一種刀具磨損監(jiān)測方法
【專利摘要】本發(fā)明為實(shí)時(shí)在線刀具磨損監(jiān)測方法。首先在不同的切削參數(shù)下，分別采集各種不同磨損狀態(tài)的聲發(fā)射信號(hào)、機(jī)床中主軸電機(jī)與進(jìn)給電機(jī)的電流信號(hào)、切削速度、切削深度和進(jìn)給量作為條件屬性，建立決策表；采用自組織映射神經(jīng)網(wǎng)絡(luò)對決策表中連續(xù)屬性值進(jìn)行離散化處理；采用Johnson算法約簡屬性個(gè)數(shù)；通過遺傳算法對BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行優(yōu)化，約簡后的屬性值作為BP神經(jīng)網(wǎng)絡(luò)的輸入神經(jīng)元對經(jīng)過優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和學(xué)習(xí)；用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)對刀具磨損程度進(jìn)行預(yù)測。該方法不僅簡化了神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，使神經(jīng)網(wǎng)絡(luò)具有很快的收斂性以及較強(qiáng)的學(xué)習(xí)能力，而且提高了刀具磨損檢測的識(shí)別率。
【專利說明】一種刀具磨損監(jiān)測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及刀具磨損檢測領(lǐng)域，尤其是一種用于航空領(lǐng)域難加工器件精密加工中的刀具磨損的實(shí)時(shí)在線刀具磨損監(jiān)測方法。
【背景技術(shù)】
[0002]隨著加工系統(tǒng)的自動(dòng)化和智能化水平的提高，為了避免機(jī)床、刀具和工件的損壞，提高加工工件的質(zhì)量和尺寸精度，傳統(tǒng)的單因素傳感器已經(jīng)難以滿足高精度刀具狀態(tài)檢測系統(tǒng)的要求。多傳感器融合的刀具狀態(tài)檢測系統(tǒng)的研究受到了人們的普遍關(guān)注。采用多傳感器技術(shù)可以克服單一傳感器只能提供局部的信息技術(shù)條件限制，獲得全面的狀態(tài)信息，從而更全面反映被檢測系統(tǒng)的狀態(tài)變化，提高檢測系統(tǒng)抗干擾能力。
[0003]多傳感器融合的刀具狀態(tài)檢測在國外學(xué)者雖然受到的重視，但大多側(cè)重在磨鈍與鋒利、破損與未破損兩分類模式識(shí)別問題上，而刀具磨損量的估計(jì)對制造過程智能化有更重要的作用。
[0004]國內(nèi)專家和學(xué)者雖然也對多傳感器融合技術(shù)進(jìn)行了研究，但是多為理論技術(shù)研究，而且都是以切削力信號(hào)為主要檢測信號(hào)。切削力是刀具狀態(tài)最直接的反映，切削力信號(hào)直接真實(shí)、抗干擾能力較強(qiáng)，靈敏度高、可以感知切削力的微小變化。刀具的磨損狀態(tài)與切削力的變化存在很好的對應(yīng)關(guān)系，但是切削加工條件的變化也會(huì)引起切削力的變化，傳感器測量切削力的變化很難區(qū)分是加工條件改變引起的還是由于刀具磨損引起的，并且其傳感器的安裝需要對機(jī)床做些改動(dòng)，適用性較差。

【發(fā)明內(nèi)容】

[0005]針對現(xiàn)有技術(shù)中存在的上述不足之處，本發(fā)明要解決的技術(shù)問題在于提供一種刀具磨損監(jiān)測方法，準(zhǔn)備地實(shí)現(xiàn)對機(jī)床中刀具磨損監(jiān)測。
[0006]本發(fā)明采用如下的技術(shù)方案:
[0007]一種刀具磨損監(jiān)測方法，包括如下的步驟:
[0008]I)在不同的切削參數(shù)下，分別采集各種不同磨損狀態(tài)的聲發(fā)射信號(hào)、機(jī)床中主軸電機(jī)與進(jìn)給電機(jī)的電流信號(hào)、切削速度、切削深度和進(jìn)給量；
