[发明专利]一种数控机床刀具剩余寿命预测方法

说明书

本发明涉及一种数控机床刀具剩余寿命预测方法，属于CNC刀具寿命预测领域。针对CNC中刀具剩余寿命预测这一问题，利用状态监控、数据去噪、特征提取和最小支持二乘向量机的方法建立了刀具剩余寿命预测模型，并将该问题的预测对象细化为铣削工具这一CNC核心生产要素。首先，对监控的信号数据进行小波变换阈值去噪的数据预处理，接着提取数据的时域特征，利用PCA的T²统计量提取信号主要特征。其次，利用多核加权最小二乘支持向量机模型对实时监控数据进行剩余寿命预测，得到具体的剩余寿命值。最后使用工业大数据产业创新平台上的真实数据进行的验证，验证结果说明该方法能有效的进行寿命预测。

技术领域

本发明属于数控机床刀具寿命预测领域，涉及一种数控机床刀具剩余寿命预测方法

背景技术

刀具作为在工业制造过程中的重要工具，其寿命和磨损状态影响着工件的生产质量，生产效率以及车床的健康状态。如果能精准预测出刀具的剩余寿命，将有效地降低工业制造的成本。刀具磨损测量方法大致可分为直接法和间接法两种。直接测量需要测量实际磨损，使用不同的方法，如：光学测量，放射性分析和电阻测量。然而，直接测量加工操作之间或期间的刀具磨损是困难的。另外就是间接测量，根据刀具条件和可测量信号(如力、声发射、振动、电流等)之间的关系来检测刀具状态的间接方法已经得到了广泛的研究。例如，通过使用力，振动和声发射(AE)信号，Sun等人基于运行可靠性评估和反向传播神经网络(BPNN)预测了切削刀具的剩余寿命值。

在进行间接测量的过程中，信号的处理是刀具状态检测的重要环节。近年来，小波变换在信号处理方面体现出其优越性，其得益于其不仅能在不同的频带提取更多的时频信息，而且在对信号的去噪效果上也有着优异的表现。PCA是将多维特征映射为少数几个综合特征得统计分析方法，能够提取原始数据主要特征，建立统计模型。Ge等提出分布式PCA方法(DPCA)，通过不同方向的主元将原始特征空间分为多个子特征空间并分别建立PCA模型，在此基础上制定集成策略用于故障检测和诊断。Gao等人基于PCA建立了一套动态监测模型的刀具寿命在线检测系统，实现了特征的优化选择。Baydar基于PCA的多元统计方法建立了一个正常状态模型进行齿轮箱状态监测。支持向量机是基于结构风险最小化理论和VC维理论基础实现的，在一些非线性、小样本等问题中有独特的优势。最小支持二乘向量机是SVM的一个变体，其将SVM中的二次规划问题转化为了线性问题，降低了求解的复杂度。然而，在LSSVM情况下丢失了稀疏性并且支持值的估计仅在误差变量的高斯分布的情况下是最佳的。另外目前关于LSSVM的核函数选取还缺乏足够的理论依据，如何构建具有良好适应性的核函数是一个需要解决的问题，一个可行的思路是构建多核最小二乘支持向量机。

发明内容

有鉴于此，本发明的目的在于提出一种适用于关键设备铣削刀具的通用预测模型，通过分析现阶段的刀具状态监控术，选取效果较为理想的刀具间接测量指标，利用数据去噪、特征提取和多核W-LSSVM的方法建立了刀具剩余寿命预测模型，提供一种数控机床刀具剩余寿命预测方法。

为达到上述目的，本发明提供如下技术方案：

一种数控机床刀具剩余寿命预测方法，利用状态监控、数据去噪、特征提取和多核加权最小二乘支持向量机的方法建立刀具剩余寿命预测模型，并将刀具剩余寿命预测对象细化为铣削工具这一数控机床(CNC)核心生产要素，包括以下步骤：

S1：收集PLC控制器信号和外置传感器信号，监测加工过程中的工况信息和传感器数据，传感器数据主要为电流信号和三个方向即x轴、y轴以及z轴的振动信号，以实现刀具磨损在线监测与寿命预测为目标；

S2：接收原始信号数据并进行预处理；

S3：对步骤S2所得到得信号进行时域特征提取；

S4：对步骤S3所提取得时域特征利用主元分析PCA的T²特征图得到对应的数据矩阵；