[发明专利]一种小样本下刀具磨损状态监测方法

说明书

本发明申请属于机械加工故障诊断技术领域，具体公开了一种小样本下刀具磨损状态监测方法，包括以下步骤(1)获得实验样本，(2)对振动信号进行扩维，(3)生成灰度距离图，(4)将各个通道的灰度距离图聚合为彩色距离图，(5)将聚合后的彩色距离图输入到嵌入网络中进行特征提取与分类训练，实现对刀具状态监测。与现有技术相比，本方法采集机械加工过程中的振动信号，并进行扩维、编码为灰度距离图、聚合为彩色距离图，在嵌入网络中对刀具磨损情况进行识别，经试验证明可大大提高识别精度。

技术领域

本发明属于机械加工故障诊断技术领域，具体公开了一种小样本下刀具磨损状态监测方法。

背景技术

随着现代制造业的日益发展成熟，制造系统的自动化程度越来越高，这就大大提高了制造型企业的生产效益，也促使了现在的制造型企业也愈发依赖于自动化生产。数控机床的自动化程度是多数制造系统的组成部分，刀具作为数控机床最易受损的部件之一，其磨损程度与产品质量和生产效率密切相关。

刀具作为数控机床在机械加工中最容易损伤的部件，对它进行实时有效的故障识别与状态监测非常重要。据统计在机械加工的切削加工中，刀具故障通常约占机床停机时间的20％，而频繁的停机换刀会严重影响企业的生产效率。若刀具发生故障而没有及时被发现，会直接影响零件表面质量、尺寸精度等，严重的情况下将直接导致零件报废，从而增加生产成本。因此，机械加工过程中的实时刀具状态监测(TCM)是自动化加工中的关键研究课题，如何在加工过程中有效地监测刀具状态，识别刀具的磨损程度，已成为数控机床智能化以及生产过程自动化发展急需解决的问题。

目前，国内外学者对刀具状态监测(TCM)开展了大量的研究，已经提出了诸多比较有效的刀具状态监测的方法，如快速傅里叶变换(FFT)、小波变换(WT)、人工神经网络(ANN)、隐马尔科夫链(HMM)、支持向量机(SVM)等，这为高精度、高可靠的刀具状态监测(TCM)提供了一定的技术基础。然而，这些方法都需要在一定的前提条件下才能达到理想的效果，如快速傅里叶变换(FFT)要求信号是平稳的，而机械加工过程中刀具信号是非平稳的；小波变换(WT)虽然能够处理非平稳信号，但其需要构造、选择与故障特征波形相匹配且具有优良性质的小波基函数，而对于先验知识甚少的机床刀具损伤过程，选择合适的小波基函数是非常困难的；人工神经网络(ANN)(特别是深度学习)算法需要大量样本数据进行训练，这对于刀具状态监测而言是很困难的；隐马尔科夫链(HMM)方法假设状态持续时间服从指数分布，而刀具损伤过程很难满足这一条件。

对于一些特殊情况的机械加工，其刀具状态监测所能研究的样本比较少，但是对刀具磨损状态监测又需要较高的精准度。在这样有限的样本情况下，已有有效的刀具状态监测方法因为其特殊性，难以精确识别刀具的状态，比如人工神经网络(ANN)容易出现过拟合问题，即推广能力差。

发明内容

本发明的目的在于提供一种小样本下刀具磨损状态监测方法，以解决小样本下刀具磨损状态监测精度达不到需求的问题。

为了达到上述目的，本发明的基础方案为：一种小样本下刀具磨损状态监测方法，包括以下步骤：

(1)采集机械加工过程中的振动信号X及对应的刀具磨损状态，获得实验样本；

(2)对采集到的各通道振动信号X进行扩维，计算出振动信号X的最小自相关系数作为延迟时间t，计算出嵌入维数m；

(3)对各个通道的振动信号数据进行编码生成灰度距离图；

(4)将各个通道的灰度距离图聚合为彩色距离图；

(5)将聚合后的彩色距离图输入到嵌入网络中进行特征提取与分类训练，实现对刀具状态监测。

进一步，还包括步骤(6)定期周期性在线采集机械加工过程中的振动信号，根据步骤(1)至步骤(5)刀具状态进行分类识别。