[0009]2)將聲發(fā)射信號(hào)提取的頻域的幅值均方根和功率最大值、聲發(fā)射信號(hào)db8小波包三層分解的8個(gè)頻帶能量、電流信號(hào)采用db8小波包三層分解的8個(gè)頻帶能量、切削速度、切削深度和進(jìn)給量，構(gòu)建成條件屬性C，條件屬性中的條件值標(biāo)為Ci ;將刀具后刀面磨損量作為決策屬性D ;建立決策表A ；
[0010]3)采用自組織映射神經(jīng)網(wǎng)絡(luò)對決策表A中連續(xù)屬性值進(jìn)行離散化處理，聚類數(shù)選擇為4 ;采用Johnson算法約簡屬性個(gè)數(shù)將決策表A約簡為決策表B ；
[0011]4)通過遺傳算法對BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行優(yōu)化，將步驟3)中約簡后的屬性值作為BP神經(jīng)網(wǎng)絡(luò)的輸入神經(jīng)元對經(jīng)過優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和學(xué)習(xí)；
[0012]5)用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)對刀具磨損程度進(jìn)行預(yù)測。[0013]進(jìn)一步地，所述聲發(fā)射信號(hào)的頻率采集范圍為20ΚΗζ-1ΜΗζ。
[0014]進(jìn)一步地,步驟3)中Johnson算法約簡屬性個(gè)數(shù)的步驟為:
[0015]依次對決策表A的條件屬性的某個(gè)條件值Ci判斷ind{&/{c；i}} (D)是否等于indjD)；如果等于，將條件屬性中的某個(gè)條件值Ci刪除，并返回至決策表A中進(jìn)行下一項(xiàng)的判斷，直到所有的indto/to}}(D)是否等于indjD)不相等，保留條件屬性中的條件值Ci到空的決策表B，將決策屬性D及所在的信息存入決策表B的最后一列，并將重復(fù)的行合并，決策表B即為最小約簡屬性。
[0016]進(jìn)一步地，遺傳算法的參數(shù)設(shè)置為:種群規(guī)模為30，進(jìn)化次數(shù)為100，選擇概率為
0.1，交叉概率為0.5，變異概率為0.01。
[0017]進(jìn)一步地，BP神經(jīng)網(wǎng)絡(luò)選擇3層；輸入層神經(jīng)元為4個(gè)節(jié)點(diǎn)，輸出層神經(jīng)元為3，逐次改變隱含層節(jié)點(diǎn)數(shù)，對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，選擇輸出誤差最小時(shí)對應(yīng)的隱含層節(jié)點(diǎn)數(shù)。
[0018]本發(fā)明具有如下的優(yōu)點(diǎn)和有益效果:
[0019]本發(fā)明提出了基于粗糙集和遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的刀具磨損狀態(tài)診斷方法。該方法首先通過粗糙集的數(shù)據(jù)分析方法，約簡樣本的屬性個(gè)數(shù)，提取其中關(guān)鍵屬性作為BP神經(jīng)網(wǎng)絡(luò)的輸入；接著通過遺傳算法優(yōu)化BP網(wǎng)絡(luò)參數(shù)的初始權(quán)值和閾值，避免了網(wǎng)絡(luò)收斂速度慢及落入局部極值點(diǎn)的缺點(diǎn)；最后再對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。將該方法用于刀具磨損監(jiān)測，實(shí)驗(yàn)結(jié)果表明，該方法不僅簡化了神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，使神經(jīng)網(wǎng)絡(luò)具有很快的收斂性以及較強(qiáng)的學(xué)習(xí)能力，而且提高了刀具磨損檢測的識(shí)別率。
【專利附圖】

【附圖說明】
[0020]圖1為本發(fā)明Johnson算法約簡屬性的流程圖；
[0021]圖2為本發(fā)明遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的流程圖。
【具體實(shí)施方式】
[0022]下面結(jié)合附圖及實(shí)施例對本發(fā)明方法進(jìn)行詳細(xì)地介紹:
[0023]一種刀具磨損監(jiān)測方法，包括如下的步驟:
