[发明专利]一种面向刀具的在线快速优化模型的监测方法

权利要求书

1.一种面向刀具的在线快速优化模型的监测方法，其特征在于，包括如下步骤：

步骤1、在第i个周期内利用传感器获取铣削过程中的切削力信号、振动信号和声发射信号，并利用相机获取第i个周期结束时刻的铣削过程中的刀具图片；

步骤2、利用频域及时域分析法分别获取在第i个周期内所述切削力信号、振动信号及声发射信号在时域与频域上的多种特征参数，并作为第i组特征参数；从而得到n组特征参数；

步骤3、利用在第i个周期结束时刻的刀具图片获取刀具的后刀面磨损值，并作为第i个磨损值W_i；从而得到n×1维磨损值矩阵W＝[W₁,W₂,…,W_i,…,W_n]^T；

步骤4、利用奈曼皮尔逊系数法分析时域与频域上的特征参数分别与磨损值之间的关系，从而得到特征参数中的每种特征参数与对应磨损值之间皮尔逊系数，并从中选择皮尔逊系数大于所设定的阈值的特征参数作为筛选出的特征参数，从而组成特征矩阵X_nj表示筛选后的第n个周期的第j个特征参数；

步骤5、利用主成成分分析法对特征矩阵X进行降维处理，得到降维后的特征矩阵Z_nk表示降维后的第n个周期的第k个特征参数；k＜j；

步骤6、将降维后的特征矩阵Z与对应的磨损值组成训练样本集

利用所述训练样本集对支持向量回归机进行训练，得到刀具磨损回归模型；

所述刀具磨损回归模型是按如下过程得到：

步骤6.1、利用径向基函数K作为支持向量回归机的核函数，定义变量γ为核函数的分布宽度，利用降维后的特征矩阵作为支持向量回归机的核函数中的标记点l_nk表示第n个周期的第k个标记点；

步骤6.2、将降维后的特征矩阵Z与标记点l带入核函数K中进行运算，从而得到转换后的超平面特征K(z_nk,l_nk)表示第n个周期的第k个超平面特征；

步骤6.3、初始化权重向量θ＝[θ₁,θ₂,…,θ_a,…,θ_k]^T中每一项为(0,1)的随机数；其中，θ_a表示第a个超平面特征的权重；

步骤6.4、利用式(1)构建第i个磨损值假设函数H_i，从而对刀具磨损值进行预测，获得磨损值预测模型H＝[H₁,H₂,…,H_i,…,H_n]^T；

式(1)中，b为偏置项；

步骤6.5、利用最小二乘法构建如式(2)所示的磨损值损失函数Loss，用于对磨损值预测模型H进行评估；

式(1)中，α为分布宽度γ的上限，β为分布宽度γ的下限，C为惩罚因子，ω为惩罚因子C的上限，ξ为惩罚因子的C下限；

步骤6.6、利用梯度下降法对磨损值预测模型H的权重向量θ与偏置项b进行更新，直至损失值损失函数Loss达到最小，从而获得刀具磨损回归模型；

利用所述训练样本集对BP神经网络进行训练，得到刀具磨损分类模型；

所述刀具磨损分类模型是按如下过程得到：

步骤6.7、将磨损值根据磨损阈值分为Q种磨损类型，从而得到n×1维磨损分类矩阵Ca＝[Ca₁,Ca₂,…,Ca_i,…,Ca_n]^T，其中，Ca_i为第i个磨损值的磨损类型，并与降维后的特征矩阵Z重新构成训练集

步骤6.8、令所述刀具磨损分类模型由3层神经网络构成，依次包括输入层，隐藏层和输出层，其中，令输入层有k个神经元；隐藏层的神经元个数为g；输出层的有Q个神经元；隐藏层采用sigmoid作为激活函数；输出层采用softmax作为激活函数；

将所述训练集TN输入所述刀具磨损分类模型，从而获得磨损分类预测矩阵PCa＝[PCa₁,PCa₂,…,PCa_i,…,PCa_n]^T；其中，PCa_i为第i个磨损值预测的磨损类型；

步骤6.9、构建如式(3)所示的损失函数J，用于对刀具磨损分类模型进行评估：

式(3)中，PCa_qi为第q个神经元输出的第i个磨损值预测的磨损类型；

步骤6.10、利用反向传播法对输入层至隐藏层的权重参数，隐藏层至输出层的权重参数以及偏置项进行更新，直至损失函数J达到最小，从而获得刀具磨损分类模型；

步骤7、定义变量t并初始化t＝1；

将所述刀具磨损回归模型与刀具磨损分类模型作为第t-1次校准后的刀具磨损回归模型与刀具磨损分类模型；

步骤8、在加工监测过程中，利用相机实时获取第t次回刀间隙时刻的刀具图片并得到其后刀面的磨损量，并与第t次回刀间隙时刻所在的周期内实时获取的切削力信号、振动信号和声发射信号所对应的降维后的特征参数组成随机梯度训练集；

步骤9、利用所述随机梯度训练集更新第t-1次校准后的刀具磨损回归模型与刀具磨损分类模型，从而得到第t次校准后的刀具磨损回归模型与刀具磨损分类模型，用于对后续刀具的磨损进行预测与分类，以实现刀具的实时监测；

步骤10、将t+1赋值给t，并返回步骤8顺序执行，从而实现模型的更新。

2.根据权利要求1所述的面向刀具的在线快速优化模型的监测方法，其特征在于，所述步骤2中时域的特征参数包括：均值、方差、标准差、峭度指标、偏度指标、峰值、峰-峰值、波峰因素；

频域的特征参数包括：最大幅值、最小幅值、平均幅值、峰-峰幅值、重心频率、均方频率、均方根频率、频率方差、频率标准差、功率最大值、功率最小值、功率中位数、功率平均数。