[发明专利]一种虑及加工质量的切削刀具保质加工寿命的预测方法

说明书

本发明涉及一种虑及加工质量的切削刀具保质加工寿命的预测方法，包括以下步骤：步骤1、采集加工过程中加工物理信号并预处理；步骤2、构建切削刀具磨损与工件加工质量的映射关系，获得保证加工质量条件下刀具最大加工周期，即刀具保质加工寿命数据；步骤3、依据步骤1采集的加工物理信号和步骤2刀具保质加工寿命数据构建数据集，并基于AE‑HMM训练得到刀具保质加工寿命预测模型；步骤4、基于步骤3的训练模型，在线预测刀具保质加工寿命。本发明解决了刀具保质加工寿命主要依靠经验来判断，过早换刀造成资源浪费，过晚换刀影响加工质量的问题，预测方法具备良好的前置性和具有很好的预测效果，为实现机器人化智能切削加工提供了技术支撑。

技术领域

本发明涉及属于机器人化智能制造相关技术领域，特别涉及一种虑及加工质量的切削刀具保质加工寿命的预测方法。

背景技术

机器人化智能制造是国际科学前沿，在中国创新驱动战略的推进中居于重要地位。机器人加工作为智能制造的主要应用方向，对我国经济、社会和国家安全具有重大意义。而刀具则是机器人化智能制造的基础，其性能直接影响着加工结果的好坏。在一些连续加工过程中，热量累积效应加剧了刀具切削性能衰变，使得刀具加工出合格工件数量的不确定性增加，迫不得已只能无限次地中断加工过程。因此，高质、高效、连续加工技术是智能制造中亟待解决的一大难题。与传统加工方法一样，机器人实现高质高效连续加工面临的最大难题是刀具保质加工寿命无据可依、无法科学精准预判。目前，刀具保质加工寿命主要依靠工人经验来判断。过早换刀会造成资源浪费，使生产和时间成本迅速飙升；过晚换刀会影响加工质量，严重的甚至可能造成价值不菲的材料构件直接报废。因此，刀具保质加工寿命的前瞻性精准诊断是保证机器人加工质量和效率的关键。

发明内容

本发明设计了一种虑及加工质量的切削刀具保质加工寿命的预测方法，其解决的技术问题是现有技术中刀具保质加工寿命主要依靠工人经验来判断。过早换刀会造成资源浪费，使生产和时间成本迅速飙升；过晚换刀会影响加工质量，严重的甚至可能造成价值不菲的材料构件直接报废。

为了解决上述存在的技术问题，本发明采用了以下方案：

一种虑及加工质量的切削刀具保质加工寿命的预测方法，包括以下步骤：步骤1、采集加工过程中加工物理信号并预处理；步骤2、构建切削刀具磨损与工件加工质量的映射关系，获得保证加工质量条件下刀具最大加工周期，即刀具保质加工寿命数据；步骤3、依据步骤1采集的加工物理信号和步骤2刀具保质加工寿命数据构建数据集，并基于AE-HMM训练得到刀具保质加工寿命预测模型；步骤4、基于步骤3的训练模型，在线预测刀具保质加工寿命。

优选地，所述步骤1中预处理采用滤波方法与时频域信号分析方法，利用低通数字滤波器对含有异常值的加工物理信号进行滤波处理，达到数据清洗的效果，提取加工物理信号时域特征以及频域特征，用于数据降维。

优选地，步骤1包括S1：采集加工过程中加工物理信号并预处理和S12：对滤波后的温度信号进行时频域信号分析。

优选地，所述步骤2中构建切削刀具磨损与工件加工质量的映射关系，获得保证加工质量条件下刀具最大加工周期，得到刀具保质加工寿命采用基于卷积神经网络（CNN）的融合算法，CNN的模型结构包括依次连接的卷积层、池化层、展平层和全连接层。

优选地，所述基于卷积神经网络的融合算法将工件加工质量中的工件加工精度和损伤作为输入，经过多层卷积操作和池化操作，通过全连接层将分布式特征表示映射到样本标记获取样本的映射向量，将映射向量带入sigmoid激活函数中，在融合工件多项加工质量指标的同时，构建了切削刀具磨损与工件加工质量的映射关系，输出刀具剩余保质加工寿命，再根据刀具剩余保质加工寿命对刀具加工状态进行划分。

优选地，步骤3依据上述采集的加工物理信号和刀具保质加工寿命数据构建数据集，具体步骤包括：对数据做归一化处理，根据比例将数据集划分为训练集与验证集，训练集用来训练预测模型，验证集用来验证模型。