[0024]I)在不同的切削參數(shù)下，分別采集各種不同磨損狀態(tài)的聲發(fā)射信號(hào)、機(jī)床中主軸電機(jī)與進(jìn)給電機(jī)的電流信號(hào)、切削速度、切削深度和進(jìn)給量；
[0025]2)對聲發(fā)射信號(hào)提取頻域的幅值均方根和功率最大值、對聲發(fā)射信號(hào)采用db8小波包三層分解出8個(gè)頻帶能量，對電流信號(hào)采用db8小波包三層分解的8個(gè)頻帶能量，將聲發(fā)射信號(hào)提取頻域的幅值均方根和功率最大值、聲發(fā)射信號(hào)的8個(gè)頻帶能量、電流信號(hào)分解的8個(gè)頻帶能量、切削速度、切削深度和進(jìn)給量作為條件屬性中的屬性值Ci。將刀具后刀面磨損量作為決策屬性D:決策屬性D包括:正常切削、中期磨損和嚴(yán)重磨損；將上述的條件屬性和決策屬性建立決策表A ;
[0026]3)自組織映射神經(jīng)網(wǎng)絡(luò)對決策表A中的連續(xù)屬性值進(jìn)行離散化處理，聚類數(shù)設(shè)置為4。采用Johnson算法約簡屬性個(gè)數(shù)為決策表B:
[0027]依次對決策表A的條件屬性Ci判斷ind{&/{a}} (D)是否等于indjD);如果等于，將條件屬性Ci刪除，并返回至決策表A中進(jìn)行下一項(xiàng)的判斷，直到所有的indto/_⑶是否等于indjD)不相等，保留條件屬性Ci到空的決策表B，將決策屬性D及所在的信息存入決策表B的最后一列，并將重復(fù)的行合并，決策表B即為最小約簡屬性。
[0028]4)通過遺傳算法對BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行優(yōu)化；
[0029]步驟為:
[0030](I)、權(quán)值初始化；
[0031](2)、輸入一個(gè)訓(xùn)練樣本；
[0032](3)、計(jì)算隱含層輸出；
[0033](4)、計(jì)算輸出層輸出；
[0034](5)、計(jì)算輸出層誤差信號(hào)；
[0035]( 6 )、GA尋優(yōu)權(quán)值和閾值；
[0036](7)、完成一個(gè)循環(huán)；
[0037](8)、判斷循環(huán)是否完成，否，返回步驟(2);是，進(jìn)入下一步(9)；
[0038](9)、更新學(xué)習(xí)次數(shù)；
[0039](10)、計(jì)算終止目標(biāo)是否完成，是，進(jìn)入下一步(11);否，返回步驟(3)；
[0040](11)、學(xué)習(xí)目標(biāo)完成；
[0041](12)、訓(xùn)練結(jié)束。
[0042]遺傳算法的參數(shù)設(shè)置為:種群規(guī)模為30，進(jìn)化次數(shù)為100，選擇概率為0.1，交叉概率為0.5，變異概率為0.01。
[0043]將步驟3)中約簡后的屬性值作為BP神經(jīng)網(wǎng)絡(luò)的輸入神經(jīng)元對經(jīng)過優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和學(xué)習(xí)；
[0044]5)用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)對刀具磨損程度進(jìn)行預(yù)測。
[0045]實(shí)施例
[0046]在CA6140的普通車床上使用YBC硬質(zhì)合金刀片車削高溫合金GH4169。
[0047]采用型號(hào)為HZIB-Cl 1-100P205的電流傳感器，監(jiān)測切削刀具的狀態(tài)。采集設(shè)備為研華生產(chǎn)的PC1-1712數(shù)據(jù)采集卡，采樣頻率為IM赫茲。任選8種不同的切削參數(shù)，分別采集3種不同磨損狀態(tài)的聲發(fā)射信號(hào)和電流信號(hào)，總共得到40組信號(hào)。對聲發(fā)射信號(hào)提取頻域的幅值均方根和功率最大值，以及db8小波包三層分解的8個(gè)頻帶能量作為特征值；對電流信號(hào)進(jìn)行db8小波包三層分解的8個(gè)頻帶能量作為特征值，再加上切削速度，切削深度和進(jìn)給量組成了 21維向量，作為反映刀具磨損狀態(tài)的特征向量。
