[发明专利]基于小波分析和神经网络的刀具磨损实时在线监测方法

权利要求书

1.一种基于小波分析和神经网络的刀具磨损实时在线监测方法，其特征在于该方法包括以下步骤：

步骤一、三向切削力的检测及传输：采用三向切削测力仪(1)、粘贴在三向切削测力仪(1)表面上的电阻应变片(2)和与电阻应变片(2)连接的动态电阻应变仪(3)实时测量三向切削力，采用数据采集器(4)采集三向切削力，并采用网络滤波器(6)滤除环境噪音干扰信号后将三向切削力信号F_x、F_y和F_z传输给上位计算机(5)；

步骤二、小波分析处理：上位计算机(5)调用多分辨率小波分析模块对其接收到的三向切削力信号进行多尺度小波分解，根据公式计算切削力信号在第i个尺度的小波分解上的特征频带的能量E_i，并根据公式计算切削力信号在第i个尺度的小波分解上的特征频带的均方差σ_i；其中，x_ij为对三向切削力信号进行多尺度小波分解后重构1～m层高频细节信号的幅值数据，为每层高频细节信号幅值的平均值，i＝1、2、…、m，m为小波分解的尺度总数，j＝1、2、…、n，n＝1024；

步骤三、归一化处理：上位计算机(5)根据公式对E_i进行归一化处理，得到归一化处理后的切削力信号在第i个尺度的小波分解上的特征频带的能量E′_i；并根据公式对σ_i进行归一化处理，得到归一化处理后的切削力信号在第i个尺度的小波分解上的特征频带的均方差σ′_i；

步骤四、确定神经网络的输入：上位计算机(5)选出归一化处理后的切削力信号在第i个尺度的小波分解上的特征频带的能量E′_i的增幅最大的值E′_1i和增幅次大的值E′_2i，并选出归一化处理后的切削力信号在第i个尺度的小波分解上的特征频带的均方差σ′_i的增幅最大的值σ′_1i和增幅次大的值σ′_2i；

步骤五、神经网络处理：上位计算机(5)将E′_1i、E′_2i、σ′_1i和σ′_2i输入预先建立并训练好的三层BP神经网络中，得出三层BP神经网络的输出，三层BP神经网络的输出即为刀具后刀面磨损量VB；

其中，预先建立并训练三层BP神经网络的具体过程为：

步骤501、建立隐含层神经元数目可变的三层BP神经网络：以步骤四中得到的E′_1i、E′_2i、σ′_1i和σ′_2i作为BP神经网络的输入，输入层节点数n₁为4个，以刀具后刀面磨损量VB作为BP神经网络的输出，输出层节点数n₃为1个，根据公式确定所述三层BP网络的隐含层节点数n₂，建立三层BP神经网络；其中，取a为1～10的自然数；

步骤502、训练各个不同隐含层节点数的三层BP神经网络：随机选取刀具不同磨损状态时各自对应的多组切削力实验数据经过步骤一至步骤四的处理，得到多组E′_1i、E′_2i、σ′_1i和σ′_2i作为BP神经网络的输入，并以多组E′_1i、E′_2i、σ′_1i和σ′_2i分别对应的多个刀具后刀面磨损量VB作为BP神经网络的输出，构建训练样本，对取a为1～10的自然数时所对应的不同隐含层节点数的三层BP神经网络进行训练，得到各个不同隐含层节点数的训练好的三层BP神经网络；

步骤503、确定出训练好的三层BP神经网络：上位计算机(5)调用网络误差计算模块计算各个不同隐含层节点数的训练好的三层BP神经网络对应的网络误差，并选择出网络误差最小的隐含层节点数的三层BP神经网络，确定为训练好的三层BP神经网络。

2.按照权利要求1所述的基于小波分析和神经网络的刀具磨损实时在线监测方法，其特征在于：步骤一中的三向切削测力仪(1)为八角环式三向切削测力仪，步骤一中的动态电阻应变仪(3)为SDY2101型动态电阻应变仪，步骤一中的数据采集器(4)为RBH8223USB数据采集器。

3.按照权利要求1所述的基于小波分析和神经网络的刀具磨损实时在线监测方法，其特征在于：步骤二中上位计算机(5)调用多分辨率小波分析模块对采集到的切削力信号进行四个尺度的小波分解，四个尺度对应的频带分别为：2500Hz～5000Hz、1250Hz～2500Hz、625Hz～1250Hz和312.5Hz～625Hz。