[发明专利]一种铣削刀具故障监测与识别方法及系统

说明书

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，尤其涉及一种铣削刀具故障监测与识别方法及系统。

背景技术

铣削是用旋转的铣刀作为刀具加工物体表面的一种机械加工方法，一般在铣床或镗床上进行，除能加工平面、沟槽、轮齿、螺纹和花键轴外，还能加工比较复杂的型面，生产效率较高，在机械制造行业中被广泛应用。

刀具作为铣削加工过程中最易损伤的部件，对其进行及时有效的状态监测与故障识别至关重要。据统计，在铣削加工中，刀具故障通常约占机床停机时间的7-20％，而频繁的停机换刀严重影响企业的生产效率。此外，换刀的时效性直接影响到加工的质量和成本，一方面，若换刀不及时，坏刀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，增加加工成本；另一方面，若过早换刀，刀具还未到其有效使用寿命就丢弃，造成材料的浪费，增加换刀成本。因此，研究在铣削加工过程中进行实时的刀具故障监测与识别，对缩减加工成本具有很重要的意义。

目前，学者们开展了大量铣削刀具故障监测与识别的研究，已提出了诸多比较有效的识别方法，如快速傅里叶变换、小波分析、人工神经网络、支持向量机、混合智能等，这为高精度、高可靠的铣削刀具故障识别提供了一定的技术基础。然而，这些方法都具有一定的局限性，具体表现为：(一)需要在样本数据量大的前提下开展，否则小样本情形下训练效果很差，对刀具故障状态的识别无能为力；(二)需要加工信号满足一定的条件(如平稳性、独立同分布等)，然而却对铣削刀具信号(具有小样本、非线性、非平稳等特点)的故障识别过程不大适用，常常导致对某些刀具故障识别率高而对其它刀具故障却无能为力的现象出现，使得总体故障识别精度不高。

发明内容

本发明实施例的目的在于提供一种铣削刀具故障监测与识别方法及系统，能够在不增加试验成本的基础上，为铣削刀具故障识别过程提供更丰富的样本集合，并能提高铣削刀具故障识别的整体精度。

为了解决上述技术问题，本发明实施例提供了一种铣削刀具故障监测与识别方法，所述方法包括：

在已测铣削刀具的历史数据中，获取刀具状态的种类及各种刀具状态下所得振动时域信号；

确定所得振动时域信号都需计算的共同特征参数项，并计算所得振动时域信号各自对应所述共同特征参数项的特征值，且将已计算出特征值的振动时域信号与各自对应的刀具状态种类组合成样本后，形成刀具状态样本集，进一步将所述刀具状态样本集划分得到训练样本集和测试样本集；

在预设的分类算法中选取一定量，得到由所选分类算法构成的基础弱分类器集，并进一步确定每个所选分类算法各自对应的基础弱分类器模型；其中，所述每个所选分类算法的基础弱分类器模型均是采用Bootstrap方法对所述训练样本集重复抽样，并利用重复抽样得到的子训练样本集进行训练学习而获得；

利用所述测试样本集对所述基础弱分类器集中每个所选分类算法的基础弱分类器模型分别进行测试，并根据测试结果，计算出每个所选分类算法的基础弱分类器模型的总正确率，且进一步根据所述计算出的每个所选分类算法的基础弱分类器模型的总正确率，得到每个所选分类算法的基础弱分类器模型的权重；

采集待测铣削刀具的振动时域信号，并计算待测铣削刀具的振动时域信号各自对应所述共同特征参数项的特征值，且将已计算出特征值的待测铣削刀具的振动时域信号送入所述每个所选分类算法的基础弱分类器模型进行分类，得到所述待测铣削刀具的分类结果集；

根据所述每个所选分类算法的基础弱分类器模型的权重以及所述待测铣削刀具的分类结果集，计算所述待测铣削刀具的类别概率，并进一步筛选出类别概率最大所对应的刀具状态种类作为所述待测铣削刀具的故障类别。

其中，所述刀具状态的种类包括正常、中等磨损和严重磨损。

其中，所述共同特征参数项由6个时域参数项和4个频域参数项形成。

其中，所述预设的分类算法包括线性判别分析算法、基于高斯径向基核的支持向量机算法、k近邻算法和基于多项式核的支持向量机算法。

本发明实施例还提供了一种铣削刀具故障监测与识别系统，所述系统包括：

刀具种类及信号获取单元，用于在已测铣削刀具的历史数据中，获取刀具状态的种类及各种刀具状态下所得振动时域信号；