[发明专利]基于小波包分析与RBF神经网络的刀具磨损在线监测方法

说明书

本发明涉及一种基于小波包分析和RBF神经网络的刀具磨损在线监测方法，利用瞬时切削力系数识别法标定不同刀具磨损状态时切向力和径向力的剪切力系数和刃口力系数；通过分析切削力系数与刀具磨损的相关性，将其作为刀具磨损特征参数，经过归一化处理后输入RBF神经网络模型。RBF神经网络监测模型训练过程的输入层为经过归一化处理的切削力特征、切削振动特征，剪切力系数、刃口力系数；输出层为归一化处理后的刀具后刀面磨损量；隐含层为通过径向基函数迭代优化获得的神经元；通过刀具磨损监测实验验证了RBF神经网络监测模型具有响应速度快，识别精度高的优点。

技术领域

本发明属于基于小波包分析和径向基神经网络(radial basis function neuralnetwork)的刀具磨损在线监测方法，更具体的说涉及一种采用小波包分析和瞬时切削力系数识别法提取加工过程中的刀具磨损特征值，利用RBF神经网络对特征值进行训练，从而通过已训练的RBF神经网络监测模型准确监测刀具磨损的方法。

背景技术

刀具状态智能在线监测技术作为先进制造技术的重要组成部分，已经成为近年来该研究领域的主题。刀具作为切削过程的直接执行者，在工件的切削加工过程中不可避免地存在着磨损和破损等现象，刀具状态的变化直接导致切削力增加、切削温度升高、工件表面粗糙度上升、工件尺寸超出公差、切削颜色变化以及切削颤振的产生，因此，需要对刀具进行磨损状态监测。刀具磨损状态智能监测技术是指在产品加工过程中，针对检测到的各类传感器信号进行数据处理，采用特征识别模型实时的预测刀具磨损和破损的状态，从而准确提醒刀具更换时间。研究表明，CNC机床配备刀具监测系统后可减少故障停机时间的75％，生产效率提高10-60％，机床利用率提高50％。

刀具磨损状态智能监测一般分为两个过程：刀具磨损相关特征值的训练过程和利用训练模型对刀具磨损进行监测的过程。其中，训练过程中涉及磨损特征的提取，特征提取的方法包括三类：时域分析法、频域分析法、时频域分析法。时域分析法是指直接在时间域内对信号进行处理的方法，利用时域信号作为特征信号提取，经常会受到噪声信号或者由于加工参数变化而使信号发生变化的影响，因而会导致信号提取的准确性下降，并且往往需要大量的实验数据来归纳总结信号规律。频域分析是指通过傅里叶级数或傅里叶变换将信号由时间域转换到频率域进行分析和处理。但是利用傅里叶变换进行时域向频域的转换时存在着一定的缺点，即该方法用于提取信号频谱时，需要利用信号的全部时域信息，由于该方法是一种整体变换，缺少时域定位的功能，因此需要对这种变换方法加以改进。时频域分析法能够把信号的时间域和频率域联系起来，从而能够清楚地描述信号频率随时间的变化，使信号在时域和频域内都可以达到高的分辨率。近年来，神经网络在特征识别方面应用广泛，能够快速准确地对特征值进行训练与识别。

发明专利(CN104723171A)一种基于电流与声发射复合信号的刀具磨损监测方法提出了通过检测切削加工中的主轴电机的电流信号及车刀磨损状态的声发射信号，并通过小波包分析、主成分分析判断刀具的磨损程度。但该方法需测量电流与声发射两种信号，增加了设备成本和装夹的复杂度；同时，利用主成分判断刀具磨损程度并不能准确地预测刀具的后刀面磨损量。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于小波包分析与RBF神经网络的刀具磨损在线监测方法，解决时域法与频域法处理信号时分别在频域和时域上分辨率低的问题。

技术方案

一种基于小波包分析与RBF神经网络的刀具磨损在线监测方法，其特征在于步骤如下：

步骤1：在某一工况下，使用恒定的切削参数对材料进行加工，刀具在工件上侧边铣削加工，测量该过程中的切削力信号，同时测量每次加工后刀具的后刀面磨损量，并将归一化处理后的刀面磨损量作为RBF神经网络的输出值；

步骤2：