【技术实现步骤摘要】
本专利技术属于金属切削，具体涉及一种切削刀具磨损监测方法。
技术介绍
1、在金属切削加工过程中，刀具磨损是指刀具的钻头、端磨机和插入件在加工过程中与工件相互作用时逐渐退化的现象。刀具磨损监测是现代机械加工过程中的一个关键方面，它在确保生产效率、产品质量和成本效益方面发挥着关键作用。通过监测刀具磨损，可以动态实时地评估刀具条件，延长刀具寿命，优化机械加工参数和刀具更换安排。
2、当前，刀具磨损监测主要分为直接法和间接法。直接法是指利用光学仪器采集刀具的磨损图像进行磨损监测。该方法虽然能提供较高的监测精度，但需要中断加工过程进行图像采集，同时加工环境会造成大量的干扰和噪声，无法实现连续监测。间接法是指通过分析各类传感器信号，对刀具的磨损情况进行评估。传感器信号包括：切削力、振动、声音和电机功率等。间接法可以在加工过程中连续实时地采集信号，不需要中断加工过程。
3、当前间接法主要包括特征提取、特征选择和模型构建三个阶段，例如公开号为cn116638374a的中国专利技术专利公开了一种基于特征选择和传感器组合的刀具磨损状态识别方法，包括以下步骤：将产生切削力、振动和声发射信号的三种传感器进行组合，得到七组传感器组合；采集加工过程中多传感器信号；截取中间稳定铣削阶段的信号，并处理异常值和环境干扰噪声信号，得到特征子集①；剔除与刀具磨损相关性弱的特征，并分析特征之间的相关性，得到剔除冗余特征的特征子集③；划分成训练集和测试集，分别输入到森林中构建刀具磨损状态识别模型，对刀具磨损状态进行识别。但是，该方法存在以下缺点：
技术实现思路
1、针对上述提出的技术问题，本专利技术提供一种切削刀具磨损监测方法，旨在解决刀具磨损监测准确度低的问题。
2、为解决上述问题，本专利技术提供了一种切削刀具磨损监测方法，该方法包括以下步骤：
3、步骤s1：采集刀具切削加工过程中多个方向的信号，所述信号包括切削力、振动和声音信号；所述方向为基于加工坐标系的x轴、y轴和z轴方向；
4、步骤s2：采集切削完成后刀具的磨损量，将信号和磨损量进行拼接，得到状态矩阵x和磨损目标值向量c；
5、步骤s3：采用滑动窗口，对状态矩阵x进行数据截取，得到m个数据节段；计算所述数据节段的时域特征得到；对目标值向量c进行插值，得到每个数据节段对应的磨损量；
6、步骤s4：使用、训练神经网络并构建刀具磨损监测模型。
7、进一步地，所述为七通道的数据，其中，为切削力信号、为振动信号，为声音信号。
8、进一步地，所述的初始值为0。
9、进一步地，所述计算所述数据节段的时域特征得到具体为：纵向计算每个通道的数据统计量，得到最大值、均值、协方差，其中为通道的索引值。
10、进一步地，所述使用、训练神经网络具体的计算公式为：，其中为预测时刻t的刀具磨损监测值，为神经网络，q为模型编码长度，为磨损量的先验分布参数。
11、进一步地，所述磨损量的先验分布参数具体为：其中，为磨损量的均值，为磨损量的协方差。
12、进一步地，所述刀具磨损监测模型包括：门控残差网络grn、特征选择网络vsn、静态斜方差向量编码器sce、循环编解码器lstmende、时间融合解码器tfd。
13、进一步地，磨损量的先验分布参数s经过特征选择网络vsn得到选择后的特征，磨损量的先验分布参数s经过静态斜方差向量编码器sce得到输出编码后的特征向量、、和。
14、进一步地，循环编解码器lstmende输入特征和特征和，输出编码后的时序特征。
15、进一步地，时间融合解码器tfd用于对编码后的时序特征结合进行数据增强；采用时域自注意力多头机制，计算注意力和权重，进而根据权重进行特征计算和融合；对融合特征进行门控计算、跳层连接和归一化处理、并通过门控残差网络grn进行元素级别的前馈计算，最终输出刀具磨损监测值。
16、与现有技术相比，本专利技术的有益效果为：
17、（1）本专利提出的方法不需要之前的磨损量数据，只需要输入当前的切削数据以及磨损量的先验分布参数，就能进行刀具的磨损监测。
18、（2）本专利提出的方法则是采用编解码器结构提高模型的可解释性。
本文档来自技高网...【技术保护点】
1.一种切削刀具磨损监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的切削刀具磨损监测方法，其特征在于，所述为七通道的数据，其中，为切削力信号、为振动信号，为声音信号。
3.根据权利要求1所述的切削刀具磨损监测方法，其特征在于，所述的初始值为0。
4.根据权利要求2所述的切削刀具磨损监测方法，其特征在于，所述计算所述数据节段的时域特征得到具体为：纵向计算每个通道的数据统计量，得到最大值、均值、协方差，其中为通道的索引值。
5.根据权利要求4所述的切削刀具磨损监测方法，其特征在于，所述使用、训练神经网络具体的计算公式为：，其中为预测时刻t的刀具磨损监测值，为神经网络，Q为模型编码长度，为磨损量的先验分布参数。
6.根据权利要求5所述的切削刀具磨损监测方法，其特征在于，所述磨损量的先验分布参数具体为：其中，为磨损量的均值，为磨损量的协方差。
7.根据权利要求6所述的切削刀具磨损监测方法，其特征在于，所述刀具磨损监测模型包括：门控残差网络GRN、特征选择网络VSN、静态斜方差向量编码器SCE、循环编解码
8.根据权利要求7所述的切削刀具磨损监测方法，其特征在于，磨损量的先验分布参数s经过特征选择网络VSN得到选择后的特征，磨损量的先验分布参数s经过静态斜方差向量编码器SCE得到输出编码后的特征向量、、和。
9.根据权利要求8所述的切削刀具磨损监测方法，其特征在于，循环编解码器LSTMEnDe输入特征和特征和，输出编码后的时序特征。
10.根据权利要求9所述的切削刀具磨损监测方法，其特征在于，时间融合解码器TFD用于对编码后的时序特征结合进行数据增强；采用时域自注意力多头机制，计算注意力和权重，进而根据权重进行特征计算和融合；对融合特征进行门控计算、跳层连接和归一化处理、并通过门控残差网络GRN进行元素级别的前馈计算，最终输出刀具磨损监测值。
...【技术特征摘要】
1.一种切削刀具磨损监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的切削刀具磨损监测方法，其特征在于，所述为七通道的数据，其中，为切削力信号、为振动信号，为声音信号。
3.根据权利要求1所述的切削刀具磨损监测方法，其特征在于，所述的初始值为0。
4.根据权利要求2所述的切削刀具磨损监测方法，其特征在于，所述计算所述数据节段的时域特征得到具体为：纵向计算每个通道的数据统计量，得到最大值、均值、协方差，其中为通道的索引值。
5.根据权利要求4所述的切削刀具磨损监测方法，其特征在于，所述使用、训练神经网络具体的计算公式为：，其中为预测时刻t的刀具磨损监测值，为神经网络，q为模型编码长度，为磨损量的先验分布参数。
6.根据权利要求5所述的切削刀具磨损监测方法，其特征在于，所述磨损量的先验分布参数具体为：其中，为磨损量的均值，为磨损量的协方差。
7.根据权利要求6所述的切削刀...
【专利技术属性】
技术研发人员：顾菘，王磊，李秀鑫，
申请(专利权)人：成都航空职业技术学院，
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。