CN109605127A - 一种刀具磨损状态识别方法及*** - Google Patents

Abstract

本发明公开了一种刀具磨损状态识别方法及***。所述识别方法包括：获取刀具钻削加工过程中的切削力信号以及刀具磨损状态；利用小波阈值降噪法对所述切削力信号进行降噪处理，确定降噪后的切削力信号；采用时域、频域以及谐波小波包分析方法提取所述降噪后的切削力信号中的特征，确定特征样本集；以所述特征样本集为输入，以所述刀具磨损状态为输出，建立基于最小二乘支持向量机的刀具状态识别模型；根据所述刀具状态识别模型识别所述刀具的当前磨损状态。采用本发明所提供的识别方法及***能够提高刀具磨损状态的识别效率。

Description

一种刀具磨损状态识别方法及***

技术领域

本发明涉及机械加工刀具及检测领域，特别是涉及一种刀具磨损状态识别方法及***。

背景技术

刀具磨损状态监测技术在智能制造生产中具有重要意义；切削加工作为零件成型中最主要的加工方法，在制造生产中占据重要地位。刀具作为切削加工过程的直接执行者，其状态对保证加工质量、提高生产效率、降低生产成本以及实现连续自动化加工具有重要意义。当前刀具磨损状态监测的方法主要是间接法，通过采集加工过程中与刀具磨损相关的各种信号，对其进行适当的信号处理，提取出对应不同磨损状态的信号特征，利用智能算法建立刀具磨损状态识别模型，实现对刀具磨损状态的监测。目前刀具磨损状态监测技术主要存在两个方面的问题：一是对于非平稳信号，信号处理提取的特征可靠性不高；二是需要大量的样本数据来保障识别精度，导致刀具磨损状态识别效率低。