[0048]根據(jù)刀具材料、類型、被加工材料以及加工精度等要求，將刀具磨損狀態(tài)分為3類:當(dāng)后刀面磨損量VB小于0.2mm時(shí)為正常切削、VB值在0.2-0.30mm之間為中期磨損、VB值大于0.30mm為嚴(yán)重磨損。
[0049]表I為訓(xùn)練樣本，表2為測試樣本。C1-C21分別為特征向量，作為條件屬性。D為決策屬性(狀態(tài)I為初期磨損，2為中期磨損，3為嚴(yán)重磨損。)由于此表I和表2均為說明是如何進(jìn)行離散化和約簡的，C9?C20的數(shù)據(jù)省略不影響本領(lǐng)域技術(shù)人員對本發(fā)明方法的理解，故在此為省略狀態(tài)。
[0050]表I訓(xùn)練樣本
[0051]
【權(quán)利要求】
1.一種刀具磨損監(jiān)測方法，其特征在于，包括如下的步驟: 1)在不同的切削參數(shù)下，分別采集各種不同磨損狀態(tài)的聲發(fā)射信號(hào)、機(jī)床中主軸電機(jī)與進(jìn)給電機(jī)的電流信號(hào)、切削速度、切削深度和進(jìn)給量； 2)將聲發(fā)射信號(hào)提取的頻域的幅值均方根和功率最大值、聲發(fā)射信號(hào)db8小波包三層分解的8個(gè)頻帶能量、電流信號(hào)采用db8小波包三層分解的8個(gè)頻帶能量、切削速度、切削深度和進(jìn)給量，構(gòu)建成條件屬性C，條件屬性C中的條件值標(biāo)為Ci ;將刀具后刀面磨損量作為決策屬性D ;建立決策表A ； 3)采用自組織映射神經(jīng)網(wǎng)絡(luò)對決策表A中連續(xù)屬性值進(jìn)行離散化處理，聚類數(shù)選擇為4;采用Johnson算法約簡屬性個(gè)數(shù)將決策表A約簡為決策表B ； 4)通過遺傳算法對BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行優(yōu)化，將步驟3)中約簡后的屬性值作為BP神經(jīng)網(wǎng)絡(luò)的輸入神經(jīng)元對經(jīng)過優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和學(xué)習(xí)； 5)用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)對刀具磨損程度進(jìn)行預(yù)測。
2.按照權(quán)利要求1所述的刀具磨損監(jiān)測方法，其特征在于，所述聲發(fā)射信號(hào)的頻率采集范圍為20ΚΗζ-1ΜΗζ。
3.按照權(quán)利要求1所述的刀具磨損監(jiān)測方法，其特征在于:步驟3)中Johnson算法約簡屬性個(gè)數(shù)的步驟為: 依次對決策表A的條件屬性中的某個(gè)條件值Ci判斷ind{&/{c；i}} (D)是否等于indjD)；如果等于，將條件屬性條件值Ci刪除，并返回至決策表A中進(jìn)行下一項(xiàng)的判斷，直到所有的ind{c/{ci}} (D)是否等于indjD)不相等,保留該條件值Ci到空的決策表B,將決策屬性D及所在的信息存入決策表B的最后一列，并將重復(fù)的行合并，決策表B即為最小約簡屬性。
4.按照權(quán)利要求3所述的刀具磨損監(jiān)測方法，其特征在于:遺傳算法的參數(shù)設(shè)置為:種群規(guī)模為30，進(jìn)化次數(shù)為100，選擇概率為0.1，交叉概率為0.5，變異概率為0.01。
5.按照權(quán)利要求1所述的刀具磨損監(jiān)測方法，其特征在于:BP神經(jīng)網(wǎng)絡(luò)選擇3層；輸入層神經(jīng)元為4個(gè)節(jié)點(diǎn)，輸出層神經(jīng)元為3，逐次改變隱含層節(jié)點(diǎn)數(shù)，對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，選擇輸出誤差最小時(shí)對應(yīng)的隱含層節(jié)點(diǎn)數(shù)。
【文檔編號(hào)】G06N3/12GK103465107SQ201310442967
【公開日】2013年12月25日 申請日期:2013年9月24日 優(yōu)先權(quán)日:2013年9月24日
【發(fā)明者】聶鵬, 李正強(qiáng), 徐濤, 陳彥海, 郭勇, 何超 申請人:沈陽利笙電子科技有限公司