[发明专利]一种刀具状态监测方法

说明书

本发明公开了一种刀具状态监测方法，首先用一组恒定的切削参数对材料进行多次加工，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，确定影响刀具磨损的主要物理量因素；其次设计不同切削参数下的刀具磨损实验，采集主要物理量因素的信号并测量每次走刀后的刀具磨损量；再次，对采集的信号进行处理；最后，使用BP神经网络建立刀具磨损量预测模型，使用多粒度扫描级联森林法建立刀具磨损阶段识别模型，实现对刀具状态的监测。

技术领域

本发明涉及切削加工技术领域，尤其涉及一种刀具状态监测方法。

背景技术

在进行切削加工过程中，由于刀具振动、切削力、切削温度等原因，会导致刀具产生磨损现象，刀具磨损会反作用于切削力，同时会影响工件的表面质量。直接测量法和间接测量法是常见的两种常用的刀具磨损状态监测方法。直接测量法即直接测量刀面磨损中间部分的平均磨损量，该方法需要通过专用仪器进行检测，同时需要在机床停止运行状态下进行而且还容易受加工环境的影响。间接测量法则是通过测量与刀具磨损有关的物理量因素，如切削力、刀具振动、切削温度、声发射信号等，并建立刀具磨损与这些物理量之间的对应关系，实现间接测量；在实际监测中由于测量噪声的干扰，容易影响间接测量的准确率，以及在加工不同种类的零件时，刀具磨损的物理量影响因素不同，如果测量的物理量过多，则造成很多不必要的成本与时间的浪费；另一方面，在刀具磨损值刚刚超过某一磨损阶段的边界值时，而刀具磨损量预测值由于预测误差却略微小于该磨损阶段的边界值，会对实际的刀具状态造成误判。

发明内容

为了解决上述问题，本发明提出了一种刀具状态监测方法，实现对切削加工中刀具磨损的监测，包括如下步骤：

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各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；