[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

说明书

技术领域

本发明属于刀具磨损监测技术领域，具体涉及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。

背景技术

生产的自动化、柔性化和集成化已成为机械制造工业发展的方向，以数控机床、加工中心为代表的现代制造装备，加工精度高、可靠性好，工件加工质量受机床、夹具等因素的影响较少，受刀具的影响较多，所以良好的刀具性能与状态对保证加工质量和提高生产率至关重要。

信号处理技术是刀具磨损状态监测的核心技术，它首先利用传感器采集能反映刀具状态变化的物理量如切削力、切削功率和振动等信号，进行分析处理获取其特征值，然后建立数学模型对特征值进行决策分析达到判断、监测刀具状态的目的。早期刀具状态监测所采用的信号处理技术多集中在时域、频域，近年来信号处理技术向时频分析和智能技术方向发展，时频分析成为信号分析的主流。傅立叶变换是频域分析的重要方法，但是存在很大的局限性：傅立叶变换提取了频率特征而淹没了时间特征；离散傅立叶变换的时间分辨率是固定的，无法表征信号的时频局部特征；离散傅立叶变换存在栅栏效应、频谱泄漏和混迭失真。

智能学习和决策技术为解决刀具状态监测中难以解决的关键性技术提供了有效的方法，模式识别、BP神经网络、小波神经网络、模糊神经网络等智能学习决策技术已经大量应用于监测模型中。但是在神经网络的应用中出现了一些困难，如学习速度较慢、在学习过程中出现局部收敛、一些模糊信号无法处理等问题。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供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，其方法步骤简单，实现方便，够快速高效地检测出刀具的磨损状态，能够保证加工质量，提高生产效率。

为解决上述技术问题，本发明采用的技术方案是：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、粘贴在三向切削测力仪表面上的电阻应变片和与电阻应变片连接的动态电阻应变仪实时测量三向切削力，采用数据采集器采集三向切削力，并采用网络滤波器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；

步骤二、小波分析处理：上位计算机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：