发明内容

本发明的目的是提供一种刀具磨损状态识别方法及***，以解决当前刀具磨损状态监测方法信号处理提取特征可靠性不高，刀具磨损状态识别效率低的问题。

为实现上述目的，本发明提供了如下方案：

一种刀具磨损状态识别方法，包括：

获取刀具钻削加工过程中的切削力信号以及刀具磨损状态；

利用小波阈值降噪法对所述切削力信号进行降噪处理，确定降噪后的切削力信号；

提取所述降噪后的切削力信号中的特征，确定特征样本集；所述特征包括时域特征、频域特征以及频带能量；

以所述特征样本集为输入，以所述刀具磨损状态为输出，建立基于最小二乘支持向量机的刀具状态识别模型；

根据所述刀具状态识别模型识别所述刀具的当前磨损状态。

可选的，所述提取所述切削力信号的特征，确定特征样本集，具体包括：

采用时域分析法以及频域分析法提取所述切削力信号中的时域特征以及频域特征，确定特征样本集。

可选的，所述提取所述切削力信号的特征，确定特征样本集，具体包括：

采用谐波小波包分析法提取所述切削力信号中的频带能量，确定特征样本集。

可选的，所述以所述特征样本集为输入，以所述刀具磨损状态为输出，建立基于最小二乘支持向量机的刀具状态识别模型，具体包括：

将所述特征样本集划分为训练集和测试集；

以所述训练集为输入，以所述刀具磨损状态为输出，利用粒子群优化算法建立基于最小二乘支持向量机的刀具状态识别模型。

可选的，所述以所述训练集为输入，以所述刀具磨损状态为输出，利用粒子群优化算法建立基于最小二乘支持向量机的刀具状态识别模型之后，还包括：

利用所述测试集对所述刀具状态识别模型进行验证。

可选的，所述以所述训练集为输入，以所述刀具磨损状态为输出，利用粒子群优化算法建立基于最小二乘支持向量机的刀具状态识别模型，具体包括：

利用粒子群优化算法确定惩罚因子以及核参数；

根据所述惩罚因子以及所述核参数确定径向基核函数；

根据所述径向基核函数建立基于最小二乘支持向量机的刀具状态识别模型。

一种刀具磨损状态识别***，包括：

切削力信号获取模块，用于获取刀具钻削加工过程中的切削力信号以及刀具磨损状态；

降噪处理模块，用于利用小波阈值降噪法对所述切削力信号进行降噪处理，确定降噪后的切削力信号；

特征样本集确定模块，用于提取所述降噪后的切削力信号中的特征，确定特征样本集；所述特征包括时域特征、频域特征以及频带能量；

刀具状态识别模型建立模块，用于以所述特征样本集为输入，以所述刀具磨损状态为输出，建立基于最小二乘支持向量机的刀具状态识别模型；

当前磨损状态识别模块，用于根据所述刀具状态识别模型识别所述刀具的当前磨损状态。

可选的，所述特征样本集确定模块具体包括：

第一特征样本集确定单元，用于采用时域分析法以及频域分析法提取所述切削力信号中的时域特征以及频域特征，确定特征样本集。

可选的，所述特征样本集确定模块具体包括：

第二特征样本集确定单元，用于采用谐波小波包分析法提取所述切削力信号中的频带能量，确定特征样本集。

可选的，所述刀具状态识别模型建立模块具体包括：

划分单元，用于将所述特征样本集划分为训练集和测试集；

刀具状态识别模型建立单元，用于以所述训练集为输入，以所述刀具磨损状态为输出，利用粒子群优化算法建立基于最小二乘支持向量机的刀具状态识别模型。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供了一种刀具磨损状态识别方法及***，利用谐波小波包分析进行信号特征提取，有效解决小波包分解的频带交叠问题，提高特征样本的可靠性；同时建立基于最小二乘支持向量机的刀具状态识别模型，建立了刀具状态监测信号与刀具磨损状态之间的良好联系，且针对核函数的惩罚因子和核参数对刀具状态磨损的识别精度有较大影响这一问题，利用粒子群优化算法对核函数的惩罚因子和核参数进行参数寻优寻找最佳参数组合，有效提高了样本数据的识别效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明所提供的刀具磨损状态识别方法流程图；

图2为本发明所提供的刀具磨损状态识别***结构图；

图3为本发明所提供的不同加工状态下的频谱图；

图4为本发明所提供的不同加工状态下切削力信号小波包分解频段能量图；图4(a)为本发明所提供的正常加工阶段示意图，图4(b)为本发明所提供的剧烈磨损阶段示意图；

图5为本发明所提供的粒子群优化算法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种刀具磨损状态识别方法及***，能够提高刀具磨损状态的识别效率。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明所提供的刀具磨损状态识别方法流程图，如图1所示，一种刀具磨损状态识别方法，包括：

步骤101：获取刀具钻削加工过程中的切削力信号以及刀具磨损状态；

步骤102：利用小波阈值降噪法对所述切削力信号进行降噪处理，确定降噪后的切削力信号。

步骤103：提取所述降噪后的切削力信号中的特征，确定特征样本集；所述特征包括时域特征、频域特征以及频带能量。

所述步骤103具体包括：采用时域分析法以及频域分析法提取所述切削力信号中的时域特征以及频域特征，确定特征样本集。

根据时域特征参数、频域特征参数的计算方法计算步骤一降噪后的切削力信号相应的特征，主要包括均值、标准差、均方根、峰值因子、峭度指标、偏度指标共5个时域特征，重心频率、频率方差、均方频率共3个频域特征。将这8个特征作为用来表征刀具磨损状态的特征，表1为本发明所提供的时域分析处理方法表，表2为本发明所提供的频域分析处理方法表，如表1与表2所示。

表1

表2

所述步骤103具体包括：采用谐波小波包分析法提取所述切削力信号中的频带能量，确定特征样本集。

采用快速傅里叶变换对降噪后的切削力信号进行频带能量分析得出各频段能量的分布情况，根据能量的占比确定有效频段范围；利用db3小波基函数对步骤一降噪后的切削力信号进行四层谐波小波包分解，将信号分解到各个频段，根据频段能量变化趋势与刀具磨损状态的相关性提取前6个有效频段的能量特征作为样本特征。

