【技术实现步骤摘要】
本申请涉及数控机床，尤其涉及一种机床刀具磨损监测方法、装置、设备及存储介质。
技术介绍
1、随着数控机床技术的持续进步，刀具磨损作为直接影响加工表面质量的关键因素，用户也对机床刀具磨损监测的准确性提出了更高的要求。
2、传统的刀具磨损监测方法主要依赖于人工检测的方式。这种人工检测的方式不仅耗时耗力，而且容易受到操作人员经验和主观意识的影响，难以准确判断机床刀具的磨损程度。
3、因此，在确保刀具磨损监测效率的同时，如何提高刀具磨损监测的准确性是目前亟待解决的技术问题。
技术实现思路
1、本申请的主要目的在于提供一种机床刀具磨损监测方法、装置、设备及存储介质，旨在确保刀具磨损监测效率的同时，提高刀具磨损监测的准确性。
2、为实现上述目的，本申请提供一种机床刀具磨损监测方法，所述机床刀具磨损监测方法包括：
3、获取机床刀具的切削时域数据，并依据所述切削时域数据进行小波变换，得到所述机床刀具的切削频域数据；
4、确定所述切削频域数据对应的切削训练数据以及切削测试数据，并依据所述切削训练数据和预设的概率预测模型确定所述机床刀具的模型预测值；
5、依据所述模型预测值进行高斯变换，得到所述机床刀具的磨损采样值；
6、当所述模型预测值与所述磨损采样值匹配时，将所述切削测试数据输入至所述概率预测模型进行模型训练，得到所述机床刀具的真实磨损监测值。
7、在一实施方式中，所述依据所述切削时域数据进行小波变换，
8、按照预设的多个小波分解层的序数从小到大的顺序依次对所述切削时域数据进行逐层小波变换，得到每一所述小波分解层输出的切削高频分量；
9、确定每一所述小波分解层对应的切削高频系数，并将同一所述小波分解层的切削高频分量与所述切削高频系数进行乘积处理，得到每一所述小波分解层输出的切削频域数据。
10、在一实施方式中，所述依据所述模型预测值进行高斯变换，得到所述机床刀具的磨损采样值的步骤包括：
11、依据所述模型预测值进行均值处理，得到所述机床刀具的模型预测均值；
12、依据所述模型预测值进行方差处理，得到所述机床刀具的模型预测方差值；
13、按照预设的高斯分布函数对所述模型预测均值以及所述模型预测方差值进行高斯分布，得到所述机床刀具的磨损采样值；其中，
14、所述高斯分布函数为：
15、其中，表示所述机床刀具的磨损采样值；表示所述高斯分布函数对应的切削随机变量；表示机床刀具的模型预测均值；表示机床刀具的模型预测方差值；表示自然数底数e的指数函数。
16、在一实施方式中，所述依据所述模型预测值进行均值处理，得到所述机床刀具的模型预测均值的步骤包括：
17、依据所述模型预测值进行均值处理，得到所述机床刀具的切削均值权向量，并将所述切削均值权向量的数据格式转化为与所述模型预测值相同的数据格式，得到转化后的切削权重向量；
18、按照所述模型预测值以及所述转化后的切削均值权向量进行点积运算后，得到所述机床刀具的模型粗测均值；
19、将所述模型粗测均值叠加在所述模型预测值对应的均值补偿量上，得到所述机床刀具的模型预测均值。
20、在一实施方式中，所述依据所述模型预测值进行方差处理，得到所述机床刀具的模型预测方差值的步骤包括：
21、依据所述模型预测值进行方差处理，得到所述机床刀具的切削方差值权向量，并确定所述切削方差值权向量的转置值与所述模型预测值之间的切削乘积数据；
22、按照所述切削乘积数据以及所述模型预测值指定的方差补偿量进行对数数学运算，得到所述机床刀具的模型预测方差值。
23、在一实施方式中，在所述依据所述模型预测值进行高斯变换，得到所述机床刀具的磨损采样值的步骤之后，所述机床刀具磨损监测方法包括：
24、判断所述模型预测值是否处于所述磨损采样值对应的阈值范围内；
25、当所述模型预测值处于所述磨损采样值对应的阈值范围内，则确定所述模型预测值与所述磨损采样值匹配；
26、当所述模型预测值未处于所述磨损采样值对应的阈值范围内，则确定所述模型预测值与所述磨损采样值不匹配。
27、在一实施方式中，在所述确定所述模型预测值与所述磨损采样值不匹配的步骤之后，所述机床刀具磨损监测方法包括：
28、按照预设的模型参数函数对所述概率预测模型的模型参数进行更新，得到更新后的模型参数；
29、依据所述更新后的模型参数对所述概率预测模型进行更新，得到更新后的概率预测模型，并将所述更新后的概率预测模型作为下一个预设的概率预测模型，返回执行所述依据所述切削训练数据和预设的概率预测模型确定所述机床刀具的模型预测值的步骤。
30、此外，为实现上述目的，本申请还提供一种机床刀具磨损监测装置，本申请机床刀具磨损监测装置包括：
31、获取模块，用于获取机床刀具的切削时域数据，并依据所述切削时域数据进行小波变换，得到所述机床刀具的切削频域数据；
