[发明专利]一种面向刀具的在线快速优化模型的监测方法

说明书

本发明公开了一种面向刀具的在线快速优化模型的监测方法，包括：1采集刀具铣削过程中的切削力信号、振动信号、声发射信号及图像信号；2采用时域与频域分析法提取采集信号的特征；3采用图像处理提取刀具当前磨损值；4利用皮尔逊系数分析特征与磨损值的相关性，筛选特征；5利用主成成分分析，对数据降维；6利用降维后的数据与磨损值对支持向量回归机进行训练获得磨损回归模型；7利用降维后的数据与磨损值对BP神经网络进行训练获得磨损分类模型；8在实际监测中，在回刀间隙采集刀具磨损图像，与当前特征结合作为随机梯度，在线更新监测回归与分类模型。本发明能增强模型适应性，从而能提高磨损预测与分类精度。

技术领域

本发明涉及刀具磨损预测与分类领域，具体是涉及一种面向在线快速优化刀具实时监测模型的方法。

背景技术

切削加工作为加工工件的主要机械加工方法，监测切削加工过程有着提高加工精度、保证生产节奏、降低生产成本与实现智能加工有着重大意义。在切削加工中，由于刀具与工件直接耦合，对刀具的监测可有效反应加工过程。因此，切削加工监测问题被转化为刀具监测问题。

目前，对于刀具的监测问题主要通过数据驱动的监测模型对实时刀具状态进行预测与分类，即通过实验测量加工过程中的多传感器参数，对测量参数进行特征提取，利用机器学习算法拟合刀具磨损曲线模型或刀具磨损分类模型，将实时测量的传感器数据作为模型输入，得到当前刀具磨损的预测值与分类。

该方法主要存在两个问题，第一为需要进行大量实验保证训练集数量保证模型精度，因此需要大量材料与刀具，实验阶段成本高；第二为在实际加工过程中，加工环境与状态会出现随机性变化，导致原模型泛化性较差，导致预测与分类误差大。因此迫切需要研究一种误差小、精度高、泛化性强、实时性好的刀具监测方法。

发明内容

本发明是为了解决数据驱动监测模型中的不足之处，提出一种误差小、精度高、泛化性强、实时性好的面向刀具的在线快速优化模型的监测方法，以期能增强模型适应性，从而能提高磨损预测与分类精度。

本发明为解决技术问题采用如下技术方案：

本发明一种面向刀具的在线快速优化模型的监测方法的特点在于，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；

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；

步骤7、定义变量t并初始化t＝1；