[发明专利]一种基于多传感器信息融合及深度置信网络的刀具磨损监测方法

说明书

本发明涉及一种基于多传感器信息融合及深度置信网络的刀具磨损监测方法，包括步骤如下:采集数控机床加工过程中多种传感器信号，分别提取传感器信息在时域、频域、时频域的特征参数。由限制波尔兹曼机(RBM)有效的提取能够表征铣刀磨损的特征参数；通过堆叠多个限制波尔兹曼机(RBM)构造深度置信网络(DBN)，实现刀具磨损的监测。本发明可摆脱对信号处理专家经验的依赖，通过多个传感器获取刀具磨损状态详细信息，快速准确的识别出不同加工条件下的铣刀磨损状态，具有监测精度高，适应性强等特点。

技术领域

本发明属于数控机床刀具磨损监测技术领域，更具体的说，涉及一种基于多传感器信息融合及深度置信网络的刀具磨损监测方法。

技术背景

刀具磨损是影响加工工业中工件质量的关键因素，有效且准确地预测刀具磨损可以使刀具及时更换，以避免不必要的浪费；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％，稳定、准确的刀具监测系统是现代化加工必不可少的。

在监测刀具状态时，根据工作场合会采用多种传感器来监测刀具的使用状况，现有的方法通常是利用单一传感器信号的某种特征参数来表示刀具的磨损状态，监测的准确性受限于某一传感器的精度，监测稳定性较差，不能有效地实现刀具状态的监测。

当下制造业中，对传感器信息进行预处理、特征提取、特征选择主要依赖于技术人员的信号处理技术和诊断经验，远远达不到智能化的要求，本领域需要一种稳定、精准的智能化刀具磨损监测系统。

发明内容

要解决的技术问题：

针对现有技术的缺陷或改进需求,本发明提出了一种基于信息融合及深度置信网络的刀具磨损监测方法，其基于现有的刀具状态监测特点，研究及设计了一种一种基于信息融合及深度置信网络的刀具磨损监测方法；所述监测方法融合了多种传感器信号的有效信息，且利用深度置信网络在线识别出刀具的磨损状态，实现了对刀具状态的稳定在线监测；该方法能够摆脱对信号处理技术和诊断经验的依赖，实现刀具磨损特征的自适应提取，并且提高了监测准确性及灵活性，监测不再受限于某一个传感器信号。

技术方案：

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，刀具在侧边上铣削加工，测量该过程中的切削力信号、振动信号，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值作为神经网络的输出值；

步骤2：分别提取每一种传感器信号在时域、频域及时频域上的特征参数，并进行归一化处理；

步骤3：将归一化处理后的特征参数作为深度置信网络(DBN)的输入向量对识别模型进行训练，在最后一层加softmax分类器，通过BP算法进行微调，最终输出刀具磨损状态。

进一步地，所述传感器信号包括振动信号、及切削力信号。

进一步地，提取的传感器信号在时域的特征参数包括均值、均方值、方根均值、绝对均值、绝对值总和、极大值、自成均值、波高率、波形率、标准差、歪度。

进一步地，提取的传感器信号在时域的特征参数包括功率谱均值、功率谱偏斜度、功率谱峭度、功率谱脉峰值、功率谱方差、功率谱脉冲指标。

进一步地，在频域上提取特征参数时，将振动信号通过离散傅里叶变换以得到功率谱；其中，所述重心频率、所述均方频率及所述均方根频率表示功率谱的主频带位置的变化情况，所述频率方差及所述频率标准差表示能量谱的离散程度。

进一步地，在时频域特征提取时，使用db5三层小波包分解对切削力信号、振动信号进行分解重构，提取其8个小波包能量带作为时频特征。

进一步地，采用Min-Max Normalization对提取到的特征参数做归一化处理，公式为：