[发明专利]一种基于多传感器电流信号的刀具磨损监测方法

摘要

一种基于多传感器电流信号的刀具磨损监测方法，先利用电流传感器采集刀具加工过程中不同轴的电机电流信号，采用时域分析和小波包能量谱分析对多传感器电流信号进行能量特征的提取，再利用距离评估方法计算特征敏感度，根据敏感度的排序选择出对刀具状态变化敏感度高的特征；然后基于Lloyds算法的量化级数自适应标量化方法，对选择的特征进行标量化处理；最后利用刀具初期加工数据构建刀具正常状态DHMM监测模型，利用严重磨损状态下的数据构建刀具严重磨损状态DHMM监测模型，将监测数据输入这两个模型后获得状态监测结果即极大似然估计值，通过对比两个模型输出极大似然估计值的大小，实现刀具磨损状态的监测。

主权项

一种基于多传感器电流信号的刀具磨损监测方法，其特征在于，包括以下步骤：第一步，将电流传感器同时装夹在机床不同轴的电机火线上，利用电流传感器采集刀具加工过程中不同轴的电机电流信号；采集一把新刀加工前N个工件的多传感器电流信号，用于构建刀具正常状态离散隐马尔科夫模型；采集刀具严重磨损的多传感器电流信号，用于构建刀具严重磨损状态离散隐马尔科夫模型；第二步，采用时域分析和小波包能量谱分析对电流信号进行特征提取，从而实现对刀具加工过程中多传感器电流信号进行频段能量特征的提取；第三步，进行特征选择，利用基于距离评估方法选择出对刀具状态变化敏感度高的特征；第四步，特征序列标量化，采用量化级数自适应的Lloyds标量化方法对选择的特征进行标量化处理，对每个特征分别进行标量化，获得标量化后的特征序列；第五步，利用第二步至第四步处理后分别获得的刀具正常状态特征序列、刀具严重磨损状态特征序列，对应于构建刀具正常状态离散隐马尔科夫模型DHMM1、构建刀具严重磨损状态离散隐马尔科夫模型DHMM2；第六步，对第四步得到的监测数据的特征序列，输入模型DHMM1和DHMM2获得状态监测结果即极大似然估计值，分别记作lik1和lik2，通过对比两个模型输出对数极大似然估计值的大小，实现刀具磨损状态的监测；当lik1<lik2时，刀具为严重磨损状态，需换刀；所述的第二步的具体步骤如下：步骤1：对刀具切削加工过程中采集的电流信号进行小波包分解获得第j层中每个节点的能量值Ej,k，其中j是分解层数；k是节点编号；cj,k是第j层第k个节点的小波包系数；步骤2：依次计算各节点所代表的频段能量在总能量中的比值，简称节点能量占比，记作其中是第j层第k个节点的能量占比；步骤3：将节点能量占比组成特征向量；步骤4：重复以上步骤1～步骤3完成其余电流信号处理，依次获得特征向量，然后组合全部特征构成综合特征序列Att＝[Att1，Att2，Att3，...]。