32、预测模块，用于确定所述切削频域数据对应的切削训练数据以及切削测试数据，并依据所述切削训练数据和预设的概率预测模型确定所述机床刀具的模型预测值；
33、高斯变换模块，用于依据所述模型预测值进行高斯变换，得到所述机床刀具的磨损采样值；
34、训练模块，用于当所述模型预测值与所述磨损采样值匹配时，将所述切削测试数据输入至所述概率预测模型进行模型训练，得到所述机床刀具的真实磨损监测值。
35、本申请机床刀具磨损监测装置的各个功能模块在运行时实现如上所述的本申请机床刀具磨损监测方法的步骤。
36、此外，为实现上述目的，本申请还提供一种机床刀具磨损监测设备，所述机床刀具磨损监测设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的机床刀具磨损监测程序，所述机床刀具磨损监测程序被所述处理器执行时实现上述机床刀具磨损监测方法的步骤。
37、此外，为实现上述目的，本申请还提供一种介质，所述介质为计算机可读存储介质，所述计算机可读存储介质上存储有机床刀具磨损监测程序，所述机床刀具磨损监测程序被处理器执行时实现上述的机床刀具磨损监测方法的步骤。
38、本申请提供了一种机床刀具磨损监测方法、装置、设备及存储介质对现有刀具磨损监测方法进行了优化，在确保刀具磨损监测效率的同时，实现了提高刀具磨损监测的准确性。本申请可以实时获取机床刀具的切削时域数据，并立即对复杂的切削时域数据进行小波变换，从而可以快速准确地得到简单的切削频域数据，从而有效地提高了刀具磨损信号监测的清晰性，确保了后续刀具磨损监测的准确性；接下来，利用切削频域数据中的切削训练数据，结合预设的概率预测模型，能够迅速准确地计算出机床刀具的模型预测值，从而可以快速给出刀具磨损状态的本文档来自技高网...
【技术保护点】
1.一种机床刀具磨损监测方法，其特征在于，所述机床刀具磨损监测方法包括：
2.如权利要求1所述机床刀具磨损监测方法，其特征在于，所述依据所述切削时域数据进行小波变换，得到所述机床刀具的切削频域数据的步骤包括：
3.如权利要求1所述机床刀具磨损监测方法，其特征在于，所述依据所述模型预测值进行高斯变换，得到所述机床刀具的磨损采样值的步骤包括：
4.如权利要求3所述机床刀具磨损监测方法，其特征在于，所述依据所述模型预测值进行均值处理，得到所述机床刀具的模型预测均值的步骤包括：
5.如权利要求3所述机床刀具磨损监测方法，其特征在于，所述依据所述模型预测值进行方差处理，得到所述机床刀具的模型预测方差值的步骤包括：
6.如权利要求1所述机床刀具磨损监测方法，其特征在于，在所述依据所述模型预测值进行高斯变换，得到所述机床刀具的磨损采样值的步骤之后，所述机床刀具磨损监测方法包括：
7.如权利要求6所述机床刀具磨损监测方法，其特征在于，在所述确定所述模型预测值与所述磨损采样值不匹配的步骤之后，所述机床刀具磨损监测方法包括：p>
8.一种机床刀具磨损监测装置，其特征在于，所述机床刀具磨损监测装置包括：
9.一种机床刀具磨损监测设备，其特征在于，所述机床刀具磨损监测设备包括处理器、存储器、以及存储在所述存储器上的可被所述处理器执行的机床刀具磨损监测程序，其中，所述机床刀具磨损监测程序被所述处理器执行时，实现如权利要求1至7中任一项所述的机床刀具磨损监测方法的步骤。
10.一种存储介质，所述存储介质为计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有机床刀具磨损监测程序，其中，所述机床刀具磨损监测程序被处理器执行时，实现如权利要求1至7中任一项所述的机床刀具磨损监测方法的步骤。
...【技术特征摘要】
1.一种机床刀具磨损监测方法，其特征在于，所述机床刀具磨损监测方法包括：
2.如权利要求1所述机床刀具磨损监测方法，其特征在于，所述依据所述切削时域数据进行小波变换，得到所述机床刀具的切削频域数据的步骤包括：
3.如权利要求1所述机床刀具磨损监测方法，其特征在于，所述依据所述模型预测值进行高斯变换，得到所述机床刀具的磨损采样值的步骤包括：
4.如权利要求3所述机床刀具磨损监测方法，其特征在于，所述依据所述模型预测值进行均值处理，得到所述机床刀具的模型预测均值的步骤包括：
5.如权利要求3所述机床刀具磨损监测方法，其特征在于，所述依据所述模型预测值进行方差处理，得到所述机床刀具的模型预测方差值的步骤包括：
6.如权利要求1所述机床刀具磨损监测方法，其特征在于，在所述依据所述模型预测值进行高斯变换，得到所述机床刀具的磨损采样值的步骤...
【专利技术属性】
技术研发人员：刘祥飞，郭媛君，杨之乐，
申请(专利权)人：上海诺倬力机电科技有限公司，
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。