【技术实现步骤摘要】
一种基于主轴电流信号的刀具状态检测方法
[0001]本专利技术涉及刀具状态检测
，具体涉及一种基于主轴电流信号的刀具状态检测方法。
技术介绍
[0002]随着制造业的不断发展，现代机械制造需要满足质量更高、效率更高、成本更低、能耗更低的要求，金属切削加工是现代制造业的基础，而刀具失效是金属切削加工中最常见且代价较高的故障之一。刀具会发生多种形式的失效，会导致工件质量与生产效率下降，严重时甚至会导致工件报废或机床损坏。在机床停机的时间中，刀具失效造成的停机时间为总停机时间的20％。据有关统计，我国每年上百亿的刀具支出严重影响机床费用和人工费用，这两项分别占制造成本的20％和38％。而对于装备一条成熟准确的刀具状态监测系统的机床，停机时间与制造成本均可大幅度降低。现有传感器信号监测刀具状态方法普遍使用切削力传感器或振动与声发射传感器，切削力传感器虽最直接反映刀具磨损状况，但存在价格高昂、工业应用性差等缺点；振动与声发射传感器虽经济性好且工业应用性高，但无法满足在开启切削液时的使用条件，实际加工生产时很少出现干切的状况，得出的预测模型难以推广于大规模工业生产中。且现有振动与切削力信号数据维数较高，数据量较大，无法满足实际生产中对刀具状态监测的实时性要求。
技术实现思路
[0003]本专利技术主要针对目前刀具监测技术预测模型适用条件不够广泛，且基于单把刀具单种工况的实验数据建立的问题，提出有一种基于主轴电流信号的刀具状态检测方法。
[0004]为解决上述问题，本专利技术采用如下技术方案：>[0005]一种基于主轴电流信号的刀具状态检测方法，包括如下步骤：
[0006]步骤1：设计与切削速度、进给量与切削深度相关的正交实验：
[0007]步骤2：使用电流传感器采集主轴电机驱动器单相电流；
[0008]步骤3：每次实验后采集铣刀切削刃后刀面磨损量，根据采集的磨损量拟合刀具磨损曲线，并划分为三个磨损阶段：初期快速磨损阶段、正常磨损阶段和急剧磨损阶段；
[0009]步骤4：基于滑动窗口的第三四分位法对采集的主轴电机驱动器单相电流原始信号进行去噪；
[0010]步骤5：基于预处理后的数据提取主轴电机驱动器单相电流信号的时域特征、频域特征和时频联合域特征；
[0011]步骤6：使用灰色关联度分析，从所述时域特征、频域特征、时频联合域特征中选取n个特征作为预测模型输入；
[0012]步骤7：建立基于最小二乘支持向量机回归模型的预测模型，并通过遗传算法优化该预测模型，并基于优化后的预测模型预测刀具磨损量。
[0013]进一步的，步骤3中，所述时域特征包括均方根、方差、最大值、偏度、峰度和峰峰
值，频域特征包括谱偏态系数、谱峰态系数和谱功率，时频联合域特征包括波包能量基。
[0014]进一步的，步骤4具体步骤如下：
[0015]4.1将所有数值从小到大排列，将全部数据等分为4部分，取25％位置上的值为上四分位值，记作Q1，50％位置上的值为中位数，记作Q2，75％位置上值为下四分位，记作Q3；设Q3作为无效数据临界点，再从数据的开端依次向后比较，截断第一个数据到第一个比Q3大的数据处；
[0016]4.2设置样本数为k，窗口大小设置为2k+1，上下界系数为n
δ
，计算基于滑动窗口的样本局部标准差x
δ
与局部估计中值x
m
，计算样本异常值的上下界：
[0017]异常值上界：upbound＝x
m
+n
δ
×
x
δ
[0018]异常值下界：downbound＝x
m
‑
n
δ
×
x
δ
[0019]若样本值不在上下界中，则使用估计中值替换该值。
[0020]进一步的，步骤5具体步骤如下：
[0021]5.1基于统计提取时域特征：
[0022]均方根：
[0023]方差：
[0024]最大值：Max＝max(X)；
[0025]最小值：Min＝min(X)；
[0026]峰峰值：PP＝max(X)
‑
min(X)；
[0027]偏度：
[0028]峰度：μ4为四阶中心距，δ4为标准差；
[0029]5.2使用离散傅里叶变换处理电流信号：5.2使用离散傅里叶变换处理电流信号：电流信号的幅值可表示为：相位为：通过幅值谱提取频域特征：谱偏态系数：谱峰态系数：谱功率：谱功率：
[0030]5.3将电流信号通过一组小波包函数基经低通滤波器h
k
和高通滤波器g
k
分解下采样，得到低频分量与高频分量；将低频分量作为输入信号，进行小波分解，得到下一层的低频分量与高频分量，随着小波分解层数增加，频域分辨率也不断增加，同时对高通滤波得到