步骤104：以所述特征样本集为输入，以所述刀具磨损状态为输出，建立基于最小二乘支持向量机的刀具状态识别模型。

所述步骤104具体包括：将所述特征样本集划分为训练集和测试集；以所述训练集为输入，以所述刀具磨损状态为输出，利用粒子群优化算法建立基于最小二乘支持向量机的刀具状态识别模型；并利用所述测试集对所述刀具状态识别模型进行验证。

使用径向基核函数K(x,x_i)＝exp(-|x-x_i|²/2σ²)(其中|x-x_i|²可以看作两个特征向量之间的平方欧几里得距离)建立基于最小二乘支持向量机(Least Squares SupportVector Machine，LS-SVM)的刀具状态识别模型，并利用粒子群优化流程进行迭代寻优以获得核函数最佳的惩罚因子γ和核参数σ²。不同参数下的刀具磨损量识别精度区别较大，核参数σ取值与样本的划分精细程度有关，惩罚因子γ用于权衡经验风险和结构风险。

具体步骤如下：初始化粒子群优化算法参数，将惩罚因子和核函数作为每个粒子的二维坐标，根据训练样本训练LS-SVM，并进行留一交叉验证计算粒子的适应度，即将原训练样本集中的样本依次用作验证样本，其余的作为训练样本进行模型训练，直到每个样本都作一次验证样本时结束算法。

对每个粒子，将适应度f与自身最优值进行比较，更新其自身最优适应值；将每个粒子的最优适应值与全局最优值进行比较，更新种群的全局最优适应值。检查是否满足结束条件，若满足则输出选出最优化参数γ和σ²，若不满足则继续优化算法参数，以建立基于最小二乘支持向量机的刀具状态识别模型。

步骤105：根据所述刀具状态识别模型识别所述刀具的当前磨损状态。

以提取的特征样本集作为LS-SVM的输入，刀具状态类别作为输出。将参数寻优得到的γ和σ²最优组合代入LS-SVM分类器，训练基于LS-SVM算法的刀具状态识别模型，利用模型进行刀具磨损状态识别。

图2为本发明所提供的刀具磨损状态识别***结构图，如图2所示，一种刀具磨损状态识别***，包括：

切削力信号获取模块201，用于获取刀具钻削加工过程中的切削力信号以及刀具磨损状态；所述切削力信号用于表征所述刀具的磨损状态。

降噪处理模块202，用于利用小波阈值降噪法对所述切削力信号进行降噪处理，确定降噪后的切削力信号。

特征样本集确定模块203，用于提取所述降噪后的切削力信号中的特征，确定特征样本集；所述特征包括时域特征、频域特征以及频带能量。

所述特征样本集确定模块203具体包括：第一特征样本集确定单元，用于采用时域分析法以及频域分析法提取所述切削力信号中的时域特征以及频域特征，确定特征样本集。

所述特征样本集确定模块203具体包括：第二特征样本集确定单元，用于采用谐波小波包分析法提取所述切削力信号中的频带能量，确定特征样本集。

使用快速傅里叶变换确定谐波小波包分解层数以及频带范围，再利用谐波小波包分析法提取切削力信号中的特征(即频带特征)。

刀具状态识别模型建立模块204，用于以所述特征样本集为输入，以所述刀具磨损状态为输出，建立基于最小二乘支持向量机的刀具状态识别模型。

所述刀具状态识别模型建立模块204具体包括：划分单元，用于将所述特征样本集划分为训练集和测试集；刀具状态识别模型建立单元，用于以所述训练集为输入，以所述刀具磨损状态为输出，利用粒子群优化算法建立基于最小二乘支持向量机的刀具状态识别模型。

