[发明专利]一种基于多种类传感器复合信号的刀具磨损监控方法

说明书

技术领域

本发明涉及一种基于多种类传感器复合信号的刀具磨损监控方法，属于刀具磨损检测领域。

背景技术

智能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。据统计，加工过程中换刀和对刀约占设备运行时间的20％。此外，刀具的磨损和破损对加工质量、加工效率、机床寿命甚至操作人员的人身安全有重要影响。因此，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，可有效地节约成本、提高效率.

由于高速铣削中的刀具磨损过程复杂，模型参数过多且难以预测刀具磨损，如何通过更加有效途径预测刀具磨损成为研究人员的关注焦点。国内外学者对刀具磨损预测做了大量的研究，并取得了诸多进展。

声发射(Acoustic emission，AE)技术作为先进的检测手段对各种金属材料及其内部微细裂纹非常敏感，能发现材料的早期变化，故广泛用于各种机械设备检测。但由于每个声发射散点所含故障信息不同，故对评估设备状态信息贡献度也不同；而每个声发射散点提取的特征参量物理含义不同，对故障敏感程度也不同。某些特征参量能在故障早期发生突变，而某些特征参量变化趋势相对平缓，无法为设备故障状态提供预警。

刀具状态监测的另一核心问题是在分析信号特征的基础上，构建有效的算法进行刀具磨损量的预测。常用算法包括人工神经网络和支持向量机等。人工神经网络的预测算法，模型过于复杂、需要大量的实验样本，且计算收敛困难.支持向量机可以实现在小样本下刀具磨损量的预测，但易出现过学习现象，模型的稀疏性有限，且无法提供预测结果的概率信息。

发明内容

为了解决上述存在的技术问题，本发明提供一种基于多种类传感器复合信号的刀具磨损监控方法。

本发明的目的是通过下述技术方案实现的：一种基于多种类传感器复合信号的刀具磨损监控方法，其特征在于，包括如下步骤：

(1)数据采集：使用声发射传感器采集机床的声发射信号，使用功率传感器采集机床加工功率信号，同时在每次加工时段完毕后使用显微镜对刀具进行拍照，并测量刀具后刀面磨损值，用于比对获取刀具磨损数据；

(2)特征提取：应用云算法对采集的信号进行去噪处理，滤除干扰频段对提取特征参数的影响，然后对数据进行特征提取，分析各特征与刀具磨损量的相关性并选取相关性强的特征；

(3)构建模型及优化后分类和预测：经过后处理的数据特征和显微镜测量刀具磨损量数据形成样本组，采用基于SBL的识别方法对数据进行建模，采用贝叶斯匹配追踪算法对SBL模型核函数的宽度参数进行优化，实现刀具磨损量的准确预测。

本发明的有益效果：本发明采用声发射传感器和功率传感器采集机床刀具磨损相关的信号信息，通过两种信号采集的方法可以避免单一信号本身自有的缺陷。采用云模型算法科学的耦合两种信息，并能够提取信号中反映刀具磨损量的特征因素，使用稀疏贝叶斯方法建立模型进而预测刀具磨损量，实现了对刀具磨损的监控，提高刀具磨损监控的效率和准确性。

附图说明

图1为本发明创造的总结构框图。

图2为本发明试验数据采集的流程图。

具体实施方式

步骤1数据采集：

用美国PAC的多通道声发射数据采集系统进行数据采集，通过磁力座将声发射传感器固定在试验台刀箱上，先在刀箱中安装1把刀具，采集10s的声发射信号和功率信号；更换刀具，按相同步骤依次采集其余8把刀具不同时段的声发射信号和功率信号。

为了更好的研究在不同工件加工条件下刀具磨损状态与磨损量关系的预测问题，如将3种切削参数(切削速度、进给量和背吃刀量)全面组合，将会产生多组切削条件，导致试验量过大。因此采用正交试验法，在最少的试验次数下，科学地安排多组切削参数组合试验。

步骤2特征提取：

应用云算法对采集的信号进行去噪处理，滤除干扰频段对提取特征参数的影响。然后对数据进行特征提取，分析各特征与刀具磨损量的相关性并选取相关性强的特征。

熵值反映了不同磨损阶段对应的定性概念的不确定性程度，表现为信号在该磨损阶段对应云概念的可接受范围大小。基于无确定度的逆向云算法对各云概念的熵En计算。