的细节自带进行小波分解，通过最小代价函数，计算出信号最优分解路径，并按该路径对原始信号进行分解；
[0031]选择多贝西小波作为小波函数基得到时频联合域特征；
[0032]调整函数在多尺度分析中每一层用下式表示：
[0033][0034]其中(a0,
…
,a
N
‑1)为有限长度实数数列，为调整系数；
[0035]同时，小波函数也可调整函数的线性组合表示为：
[0036][0037]其中(b0,
…
,b
M
‑1)为有限长度实数数列，为小波系数。
[0038]进一步的，步骤6具体步骤如下：
[0039]6.1确立待分析序列：
[0040]选取刀具后刀面磨损量作为母序列，选取电流信号的时域特征、频域特征与时频联合域特征作为子序列；
[0041]6.2数据序列的归一化：
[0042]数据序列每个数处于第一个数据，得到一个新的数列：设有数据序列X＝{x(k)/k＝1,2,
…
,n}，那么初值化为：
[0043]6.3计算灰色关联度系数：
[0044]将子序列与母序列带入公式：
[0045][0046]6.4计算关联系数均值，形成关联序列，选取关联序列前n的特征作为预测模型输入。
[0047]进一步的，步骤7具体步骤如下：
[0048]7.1划分数据集：将选取的n个特征作为数据集，将数据集按比例划分为训练集与验证集；
[0049]7.2确定最小二乘支持向量回归机模型参数惩罚系数C和核参数σ的取值区间：惩罚参数取值范围为[0.1,1000]，径向基核函数核参数取值范围为[0.01,100]；
[0050]7.3采用二进制编码，确定适值函数为：其中：len为样本的个数，y
ij
为训练输出值，y
j
为期望输出值；
[0051]7.4随机产生N个体形成初始训练种群；<本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于主轴电流信号的刀具状态检测方法，其特征在于，包括如下步骤：步骤1：设计与切削速度、进给量与切削深度相关的正交实验：步骤2：使用电流传感器采集主轴电机驱动器单相电流；步骤3：每次实验后采集铣刀切削刃后刀面磨损量，根据采集的磨损量拟合刀具磨损曲线，并划分为三个磨损阶段：初期快速磨损阶段、正常磨损阶段和急剧磨损阶段；步骤4：基于滑动窗口的第三四分位法对采集的主轴电机驱动器单相电流原始信号进行去噪；步骤5：基于预处理后的数据提取主轴电机驱动器单相电流信号的时域特征、频域特征和时频联合域特征；步骤6：使用灰色关联度分析，从所述时域特征、频域特征、时频联合域特征中选取n个特征作为预测模型输入；步骤7：建立基于最小二乘支持向量机回归模型的预测模型，并通过遗传算法优化该预测模型，并基于优化后的预测模型预测刀具磨损量。2.如权利要求1所述的基于主轴电流信号的刀具状态检测方法，其特征在于，步骤3中，所述时域特征包括均方根、方差、最大值、偏度、峰度和峰峰值，频域特征包括谱偏态系数、谱峰态系数和谱功率，时频联合域特征包括波包能量基。3.如权利要求1所述的基于主轴电流信号的刀具状态检测方法，其特征在于，步骤4具体步骤如下：4.1将所有数值从小到大排列，将全部数据等分为4部分，取25％位置上的值为上四分位值，记作Q1，50％位置上的值为中位数，记作Q2，75％位置上值为下四分位，记作Q3；设Q3作为无效数据临界点，再从数据的开端依次向后比较，截断第一个数据到第一个比Q3大的数据处；4.2设置样本数为k，窗口大小设置为2k+1，上下界系数为n
δ
，计算基于滑动窗口的样本局部标准差x
δ
与局部估计中值X
m
，计算样本异常值的上下界：异常值上界：upbound＝x
m
+n
δ
×
x
δ
异常值下界：downbound＝x
m
‑
n
δ
×
x
δ
若样本值不在上下界中，则使用估计中值替换该值。4.如权利要求1所述的基于主轴电流信号的刀具状态检测方法，其特征在于，步骤5具体步骤如下：5.1基于统计提取时域特征：均方根：方差：最大值：Max＝max(X)；最小值：Min＝min(X)；峰峰值：PP＝max(X)
‑
min(X)；
偏度：峰度：μ4为四阶中心距，δ4为标准差；5.2使用离散傅里叶变换处理电流信号：5.2使用离散傅里叶变换处理电流信号：电流信号的幅值可表示为：相位为：通过幅值谱提取频域特征...
【专利技术属性】
技术研发人员：徐渝林，潘柏松，施罗杰，
申请(专利权)人：浙江工业大学台州研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。