当前磨损状态识别模块205，用于根据所述刀具状态识别模型识别所述刀具的当前磨损状态。

以钻削加工过程为例，主要的方法如下：

(一)刀具磨损信号监测实验。表3钻削实验条件表，如表3所示：

表3

试验采用以上切削条件重复进行四次全寿命周期磨损实验。在本文所设定的切削加工参数下，对每一把刀具均在一定的加工孔数间隔下进行刀具磨损量的测量，直到刀具磨损为止。根据刀具后刀面磨损量VB把刀具磨损状态分为初期磨损(VB≤0.2)、正常磨损(0.2<VB≤0.8)、剧烈磨损(VB>0.8)。本文选取了第三组试验的钻削力信号进行分析，本组试验总共加工了85个孔，每次钻孔采样点数为20000，为避免钻入、钻出的影响，本文提取每次钻孔的2501～17500共15000个数据点进行分析。将实验获取的刀具状态种类及其对应的切削力信号整理成样本。

(二)信号处理及特征提取。

利用小波阈值降噪法对实验采集的切削力信号进行小波降噪，提高信噪比；

根据时域特征参数、频域特征参数的计算方法计算步骤一降噪后的切削力信号相应的特征，主要包括均值、标准差、均方根、峭度指标、偏度指标共5个时域特征，重心频率、频率方差、均方频率共3个频域特征。

图3为本发明所提供的不同加工状态下的频谱图，如图3所示，采用快速傅里叶变换对降噪后的信号进行频带能量分析得出各频段能量的分布情况，根据能量的占比确定有效频段范围，大于100Hz的频率成分可以被认为是噪声；图4为本发明所提供的不同加工状态下切削力信号小波包分解频段能量图，如图4所示，利用db3小波基函数对步骤一降噪后的切削力信号进行四层谐波小波包分解，将信号分解到各个频段，根据频段能量变化趋势与刀具磨损状态的相关性提取前6个有效频段的能量特征作为样本特征。

将以上得到的时域、频域以及谐波小波包分析得到的特征与其对应的刀具状态种类进行编码组成样本集，并进一步将刀具状态样本集划分为训练样本集和测试样本集，选择样本集中的48组作为训练样本，37组作为测试样本。

(三)参数寻优。利用粒子群优化流程进行迭代寻优以获得最佳的惩罚因子和核参数。表4为本发明所提供的PSO的相关参数初始化设置表，如表4所示：

表4

图5为本发明所提供的粒子群优化算法流程图，如图5所示，具体步骤如下：初始化粒子群优化算法参数，将惩罚因子和核函数作为每个粒子的二维坐标，根据训练样本训练LS-SVM，并进行留一交叉验证计算粒子的适应度，即将原训练样本集中的样本依次用作验证样本，其余的作为训练样本进行模型训练，直到每个样本都作一次验证样本时结束算法。对每个粒子，将适应度f与自身最优值进行比较，更新其自身最优适应值；将每个粒子的最优适应值与全局最优值进行比较，更新种群的全局最优适应值。检查是否满足结束条件，若满足则输出选出最优化参数γ和σ²，若不满足则继续优化算法参数。

(四)建立刀具磨损状态识别模型。以切削力信号作为LS-SVM的输入，刀具状态类别作为输出，训练基于LS-SVM算法的刀具状态识别模型，利用模型进行刀具状态识别。

本发明以钻削加工过程为例，利用kistler三向测力仪采集钻削加工中的钻削轴向力信号；采用时域分析、频域分析以及谐波小波包分析优选提取刀具切削状态的信号特征和频带能量作为样本特征组成样本集，划分出训练样本集和测试样本集；利用粒子群优化算法的最小二乘支持向量机构建刀具状态识别模型，以达到对刀具磨损状态进行自动识别的目的。本方法建立了刀具状态监测信号与刀具磨损状态之间的良好联系，为刀具状态识别方法提供了新的优化思路，提高了钻削刀具状态识别的精度，具有重要的理论意义和实际应用价值。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种刀具磨损状态识别方法，其特征在于，包括：

