[发明专利]一种铣刀的磨损预测方法及状态识别的方法

说明书

本发明公开了一种铣刀的磨损预测方法及状态识别的方法，该磨损预测方法包括如下步骤：首先，对铣削振动数据进行小波降噪处理，从时域、频域、时频域三个方面对振动信号进行特征提取，得到初始特征向量集后引用相关系数法计算特征向量与磨损量之间相关关系并筛选得到最优特征向量集；然后，将最小二乘支持向量机预测的平均相对误差定义为自适应步长布谷鸟搜索算法的适应度函数，通过搜索鸟巢位置使最小二乘支持向量机输入参数达到最优。最后，并利用最优的最小二乘支持向量机对磨损量进行预测。本发明通过与其他两种混合智能算法进行对比，验证了ASCS‑LSSVR算法的优越性。

技术领域

本发明属于机械加工技术领域，更具体地，涉及一种铣刀的磨损预测方法及状态识别的方法。

背景技术

目前刀具磨损领域的自动监测方案主要分为直接法与间接法两类。直接法一般应用于非加工过程中的离线监测，通过传感设备直接得到刀具位置、形状等参数进而判别刀具磨损状况；间接法则是通过测量刀具振动、受力、电流、声发射等间接指标并与切削磨损状态之间建立相关关系，从而得到刀具的磨损程度。

直接法虽然精度较高，但往往存在不能保证实时监测，同时受环境因素影响大等缺点；而间接法与之相比则具备更多优点如对加工过程无影响，可保证连续监测等，所以以间接法为代表的刀具磨损监测方案逐渐成为主流。多年来国内外诸多专家学者在间接法领域做出了大量工作，Yan W等利用切削力信号与刀具磨损指数建立相关关系完成刀具磨损预测；此外还有AI Azmi等采用多元回归分析和神经模糊建模对刀具进行磨损预测，同时对加工和换刀提出可行建议。均取得了不错的效果，但由于切削中刀具磨损的缘由较为繁杂，且相关要素众多，加之于实时变化的加工条件，很难建立一个普遍适用的预测模型。

支持向量机(Support Vector Machine,SVM)由Vapnik等于1995年首先提出的，是一种分类算法，其本质是寻求结构最小化风险来提高机器的泛化能力。支持向量机的原始数据带有相应的标签，被定义为监督学习模型，可进行模式识别、数据分析等工作，用于回归和分类均有近乎完美的表现，并且在小样本、高维度、非线性等问题中均很好地领先于其他算法。Suykens,Vandewalle等人最早提出最小二乘支持向量机(Least Squares SupportVector Regression,LSSVR)，通过使用LSSVR会产生一些独特的优势方便求解，如将目标函数定义为二次损失函数，同时转变不等式约束为等式约束，从而将支持向量机的求解转变为求解线性方程组问题，加之于拉格朗日乘子的数量也减少了一半，使综合计算复杂度大大降低，非常适合在线建模。

布谷鸟搜索算法(Cuckoo Search,CS)由剑桥大学的Yang Xin-she与Deb Suash受布谷鸟独特的寻窝产卵繁殖习性共同开发而成。在诸多的智能启发式算法中，CS算法因其参数少，操作简单，随机搜索路径与强寻优能力等优点已被广泛应用于工程领域中各种优化问题。CS算法虽然具备诸多优点，但同其他智能算法一样，存在后期搜索速度慢，精度不高等限制。

在实际的刀具磨损预测系统中，往往存在建模精度不高，适用范围小及难以推广等问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种铣刀的磨损预测方法及状态识别的方法，其目的在于解决现有的方法建模精度低的技术问题。

为实现上述目的，本发明提供了一种铣刀的磨损预测方法，包括如下步骤：

步骤1：根据初始特征向量集中元素与磨损量之间的相关系数，从初始特征向量集中提取最优特征向量集；

步骤2：以惩罚因子和径向基核函数宽度系数的平方量作为鸟窝位置变量，先以自适应步长更新方式进行更新，然后使用偏好随机游动行为对鸟窝位置变量再次进行更新；铣削振动数据中不同走刀次数下实测磨损量和对应预测磨损量之间误差均值作为适应度函数，进行布谷鸟搜索，以此获得最优惩罚因子和最优径向基核函数宽度系数的平方量；