[发明专利]一种用于CNC断刀预测的系统及方法

权利要求书

1.一种用于CNC断刀预测的系统，其特征在于：

所述CNC断刀预测系统包含数据采集模块、控制器、无线通信模块、大数据分析平台、移动终端；

所述数据采集模块包括声发射传感器、测力仪、加速度传感器，分别用于采集数控机床运行时刀具产生的声发射信号、切削力信号以及加速度信号；

所述控制器用于接收大数据分析平台的控制指令，并将采集的数据信息通过无线通信模块传输至大数据分析平台；

所述无线通信模块用于实现控制器与大数据分析平台之间的数据交互，其实现形式包括蓝牙、WiFi、以及ZigBee；

所述大数据分析平台包括数据库和数据分析模块，分别用于数据存储以及利用CNC断刀预测方法对数据进行分析和处理，平台构建在服务器集群作为计算及存储基础设施之上，以Hadoop集群及其之上的Hbase数据库作为海量数据的存储及管理系统，并以Kafka为核心的、可以适配各种数据源采集消息通道，在其上层构建hadoop的MapReduce计算框架进行历史数据计算，以Spark、Flink框架处理流式数据计算的综合存储及计算平台；

所述移动终端为智能手机或者平板电脑，能够实现与大数据分析平台的信息交互，实时查看刀具的状态信息；

所述数据采集模块与控制器的输入端相连，控制器的信号端通过无线通信模块与大数据分析平台和移动终端相连；

所述CNC断刀预测方法包括如下步骤：

S1，使用数据采集模块采集数控机床运行的原始信号数据，建立包含断刀故障状态和非断刀正常状态数据库；

S2，对采集的原始信号数据进行归一化处理，按比例划分为训练集和测试集；S3，建立基于BP神经网络的数控机床断刀预测模型；

S4，利用改进粒子群优化BP神经网络，进行模型训练，输出优化后的BP神经网络的最佳权值和阈值；

S5，将测试集中的样本数据作为输入，通过步骤S4优化后的BP神经网络来进行数控机床断刀预测；

所述步骤S4利用改进粒子群优化BP神经网络的具体步骤为：

S41，使用将BP神经网络的权值和阈值定义为粒子群搜索空间中的一个粒子，并进行粒子群参数的初始化；

S42，根据粒子个体最优位置和群体的全局最优位置计算适应度函数，其适应度函数为：

其中，M为粒子数i为输入样本数，y_i为网络的实际输出，为样本输出；

S43，更新微粒的速度和位置，微粒的速度v_i,j和位置x_i,j表达式为：

其中，c₁、c₂为加速常数，j是微粒空间维数,ω为惯性权重，r₁、r₂为0到1之间均匀分布的随机数，p_i,j是每个微粒所经过的个体最佳位置；p_g,j是群体所发现的最佳位置；

S44，计算位置更新后每个微粒的适应度，将每个微粒的适应度与以前经历过的最好位置所对应的适应度比较，如果较好，则将其当前的位置作为该微粒的最好位置；

S45，将每一个微粒的适应度与全体微粒所经历过的最好位置比较，如果好，更新全体微粒的最好位置；

S46，检查终止条件，如果没有达到预设条件，则返回步骤S43；如果满足预设条件，则停止迭代，输出最优解。

2.根据权利要求1所述的一种用于CNC断刀预测的系统，其特征在于，所述步骤S2中的归一化处理方法采用离差标准化处理方法，是对原始信号数据的线性变换，使结果落到[0，1]区间，转换函数如下：

其中，x^*是归一后得数据，x为原始信号数据，max为原始信号数据的最大值,min为原始信号数据的最小值。

3.根据权利要求2所述的一种用于CNC断刀预测的系统，其特征在于，所述采集数控机床运行的原始信号数据，其过程是利用离散分布采样不断采集其声发射、加速度以及切削力的信号数据得到其时序数据。