨损状态监测方法，首先通过安装在立式铣床的主轴上的加速度传感器采集立铣切削过程中的加速度信号表示为X＝[x(1),x(2),…,x(n)]，n表示信号长度，提取切削时刻信号的频域特征；然后对提取出的频域特征进行降维约简操作，将频域特征利用局部线性嵌入法处理得到降维后的三个相关性很强的频域特征量；接着将降维约简后的特征量输入到BP神经网络中进行训练，并对神经网络进行灰狼优化，最后依靠神经网络的极强非线性映射能力，使神经网络对不同磨损程度刀具产生的信号进行分类，并能准确判别未知信号所属类别。本发明对不同磨损状态识别精度更高，效率更快，可以及时发现刀具的剧烈磨损。

技术领域

本发明涉及微铣削刀具磨损监测技术领域，具体涉及基于局部线性嵌入法的微铣削刀具磨损状态监测方法。

背景技术

随着科技的发展，人们对商品精致化的要求越来越高，随着精密、超精密技术的快速发展，特征尺寸在毫米级至微米级的三维微小零件已广泛用于航空航天、国防产业、医疗器械以及生物工程等军事民用重点领域。这一要求带动了精密加工和微铣削加工技术的发展。与大型系统相比，微系统低能耗且便于工艺集成。但是伴随着工件和刀具的尺寸逐步减小，微铣刀的磨损更剧烈，而产生磨损的刀具对于工件表面的粗糙度以及加工工件的精度均会产生影响，严重的甚至造成机床的损伤。由此可知，提出一种行之有效的微铣刀磨损监测方法十分需要。

国内外学者对于此问题的研究主要分为直接法和间接法。1)直接法：通过数字图像、视觉等对微铣刀磨损图像进行处理，实现微铣刀的磨损监测；2)间接法：通过对声发射信号、切削力和振动信号进行信号处理，提取相关特征然后进行分类识别，预测刀具磨损。

直接法主要借助于高精度的高速相机获取微铣刀磨损图像，并通过数字图像处理技术获取刀具磨损特征，利用相关分类算法进行刀具磨损状态的分类。虽然直接法通过先进的高速相机可以得到刀具磨损的真实状态，精度较高。但是切削过程需要的冷却液以及产生的碎屑不利于相机拍摄。

为解决直接法的问题，众多研究人员提出了基于加工过程传感信号的间接法。间接法主要包括传感器选择、信号采集、特征提取和特征分类，其中，刀具磨损监测所用传感信号主要包括切削力、振动、声发射信号。由于振动信号与加工过程的紧密联系及安装方便的特点，本专利选择振动信号用于微铣刀磨损状态监测。

发明内容

为解决现有技术中的不足，本发明提供一种基于局部线性嵌入法的微铣削刀具磨损状态监测方法。

为了实现上述目标，本发明采用如下技术方案：

基于局部线性嵌入法的微铣削刀具磨损状态监测方法，其特征在于：按照以下步骤操作：

采集立铣切削过程中的加速度信号：X＝[x(1)，x(2)，…，x(n)]，n表示信号长度；

将切削状态下的信号进行频域分析，并提取频域信号特征量；

将频域特征量进行特征空间化简；

通过化简后的特征空间训练神经网络进行分类；

通过训练后的神经网络分类不同微铣刀磨损状态特征信号测试数据，得到BP神经网络分类误差以及BP神经网络分类识别精度。

作为本发明的一种优选方案，前述的基于局部线性嵌入法的微铣削刀具磨损状态监测方法：频域特征量特征空间化简过程中，利用局部线性嵌入法进行降维约简操作，获得相关性较好的3个频域特征量。