【技术实现步骤摘要】
本专利技术涉及预测性维护系统，特别涉及一种机床振动时域信号图像化处理的刀具磨损预测方法。
技术介绍
1、在数控机床主轴刀具加工零件的过程中，刀具的磨损程度是影响零件成品率的关键因素。目前，各企业在生产加工过程中解决刀具磨损、破损、断刀等问题主要依赖人工经验。然而，这种方式存在问题，因为企业无法准确预测设备何时会发生故障，尤其是主轴刀具的磨损或断刀，从而导致巨大损失。因此，迫切需要开发一种机床刀具磨损预测性维护系统以预测机床刀具寿命以便及时进行维护。
2、文献号为cn202011076025.1的中国专利，公开了一种基于并行深度神经网络的数控机床刀具磨损状态预测方法，通过在数控机床工作台及夹具上安装测力计、加速度传感器和声传感器；进行铣削加工实验，采集铣削加工过程的切削力、振动和声信号，得到多传感器数据，并采集刀具的磨损量；预处理得到训练数据和待测试数据；建立并行深度神经网络模型；将处理好的训练数据及刀具磨损量标签输入到并行深度神经网络中离线训练模型；将待测试多传感器数据传入训练好的模型中，在线实时预测刀具的磨损量，但此种方法存在每次训练都以相同的数据集顺序传入网络模型中，在设定程度上容易过度拟合且收敛速度往往很慢，为了计算效率，往往需要牺牲实时性作为代价。
技术实现思路
1、针对现有机床刀具磨损预测系统容易过度拟合且收敛速度往往很慢的问题，本专利技术提供了一种机床振动时域信号图像化处理的刀具磨损预测方法，不用计算函数梯度和算法应用方向集的概念，把求多元函数的极值问题简化
2、本专利技术一方面提供了一种机床振动时域信号图像化处理的刀具磨损预测方法，具体如下：采集机床振动的时域信号数据；
3、通过傅里叶变换将时域信号转换为频率不同的正弦波频域信号；
4、分析正弦波频域信号获取相应的振动幅值以及相位，将正弦波频域信号转换为振动图像点，再将同一时刻振动图像点数据转换为振动矩阵，组成同一时刻具有机床完整振动信息的振动图像；
5、通过卷积神经网络对振动图像进行特征提取，同时通过改进powell算法对卷积神经网络进行模型训练；
6、卷积神经网络处理后的振动图像转化为刀具磨损检测结果进行输出，根据刀具磨损检测结果获取刀具磨损的数据并进行预测性分析。
7、采集机床振动时域信号数据，包括：通过安装在刀塔上面的固定位置处的三轴加速度传感器对刀具振动信号进行采集，三轴加速度传感器采集电荷信号后通过滤波放大器进行滤波和运算放大后输出正弦波频域信号。
8、所述正弦电压信号通过多工况全息智能信号处理器aic8660-900处理后采用tcp/ip通讯传输到上位软件中，上位软件将时域信号转换为频率不同的正弦波频域信号进行分析，通过分析正弦波频域信号获取相应的振动幅值与频率，进一步将正弦波频域信号转换为图像信号。。
9、所述卷积神经网络对振动图像进行归一化处理。
10、卷积神经网络对振动图像进行的特征提取包括：水平或垂直翻转振动图像、随机角度旋转振动图像、比例缩放振动图像、随机剪裁振动图像、位移振动图像、对振动图像添加高斯噪声、对振动图像颜色增强。
11、所述卷积神经网络通过卷积核以设定的步长在所需要提取的数据上滑动对输入数据进行特征提取，池化层对特征数据值进行压缩，减少数据的维度。
12、改进powell算法对卷积神经网络进行模型训练包括：
13、构造出彼此共轭的方向，包括沿某一个方向的一维搜索，与沿另一个方向进行的下一轮搜索；
14、把优化过程分成若干个阶段，每一个阶段即每一轮迭代由n+l次一维搜索组成，在算法的每一个阶段中，先依次沿着已知的n个方向搜索，得到一个最好点，然后沿本阶段的初始点与该最好点连线的方向进行搜索，求得这一阶段的最好点；
15、再用最后的搜索方向取代前n个方向之一，开始下一阶段的迭代。
16、所述改进powell算法具体构造过程如下：
17、(1)任取n个彼此不同的初值且都不平行z1，允许误差ω＞0,i＝1,k＝1；
18、(2)计算令
19、(3)如果i＜k-1，则令i:＝i+1转(2)；若i＝k-1，则令转(2)；若这一简i＝k，则转(4)；