获取刀具钻削加工过程中的切削力信号以及刀具磨损状态；

利用小波阈值降噪法对所述切削力信号进行降噪处理，确定降噪后的切削力信号；

提取所述降噪后的切削力信号中的特征，确定特征样本集；所述特征包括时域特征、频域特征以及频带能量；

以所述特征样本集为输入，以所述刀具磨损状态为输出，建立基于最小二乘支持向量机的刀具状态识别模型；

根据所述刀具状态识别模型识别所述刀具的当前磨损状态。

2.根据权利要求1所述的刀具磨损状态识别方法，其特征在于，所述提取所述切削力信号的特征，确定特征样本集，具体包括：

采用时域分析法以及频域分析法提取所述切削力信号中的时域特征以及频域特征，确定特征样本集。

3.根据权利要求1所述的刀具磨损状态识别方法，其特征在于，所述提取所述切削力信号的特征，确定特征样本集，具体包括：

采用谐波小波包分析法提取所述切削力信号中的频带能量，确定特征样本集。

4.根据权利要求1所述的刀具磨损状态识别方法，其特征在于，所述以所述特征样本集为输入，以所述刀具磨损状态为输出，建立基于最小二乘支持向量机的刀具状态识别模型，具体包括：

将所述特征样本集划分为训练集和测试集；

以所述训练集为输入，以所述刀具磨损状态为输出，利用粒子群优化算法建立基于最小二乘支持向量机的刀具状态识别模型。

5.根据权利要求4所述的刀具磨损状态识别方法，其特征在于，所述以所述训练集为输入，以所述刀具磨损状态为输出，利用粒子群优化算法建立基于最小二乘支持向量机的刀具状态识别模型之后，还包括：

利用所述测试集对所述刀具状态识别模型进行验证。

6.根据权利要求4所述的刀具磨损状态识别方法，其特征在于，所述以所述训练集为输入，以所述刀具磨损状态为输出，利用粒子群优化算法建立基于最小二乘支持向量机的刀具状态识别模型，具体包括：

利用粒子群优化算法确定惩罚因子以及核参数；

根据所述惩罚因子以及所述核参数确定径向基核函数；

根据所述径向基核函数建立基于最小二乘支持向量机的刀具状态识别模型。

7.一种刀具磨损状态识别***，其特征在于，包括：

切削力信号获取模块，用于获取刀具钻削加工过程中的切削力信号以及刀具磨损状态；

降噪处理模块，用于利用小波阈值降噪法对所述切削力信号进行降噪处理，确定降噪后的切削力信号；

特征样本集确定模块，用于提取所述降噪后的切削力信号中的特征，确定特征样本集；所述特征包括时域特征、频域特征以及频带能量；

刀具状态识别模型建立模块，用于以所述特征样本集为输入，以所述刀具磨损状态为输出，建立基于最小二乘支持向量机的刀具状态识别模型；

当前磨损状态识别模块，用于根据所述刀具状态识别模型识别所述刀具的当前磨损状态。

8.根据权利要求7所述的刀具磨损状态识别***，其特征在于，所述特征样本集确定模块具体包括：

第一特征样本集确定单元，用于采用时域分析法以及频域分析法提取所述切削力信号中的时域特征以及频域特征，确定特征样本集。

9.根据权利要求7所述的刀具磨损状态识别***，其特征在于，所述特征样本集确定模块具体包括：

第二特征样本集确定单元，用于采用谐波小波包分析法提取所述切削力信号中的频带能量，确定特征样本集。

10.根据权利要求7所述的刀具磨损状态识别***，其特征在于，所述刀具状态识别模型建立模块具体包括：

划分单元，用于将所述特样本集划分为训练集和测试集；

刀具状态识别模型建立单元，用于以所述训练集为输入，以所述刀具磨损状态为输出，利用粒子群优化算法建立基于最小二乘支持向量机的刀具状态识别模型。