[发明专利]一种基于机床刀具受力状态的加工进度信息采集方法

权利要求书

1.一种基于机床刀具受力状态的加工进度信息采集方法主要包括机床刀具受力状态原始信号获取，刀具受力状态特征信号提取和工件加工进度的识别三个部分；

①所述的机床刀具受力状态原始信号获取是通过三向测力仪获取机床刀具的受力状态信号，通过数据采集卡采集三向测力仪获取到的机床刀具状态信号，并对原始刀具受力信号进行存储；

②所述的刀具受力状态特征信号提取是指刀具受力状态信号作为原始信号，内部包含与工件加工进度紧密相关的信息，通过对刀具受力状态信号进行时域分析，频域分析和小波分析，提取与加工进度相关的特征信号；

③所述的工件加工进度的识别是指对本工段计划加工的工件进行小样本试加工，按照前一步骤提取工件加工时的刀具受力状态特征信号，从特征信号中选取能表征加工进度的特征元素如特征信号时域波形的总能量频域里主要频段的幅值A_i和频率f_i、加工时间T、有效加工时间与总加工时间比K_i获取形成加工进度特征向量样本库；然后对特征向量样本进行训练得到受过训练的支持向量机(SVM)，最后通过支持向量机(SVM)对实时刀具受力状态特征信号分类和辨识，输出加工进度识别结果，实现对加工进度信息采集。

2.权利要求1刀具受力状态特征信号提取其特征包括以下处理过程：

①所述的时域分析是将信号输入到开环运算和闭环运算联合滤波器，尽可能的过滤无关信号，抑制噪声，保留好完整的信号轮廓细节；

②所述的频域分析是指对滤波消除干扰后的切削力信号进行傅里叶变换，在频域寻找切削力特征向量；

③所述的小波分析是指采用小波分析的方法将切削力信号在低频段的特征表达出来，三个方向切削力的频谱能量主要集中在低频段，将切削力信号f(t)以基函数ψ_a,b(t)进行内积运算，将f(t)分解为不同频带的子信号，寻求与基函数ψ_a,b(t)最相关或相似的分量即为特征信号。其中a，b的取值取决于刀具受力状态的实际波形，a为波形伸缩量（若a<1,则波形收缩，若a>1,则波形伸展），b是时移因子。

3.权利要求1中的支持向量机分类训练器（SVM）进行分类辨识其特征如下：

①选取能表征加工进度的特征元素:选取特征信号时域波形的总能量均值频域里主要频段的幅值A_i和频率f_i、加工时间T、有效加工时间与总加工时间比K_i组成支持向量机的特征向量X=(EFi,Fi‾,Ai,fi,T,Ki).]]>其中EFi=∫Fi(t)dt,Fi‾=∫fi(t)tdt,]]>f_i(t)为F_i(t)的导数，这里i表示刀具受力的三个方向x,y,z；

②对本工段计划加工的新工件进行小样本试加工，按照上面步骤获取特征向量训练样本，通过分类器对样本进行训练得到对应工件的分类器聚；

由机床刀具受力状态特征向量支持向量机算法如下：

设通过小样本测试获得的机床刀具受力状态特征向量集合为S，

S＝{(X_i,λ_i)},i＝1,2,...N

其中X_i为第i个工件的特征向量，λ_i为第i个工件的分类标记，取值为0或1，对待分类工件特征向量X建立基于最优超平面的分类判别函数即支持向量机

fi(X)=sgn(Σi=1Nαi*λiK(Xi,X))+b*)]]>

其中b^*可通过构造如下最优化问题求解得到

Q(α)=Σi=1Nαi-12Σi=1NαiαjλiλjK(Xi,Xj)]]>

转化为最优化问题，在约束条件

Σi=1nλiαi=0,αi≥0,i=1,2···n]]>

对求最大值设为选取的一个正分量并据此计算分类阈值b^*

b*=λj-Σi=1Lαi*λiK(Xi,Xj)]]>

其中C为惩罚函数，非零参数对应的样本即为支持向量，K(X_i,X)为核函数，常用的核函数包括多项式函数、径向基函数、感知器核函数等；

③将采集到的工件实时刀具受力状态信息进行分析处理得到相应的特征向量，利用支持向量机分类器对特征向量进行识别，根据分类结果输出加工进度；

④当有新工件排入生产计划时，将新样本与原分类器的训练样本一起重新训练得到新的分类器集，实现分类器集自动更新，以满足识别要求。