20、(4)若k＝n，则转(5)；若k＜n则令k＝k+1，i＝i+1，转(2)；
21、(5)若i＝1,k＝n，则停，否则转(6)；
22、(6)计算
23、(7)若f0-2fn+f*≥2δ，则转(2)，否则转(8)；
24、(8)令zi＝zi+1(i＝m～n-1)，计算令i＝1,k＝n转(2)。
25、与现有技术相比，本专利技术的有益效果为：
26、1、本专利技术减少在长时间机床振动的测量过程中其他因素对数据的影响，采用增量形式记录数据；同时，也对数据进行归一化处理，减小因数据维度差距过大所带来的影响。
27、2、本专利技术将训练数据集的顺序进行随机打乱，避免每次训练都以相同的数据集顺序传入网络模型中，较大程度上缓解数据的过度拟合而丧失真实性和准确性。
28、3、本专利技术对每个图像的多个不同副本上进行训练，有利于针对同一对象的变化进行泛化，从而提高模型的泛化能力与鲁棒性，提高小样本刀具磨损的预测效果。
本文档来自技高网...【技术保护点】
1.一种机床振动时域信号图像化处理的刀具磨损预测方法，其特征在于：包括：
2.根据权利要求1所述的一种机床振动时域信号图像化处理的刀具磨损预测方法，其特征在于，采集机床振动时域信号数据，包括：通过安装在刀塔上面的固定位置处的三轴加速度传感器对刀具振动信号进行采集，三轴加速度传感器采集电荷信号后通过滤波放大器进行滤波和运算放大后输出正弦波频域信号。
3.根据权利要求2所述的一种机床振动时域信号图像化处理的刀具磨损预测方法，其特征在于：所述正弦电压信号通过多工况全息智能信号处理器AIC8660-900处理后采用TCP/IP通讯传输到上位软件中，上位软件将时域信号转换为频率不同的正弦波频域信号进行分析，通过分析正弦波频域信号获取相应的振动幅值与频率，进一步将正弦波频域信号转换为图像信号。
4.根据权利要求1所述的一种机床振动时域信号图像化处理的刀具磨损预测方法，其特征在于：所述卷积神经网络对振动图像进行归一化处理。
5.根据权利要求1所述的一种机床振动时域信号图像化处理的刀具磨损预测方法，其特征在于：卷积神经网络对振动图像进行的特征提取包
6.根据权利要求1所述的一种机床振动时域信号图像化处理的刀具磨损预测方法，其特征在于：所述卷积神经网络通过卷积核以设定的步长在所需要提取的数据上滑动对输入数据进行特征提取，池化层对特征数据值进行压缩，减少数据的维度。
7.根据权利要求1所述的一种机床振动时域信号图像化处理的刀具磨损预测方法，其特征在于，改进POWELL算法对卷积神经网络进行模型训练包括：
8.根据权利要求7所述的一种机床振动时域信号图像化处理的刀具磨损预测方法，其特征在于，所述改进POWELL算法具体构造过程如下：
...【技术特征摘要】
1.一种机床振动时域信号图像化处理的刀具磨损预测方法，其特征在于：包括：
2.根据权利要求1所述的一种机床振动时域信号图像化处理的刀具磨损预测方法，其特征在于，采集机床振动时域信号数据，包括：通过安装在刀塔上面的固定位置处的三轴加速度传感器对刀具振动信号进行采集，三轴加速度传感器采集电荷信号后通过滤波放大器进行滤波和运算放大后输出正弦波频域信号。
3.根据权利要求2所述的一种机床振动时域信号图像化处理的刀具磨损预测方法，其特征在于：所述正弦电压信号通过多工况全息智能信号处理器aic8660-900处理后采用tcp/ip通讯传输到上位软件中，上位软件将时域信号转换为频率不同的正弦波频域信号进行分析，通过分析正弦波频域信号获取相应的振动幅值与频率，进一步将正弦波频域信号转换为图像信号。
4.根据权利要求1所述的一种机床振动时域信号图像化处理的刀具磨损预测方法，其特征在于：所述卷积神经网络对...
【专利技术属性】
技术研发人员：廖建敏，陈涛，梁伟，刘标永，黄本锐，苏聪，
申请(专利权)人：广西机械工业研究院有限责任公司，
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。