基于功率检测的铣床加工过程刀具磨损量预测方法
技术领域
本发明涉及铣床加工过程中对铣刀磨损量进行检测和预测领域,特别是涉及一种基于功率检测的铣床加工过程刀具磨损量预测方法。
背景技术
随着智能生产***的普及,加工设备作为智慧工厂的核心之一,对运行状态的自我识别、自我学***有重要意义,并可有效地节约成本、提高效率。
常用的力信号、声发射信号的使用存在如下限制,如,由于工件尺寸和切削液对测力仪的损坏等原因,实际加工中测量切削力较为困难,而且加工范围受到限制;声发射信号由于其产生机理较为复杂,信号强度易受传播路径的影响而且噪声干扰大,常造成传感器安装与信号处理上的困难。
现有文献中:(1)一般只单独测试一种与刀具磨损状态关联的信号,如振动信号、温度信号、声发射、主轴电流信号等,通过这种单一的信号来提取与刀具磨损相关的特征,以这些特征为基础进行刀具磨损状态识别;(2)或者虽然采集两种信号,但提取的信号特征对刀具的磨损状态不够敏感、或者对不同的信号只采用单一的分析技术提取信号特征,因此,对刀具状态的识别及监测的准确度都不高;(3)另外,监测***所需仪器特殊、价格较高,如监测声发射信号设备,导致监测成本增高;(4)暂无研究记载基于稀疏贝叶斯学习方法的刀具磨损量预测模型,对刀具磨损量进行准确有效的预测。
发明内容
本发明的目的是提供一种基于功率检测的铣床加工过程刀具磨损量预测方法,使用功率传感器采集机床功率信号,能改善切削困难且信号强度受影响的问题;提取和刀具磨损量相关性强的信号特征,并对特征进行后处理以提高特征对刀具磨损的敏感性,建立基于稀疏贝叶斯学习方法的刀具磨损量预测模型,预测模型准确,有效节约成本并提高效率。
本发明提供的一种基于功率检测的铣床加工过程刀具磨损量预测方法,其步骤为:
S1、数据采集:采集功率信号和测量刀具磨损量;
S2、特征提取:提取功率有效值特征,计算所述功率有效值特征与所述刀具磨损量的相关系数,得到敏感特征;
S3、特征后处理:先对所述敏感特征的所有特征值进行保序回归,再进行指数平滑;
S4、预测模型:通过训练样本,进行稀疏贝叶斯学习方法SBL模型预测,进行验证样本。
优选地,通过功率传感器来采集铣床加工过程的所述功率信号;
测量刀具磨损量是在每次走刀完毕后利用显微镜对刀具磨损进行测量。
优选地,所述功率有效值特征包含有效值最大值、有效值最小值和有效值均值;
提取每一次走刀后的有效值最大值、有效值最小值和有效值均值,分别计算出整个走刀过程的有效值最大值的均值、有效值最小值的均值和有效值均值的均值,再分别计算有效值最大值、有效值最小值和有效值均值与所述刀具磨损量的相关系数。
优选地,计算任意一功率有效值特征与所述刀具磨损量的相关系数的公式为:
其中,i—走刀时间;xi—第i次的有效值特征值;—整个走刀过程的有效特征值的均值;Vai—第i次走刀时产生的刀具磨损量;—整个过程的刀具磨损量平均值;ρ—第i次走刀后有效值特征与刀具磨损量的相关系数。
优选地,比较有效值最大值与刀具磨损量的相关系数、有效值最小值与刀具磨损量的相关系数以及有效值均值与刀具磨损量的相关系数的大小,将最大相关系数值所对应的功率有效值特征作为所述敏感特征。
优选地,所述保序回归是使敏感特征的所有特征值保持单调不减的趋势;所述保序回归的步骤为:
a、如果对于任意的i=1,2,...,N,都有fi≤fi+1,则
b、若存在i使得fi>fi+1,令
同时将更新为
c、重复所述步骤b,直至得到的满足
则输出结果
其中,fi为敏感特征的第i个特征值,N为敏感特征的所有特征值的个数,f*i是fi的保序回归,是N个特征值的序列,是N个特征值保持单调不减的保序回归序列。
优选地,对保持单调不减的敏感特征的所有特征值进行指数平滑,使其变化光滑;所述指数平滑为:
给定时间序列xt,xt-1,...,x2,x1,经过一次指数平滑后的序列为:
yi=αxi+(1-α)yi-1(2≤i≤t),其中,0<α<1;α为平滑系数,yi为在时刻i秒的平滑值,yi-1为在时刻i-1秒的平滑值;y1为初始平滑值,x1是第一秒时刻的特征值,x2是第二秒时刻的特征值,x3是第三秒时刻的特征值。
优选地,所述平滑系数α设为0.3。
