一种面向刀具的在线快速优化模型的监测方法技术

本发明专利技术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。本发明专利技术能增强模型适应性，从而能提高磨损预测与分类精度。能提高磨损预测与分类精度。能提高磨损预测与分类精度。

【技术实现步骤摘要】
一种面向刀具的在线快速优化模型的监测方法


[0001]本专利技术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。

技术介绍

[0002]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。
[0003]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。
[0004]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。

技术实现思路

[0005]本专利技术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。
[0006]本专利技术为解决技术问题采用如下技术方案：
[0007]本专利技术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：
[0008]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；
[0009]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；
[0010]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
；
[0011]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；
[0012]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；
[0013]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
[0014]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；
[0015]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；
[0016]步骤7、定义变量t并初始化t＝1；
[0017]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；
[0018]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；
[0019]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；
[0020]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。
[0021]本专利技术所述的面向刀具的在线快速优化模型的监测方法的特点在于，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；
[0022]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。
[0023]所述步骤6中的刀具磨损回归模型是按如下过程得到：
[0024]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；
[0025]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个周期的的第k个超平面特征；
[0026]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；
[0027]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
；
[0028][0029]式(1)中，b为偏置项；
[0030]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；
[0031][0032]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；
[0033]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。
[0034]所述步骤6中的刀具磨损分类模型是按如下过程得到：
[0035]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
[0036]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个本文档来自技高网...

【技术保护点】

【技术特征摘要】
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；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；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。3.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6中的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...

【专利技术属性】
技术研发人员：朱锟鹏，袁德志，施云高，
申请(专利权)人：中国科学院合肥物质科学研究院，
类型：发明
国别省市：