[发明专利]基于功率检测的铣床加工过程刀具磨损量预测方法

说明书

本发明公开了一种基于功率检测的铣床加工过程刀具磨损量预测方法，它主要包含数据采集步骤、特征提取步骤、特征后处理步骤和预测模型步骤。通过功率信号采集和磨损测量进行数据采集，然后进行功率有效值特征的提取和相关性计算，得到选择的敏感特征，再进行保序回归和指数平滑来实现特征后处理，最后训练样本，进行SBL模型预测，得到验证样本后进行验证。本发明能实现准确、高效的刀具运行状态自我识别和自动预警，提高机床的智能水平，有效地节约成本，提高效率。

技术领域

本发明涉及铣床加工过程中对铣刀磨损量进行检测和预测领域，特别是涉及一种基于功率检测的铣床加工过程刀具磨损量预测方法。

背景技术

随着智能生产系统的普及，加工设备作为智慧工厂的核心之一，对运行状态的自我识别、自我学习和自我维护能力是其重要特征。加工过程中换刀和对刀约占设备运行时间的20％。准确、高效的刀具运行状态自我识别和自动预警对提高机床的智能水平有重要意义，并可有效地节约成本、提高效率。

常用的力信号、声发射信号的使用存在如下限制，如，由于工件尺寸和切削液对测力仪的损坏等原因，实际加工中测量切削力较为困难，而且加工范围受到限制；声发射信号由于其产生机理较为复杂，信号强度易受传播路径的影响而且噪声干扰大，常造成传感器安装与信号处理上的困难。

现有文献中：(1)一般只单独测试一种与刀具磨损状态关联的信号，如振动信号、温度信号、声发射、主轴电流信号等，通过这种单一的信号来提取与刀具磨损相关的特征，以这些特征为基础进行刀具磨损状态识别；(2)或者虽然采集两种信号，但提取的信号特征对刀具的磨损状态不够敏感、或者对不同的信号只采用单一的分析技术提取信号特征，因此，对刀具状态的识别及监测的准确度都不高；(3)另外，监测系统所需仪器特殊、价格较高，如监测声发射信号设备，导致监测成本增高；(4)暂无研究记载基于稀疏贝叶斯学习方法的刀具磨损量预测模型，对刀具磨损量进行准确有效的预测。

发明内容

本发明的目的是提供一种基于功率检测的铣床加工过程刀具磨损量预测方法，使用功率传感器采集机床功率信号，能改善切削困难且信号强度受影响的问题；提取和刀具磨损量相关性强的信号特征，并对特征进行后处理以提高特征对刀具磨损的敏感性，建立基于稀疏贝叶斯学习方法的刀具磨损量预测模型，预测模型准确，有效节约成本并提高效率。

本发明提供的一种基于功率检测的铣床加工过程刀具磨损量预测方法，其步骤为：

S1、数据采集：采集功率信号和测量刀具磨损量；

S2、特征提取：提取功率有效值特征，计算所述功率有效值特征与所述刀具磨损量的相关系数，得到敏感特征；

S3、特征后处理：先对所述敏感特征的所有特征值进行保序回归，再进行指数平滑；

S4、预测模型：通过训练样本，进行稀疏贝叶斯学习方法SBL模型预测，进行验证样本。

优选地，通过功率传感器来采集铣床加工过程的所述功率信号；

测量刀具磨损量是在每次走刀完毕后利用显微镜对刀具磨损进行测量。

优选地，所述功率有效值特征包含有效值最大值、有效值最小值和有效值均值；

提取每一次走刀后的有效值最大值、有效值最小值和有效值均值，分别计算出整个走刀过程的有效值最大值的均值、有效值最小值的均值和有效值均值的均值，再分别计算有效值最大值、有效值最小值和有效值均值与所述刀具磨损量的相关系数。

优选地，计算任意一功率有效值特征与所述刀具磨损量的相关系数的公式为：