优选地,通过所述稀疏贝叶斯学习方法SBL模型预测,输入敏感特征的特征值样本,预测对应的刀具磨损量;
所述稀疏贝叶斯学习方法SBL模型预测步骤为:
S41:给定输入Yn×k=[y1,y2,...,yk];
其中y1,y2,...,yk分别为经过后处理的k个敏感特征的特征值,矩阵Y的每一行yi=[yi1,yi2,…,yik](i=1,…,n)相应地输出作为显微镜测量的刀具磨损量ti;
S42:根据步骤S41中给定输入的敏感特征的特征值样本,初始化高斯噪声方差σ2和超参数向量α=(α1,α2,…,αN),设定超参数迭代上限αmax;其中,若假定ti是一未知函数和测量误差εi的组合,则得到公式:ti=F(yi,W)+εi;式中:εi是独立的误差项,且服从高斯分布N(0,σ2);ti服从期望为F(yi,W)、高斯噪声方差为σ2的高斯分布,W=(w0,w1,…,wn)是权值向量;
S43:根据公式u=σ1 -2∑ΦTt、Σ=(σ1 -2ΦTΦ+A)-1分别计算权值向量W的期望u和方差σ1 2;其中t是刀具磨损量,Φ=[Φ(y1),Φ(y2),…,Φ(yn)]T是基函数矩阵,Φ(yi)=[1,K(yi,y1),K(yi,y2),…,K(yi,yn)]T;W服从高斯先验分布,且式中:α=(α0,α1,...,αn)是超参数向量,αi是对wi指定的超参数;A=diag(α0,α1,...,αn);
S44:进行更新,重新计算高斯噪声方差σ2;
S45:重复步骤S43和步骤S44,直至达到指定的迭代次数,或者直至高斯噪声方差σ2及超参数向量α=(α0,α1,...,αN)达到指定的计算精度;
S46:进行筛选,保留超参数向量中小于αmax的超参数所对应的权值和基函数;
S47:预测对应的刀具磨损值t*。
优选地,所述步骤S42中设定超参数迭代上限αmax=1.0e4。
与现有技术相比,本发明的有益效果为预测模型准确,传感器安装简单,有效地节约了成本,并提高效率。
附图说明
图1基于功率的刀具磨损量预测方法;
图2铣床切削时间与功率有效值曲线图。
具体实施方式
本发明提供了一种基于功率检测的铣床加工过程刀具磨损量预测方法,为使本发明更明显易懂,下面结合附图与具体实施方式对本发明做进一步说明。
本发明的基于功率检测的铣床加工过程刀具磨损量预测方法,其步骤具体为:
第一步:数据采集;
使用功率传感器来采集铣床加工过程的功率信号,并在每次加工完毕后使用显微镜对刀具磨损进行拍照,测量或计算刀具磨损量,如第i次走刀时产生的刀具磨损值Vai和整个过程的刀具磨损平均值
本发明的实施例涉及一台数控铣床、被加工件(45号钢)、铣刀、功率传感器以及显微镜。
切削参数如表1所示:
表1切削参数
其中,n为刀具转速,f为刀具线速度,ap为铣宽,ae为铣深。
本实施例使用功率仪(HIOKI PW3360)来采集数控铣床的功率信号,功率仪安装在机床动力进线处,该功率仪采样的频率为10.24KHz,同时自动计算并输出每秒钟功率有效值。
每次走刀加工后,通过显微镜来测量刀具磨损量。
根据每次走刀加工,可以得到第i次的有效值特征值xi(包含有效值均值、有效值最大值和有效值最小值),整个走刀过程的有效特征值均值(包含整个过程的有效值均值的平均值、整个过程的有效值最大值的平均值和整个过程的有效值最小值的平均值)。
如图2所示为铣床切削时间S(横坐标)与功率有效值RMS(纵坐标)的曲线图。
第二步:特征提取;
(1)提取切削功率有效值的特征,分别为有效值最大值、有效值最小值和有效值均值。
(2)对上述的有效值最大值、有效值最小值和有效值均值三种特征值进行提取计算,采用公式(1)进行计算提取:
其中,i—走刀时间;xi—第i次的有效值特征值(包含有效值均值、有效值最大值和有效值最小值);—整个走刀过程的有效特征值的均值(包含整个过程的有效值均值的平均值、整个过程的有效值最大值的平均值和整个过程的有效值最小值的平均值);Vai—第i次走刀时产生的刀具磨损量;—整个过程的刀具磨损量平均值;ρ—第i次走刀后各个有效值特征与刀具磨损量的相关系数。
(3)根据公式(1)的计算,分别得出有效值均值相关系数、有效值最大值相关系数和有效值最小值相关系数,取其中相关系数ρ值最接近1的有效值特征作为本发明的刀具磨损量的敏感特征。
