[发明专利]一种刀具状态监测方法

权利要求书

1.一种刀具状态监测方法，其特征在于包括以下步骤：

步骤一：用一组恒定的切削参数对材料进行多次加工，测量每次走刀后的刀具后刀面磨损量，绘制刀具磨损曲线，划分刀具磨损阶段并确定刀具的磨钝标准，对刀具磨损进行机理分析，得出刀具磨损的主要形式，确定影响刀具磨损的主要物理量因素；

步骤二：进行不同切削参数下的刀具磨损实验，采集不同切削参数下每次走刀过程中的步骤一中已确定的影响刀具磨损的主要物理量因素的信号，同时测量不同切削参数下每次走刀之后的刀具后刀面的磨损量；

步骤三：对步骤二中采集的信号进行时域分析提取各14类特征值，分别为最大值、最小值、均值、峭度、峰峰值、方差、标准差、有效值、方根幅值、偏度、峰值因子、脉冲因子、裕度因子、波形因子，对步骤二中采集的信号进行频域分析提取各4类特征值，分别为频谱、能量谱、功率谱、倒频谱，对步骤二中采集的信号进行时频分析，先使用集成经验模态法对步骤二中采集的信号进行n次降噪处理，对第一次降噪处理后的信号定义为IMF1，对第n次降噪处理后的信号定义为IMFn，然后对每次降噪处理后的信号提取3类特征值，分别为近似熵、样本熵以及模糊熵；

步骤四：使用Relief-F特征选择法从步骤三中提取的特征值中筛选出与刀具磨损量相关性权重值大于0.15的M个特征值；

步骤五：将步骤三中提取的不同切削参数下每次走刀过程中信号的M个特征值组成新数据集，并将新数据集随机划分出80％的训练集与20％的测试集；

步骤六：将步骤五中的训练集输入到BP神经网络刀具磨损量预测模型中，通过不断的设置变化隐含层的节点数目，进行反复的模型训练，选择表现最好的节点数目，然后，将训练完成后的BP神经网络刀具磨损量预测模型保存成可调用的模型，然后调用BP神经网络刀具磨损量预测模型，将步骤五中的测试集输入，获得测试集的刀具磨损量预测值；

步骤七：将步骤二中采集的不同切削参数下每次走刀过程中的步骤一中已确定的影响刀具磨损的主要物理量因素的信号进行三大段划分，分别对应步骤一中划分的三个刀具磨损阶段，每一大段信号截取1500个完全不重叠的500长度的信号样本数据；

步骤八：将步骤七中的信号样本数据随机分成60％的训练集和40％的测试集；

步骤九：将步骤八中的训练集输入到刀具磨损阶段识别模型，对刀具磨损阶段识别模型进行训练，完成训练后，调用训练完成的刀具磨损阶段识别模型，然后输入步骤八中的测试集，获得测试集的刀具磨损阶段识别结果。

2.根据权利要求1所述的一种刀具状态监测方法，其特征在于：步骤一与步骤二中测量每次走刀后的刀具后刀面磨损量采用的方法是先将刀具的切削刃划分成3段，分别为前段、中段和后段，再对每一段的磨损区域划分成十段，再进一步取该十段的平均值。