[发明专利]一种基于SAEs和K-means的刀具破损监测方法

说明书

本发明公开了一种基于SAEs和K‑means的刀具破损监测方法，其包括以下步骤：(1)采集电流信号样本集；(2)将规整处理后的所述电流信号输入到SAEs作为输入样本集，重构并提取原始电流信号的特征，将最后一个SAEs训练所得的编码矢量输出为特征向量；(3)将所述特征向量作为K‑means聚类的输入层，对所有输入数据进行分类；(4)输出样本聚类结果，并根据聚类效果微调K‑means参数以及SAEs参数；(5)输出聚类效果，根据聚类效果判断刀具是否破损。

技术领域

本发明属于刀具检测技术相关领域，更具体地，涉及一种基于SAEs和K-means的刀具破损监测方法。

背景技术

数控机床刀具监测是指在产品加工过程中，计算机通过检测各类传感器的信号变化，判断和预测刀具是否破损。刀具破损监测过程本质是一个模拟识别过程，一个完整的刀具破损监控系统由研究对象(刀具)、加工条件、传感器网络、信号处理模块、特征提取模块及模式识别模块等部分组成。

由于加工过程中刀具不可避免的破损，刀具的破损会直接影响到机床的利用率和工件的加工质量，轻者造成加工工件质量下降，重者导致工件报废，在极端情况下甚至可能损坏机床的某些机械零件。因此，在加工过程中，需要实时快速地检测刀具的破损状态。

刀具加工系统的运行环境恶劣、复杂多变，在采集到的海量数据中蕴含了许多刀具故障信息，由于数据量太大，仅依靠人工提取信号来选择故障的特征相当困难。而目前基于信号特征提取的方法往往要求对信号特征有深度的理解及经验，由于刀具故障信号交叉严重、模式复杂，依靠浅层特征难以表征刀具的破损状态，监测能力有限且效果欠佳。应用先进的理论与分析方法，从大量的刀具加工信号中深度挖掘出能描述刀具状态的信息并高效、准确地自动识别出刀具的健康状况，成为了刀具破损监测领域面临的一个新的挑战。经过几十年的发展，刀具的监测技术在广度和深度上都已经达到了一定的水平，但是到目前为止还未找到一种既能适用于不同的加工条件，且能监测各种刀具的方法。现有的各种监测方法的使用范围都有限，还远未达到自动化、智能化的要求；在实际应用方面还都存在着一定的局限性，主要变现为：需要拥有大量的信号处理技术与诊断的经验结合工程实践来人工选择故障特征；仅利用传统方法选取出的浅层特征来进行刀具健康状况的识别；整个智能诊断过程中需要人工参与，人为的有监督的从信号中逐一提取特征，工作量大且效率较低，成本较高。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于SAEs和K-means的刀具破损监测方法，其基于刀具的工作特点，对刀具的电流信号的处理方式进行了设计。所述刀具破损监测方法采用的监测系统基于稀疏自动编码网络(SAEs)及K-means聚类分析方法，建立刀具实时监测模型，实现了刀具破损状态的智能化在线监测和预测；此外，所述监测系统可靠性较高，能够摆脱对大量信号处理技术与诊断经验的依赖，实现了刀具破损特征的自适应提取，且能做到实时监测的快速响应，监测诊断精度较高，能很好地满足实际生产的需要，具有自学习、自组织、自适应、自我决策以及自我诊断的能力。

为实现上述目的，本发明提供了一种基于SAEs和K-means的刀具破损监测方法，其中SAEs为稀疏自动编码网络，其特征在于，其包括以下步骤：

(1)提供一个监测系统，所述监测系统包括霍尔传感器、Labview平台及SAEs，首先，采用所述霍尔传感器测量主轴电机的三相电流信号；之后，根据每个工件的加工过程对应的电流信号特点对采集到的电流信号进行分段截取，并计算截取获得的每个工件的电流信号的均方根值RMS；最后，再将获得的电流信号进行平滑处理，同时，采用规整算法将平滑处理后的电流信号进行规整处理；

(2)将规整处理后的所述电流信号输入到所述SAEs作为输入样本集，重构并提取原始电流信号的特征，将最后一个SAEs训练所得的编码矢量输出为特征向量；

(3)将所述特征向量作为K-means聚类的输入层，对所有输入数据进行分类；