利用公式(1),可计算出有效值最大值特征与刀具磨损量之间的相关系数ρ1、有效值最小值特征与刀具磨损量之间的相关系数ρ2以及有效值均值特征与刀具磨损量之间的相关系数ρ3。
具体计算的数值如表2所示,因ρ1<ρ2<ρ3,所以选择有效值均值特征为本实施例的敏感特征。
表2各特征与刀具磨损量的相关系数
第三步:特征后处理;
为了克服电网波动对特征值的影响,需要对敏感特征的所有特征值进行后处理,后处理的过程主要包含保序回归和指数平滑。
(1)采用保序回归,使敏感特征的所有特征值保持单调不减的趋势。敏感特征的所有特征值按顺序若已是单调不减趋势,则保持所有特征值的原顺序即可。若存在下一个特征值大于上一个特征值,则需要对其进行保序回归;循环进行,直至使敏感特征的所有特征值保持单调不减的趋势,完成保序回归。
其具体计算步骤如下:
a、如果对于任意的i=1,2,...,N,都有fi≤fi+1,则
b、若存在i使得fi>fi+1,令
同时将更新为
c、重复进行步骤b,直至得到的序列满足则输出结果其中,fi为敏感特征的第i个特征值,N为敏感特征的所有特征值的个数,f*i是fi的保序回归,是N个特征值的序列,是N个特征值的保持单调不减的保序回归序列。
其中保序回归方法的原理如下:
设相互独立的变量序列x1,x2…,xn满足关系x1≤x2≤…≤xn;定义g(xi)为xi的函数,则g(xi)的保序回归g(xi)*满足关系:g(x1)*≤g(x2)*≤…≤g(xn)*。其中g(xi)*利用如下公式(2)进行计算:
式中:其中,1≤i≤n;
(2)采用二次指数平滑方法,当信号特征整体呈增加或者减小趋势时,使用二次指数平滑模型对特征进行平滑处理。对于本发明的功率敏感特征的特征值进行处理时,平滑系数取α=0.3。
其中指数平滑方法的原理如下:
给定时间序列xt,xt-1,...,x2,x1,则经一次指数平滑后的序列如公式(3)所示:
式中:0<α<1为平滑系数,yi为时刻i的平滑值,yi-1为时刻i-1的平滑值,y1为初始平滑值,t是时间;且通过前三个时刻值的平均确定y1。
第四步:预测模型;
采用稀疏贝叶斯学习方法,构建磨损量预测模型,步骤如下:
1、给定输入Yn×k=[y1,y2,...,yk],其中y1,y2,...,yk分别为经过后处理的k个敏感特征的特征值。
矩阵Y的每一行yi=[yi1,yi2,…,yik](i=1,…,n),其相应地输出为显微镜测量的刀具磨损量ti。
根据上述给定输入的敏感特征的特征值样本数据,初始化高斯噪声方差σ2和超参数向量α=(α1,α2,...,αN),设定超参数迭代上限αmax。
假定ti是一未知函数和测量误差εi的组合,即:
ti=F(yi;W)+εi (4)
式中:εi是独立的误差项,且服从高斯分布N(0,σ2),则ti服从期望为F(yi,W)、高斯噪声方差为σ2的高斯分布,W=(w0,w1,...,wn)是权值向量。
2、根据公式u=σ1 -2∑ΦTt和Σ=(σ1 -2ΦTΦ+A)-1分别计算权值向量W的期望u和方差σ1 2,其中,t是刀具磨损量;Φ=[Φ(y1),Φ(y2),…,Φ(yn)]T是基函数矩阵,Φ(yi)=[1,K(yi,y1),K(yi,y2),…,K(yi,yn)]T,A=diag(α0,α1,...,αn)。
W服从高斯先验分布,如下公式(5)所示:
式中:α=(α0,α1,...,αn)是超参数向量,αi是对wi指定的超参数。
3、进行更新,即重新计算高斯噪声方差σ2;
4、重复步骤2和步骤3,直至达到指定的迭代次数或者高斯噪声方差σ2和超参数向量α=(α0,α1,...,αN)达到指定的计算精度;
5、进行筛选,即保留超参数向量α=(α0,α1,...,αN)中小于αmax的超参数所对应的权值和基函数;
在步骤1中需要设置合理的αmax,否则可能会产生多余的相关向量。理论上αmax应为无穷大,在本实例的计算中设定αmax=1.0e4。
通过模型训练获得超参数向量α与高斯噪声方差σ2后,对于信号特征向量y*,预测对应的刀具磨损值t*。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。