[发明专利]一种基于稳态子空间分析多维信号的刀具状态监测方法

说明书

本发明实施例公开了一种基于稳态子空间分析多维信号的刀具状态监测方法，包括在已测刀具的历史数据中，获取刀具状态种类及各种刀具状态所得一维振动时域信号，将各振动时域信号扩展为多维并对应截取N组信号依次进入稳态子空间分析模型中计算，得到已测刀具各种刀具状态对应的数学分析值；采集待测刀具一维振动时域信号并扩展为多维后，截取N组信号进入稳态子空间分析模型中计算，得到待测刀具的数学分析值；筛选与待测刀具的数学分析值之差绝对值为最小的已测刀具的数学分析值，并将其所对应刀具状态种类作为待测刀具的故障类别。本发明实施例，克服现有方法的弊端，适用于有限样本下对信号要求更宽泛、更适合刀具损伤过程的监测与诊断。

技术领域

本发明涉及机械故障诊断技术领域和计算机技术领域，尤其涉及一种基于稳态子空间分析多维信号的刀具状态监测方法。

背景技术

随着市场竞争的日益激烈，制造型企业对生产过程的自动化需求不断增加，数控机床的自动化是大多数制造过程自动化的重要组成部分。刀具作为数控机床最易损伤的部件，对其进行及时有效的状态监测与故障识别至关重要，主要原因在于：(1)据统计，在切削加工中刀具故障通常约占机床停机时间的20％，而频繁的停机换刀严重影响企业的生产效率；(2)如若刀具发生故障而没有及时发现，会直接影响零件表面光洁度、尺寸精度等质量特性，严重的还将导致工件报废，增加生产成本。因此，加工过程中的实时刀具状态监测是自动化制造中的关键研究课题，如何在加工过程中有效地监测刀具状态，识别刀具的损伤程度，已成为数控机床智能化以及生产过程自动化发展急需解决的问题。

目前，学者们开展了大量刀具状态监测研究，已提出了诸多比较有效的方法，如快速傅里叶变换(FFT)、小波变换(WT)、人工神经网络(ANN)、隐马尔科夫链(HMM)、支持向量机(SVM)等，这为高精度、高可靠的刀具状态监测提供了一定的技术基础。然而，这些方法都需要在一定的前提条件下才能达到理想的效果，如FFT要求信号是平稳的，而机床加工过程中刀具信号是非平稳的；又如小波分析虽然能够处理非平稳信号，但其关键在于构造和选择与故障特征波形相匹配且具有优良性质的小波基函数，而对于先验知识甚少的机床刀具损伤过程，选择合适的小波基函数是非常困难的；又如ANN算法需要大量样本数据进行训练，这对于刀具状态监测而言是很困难的，而在有限的样本情况下，ANN容易出现过学习问题，即推广能力差；又如HMM方法假设状态持续时间服从指数分布，而刀具损伤过程很难满足这一条件；又如SVM在小样本情形下表现出良好的分类性能，但它只依照当前时刻的信号特征进行识别，未能充分利用信号前后时刻的状态信息，对于具有较强时变性的刀具损伤过程具有一定的局限性。

发明内容

本发明实施例的目的在于提供一种基于稳态子空间分析多维信号的刀具状态监测方法，克服了现有方法应用于刀具状态监测的弊端，适用于有限样本下对信号要求更宽泛、更适合刀具损伤过程的监测与诊断。

为了解决上述技术问题，本发明实施例提供了一种基于稳态子空间分析多维信号的刀具状态监测方法，所述方法包括：

在已测刀具的历史数据中，获取刀具状态的种类及各种刀具状态下所得一维振动时域信号，采用预设的非线性复自相关函数法将各种刀具状态下所得的一维振动时域信号扩展为对应的多维时域信号，并从各种刀具状态下所扩展的多维时域信号中分别对应截取连续采样数为T的不重叠的N组信号，且进一步将所述截取到的各种刀具状态下各自对应N组信号分别作为当前N组期望信号依次进入预设的稳态子空间分析模型中计算，得到已测刀具各种刀具状态分别对应的数学分析值；其中，T和N均为大于1的正整数；

采集待测刀具的一维振动时域信号，采用所述预设的非线性复自相关函数法将待测刀具所得的一维振动时域信号扩展为多维时域信号，并从待测刀具所扩展的多维时域信号中对应截取连续采样数为T的不重叠的N组信号，且进一步将所述截取到的待测刀具所得对应N组信号作为当前N组期望信号进入所述预设的稳态子空间分析模型中计算，得到待测刀具的数学分析值；