[发明专利]一种机床刀具寿命预测系统及预测方法

权利要求书

1.一种机床刀具寿命预测系统，其特征在于，包括：机床内置传感器、数据采集模块、预处理模块、特征提取模块以及预测模块，其中：

所述机床内置传感器用于测量机床的主轴电流信号以及切削工况参数；

所述数据采集模块用于采集所述机床内置传感器测量的所述主轴电流信号以及切削工况参数；

所述预处理模块用于对所述数据采集模块采集的所述主轴电流信号进行预处理，找出平稳的信号，并对平稳的信号进行切分；

所述特征提取模块用于对所述预处理模块预处理后的所述主轴电流信号进行特征值提取；

所述预测模块用于根据所述特征提取模块提取的主轴电流信号特征值以及切削工况参数对刀具的剩余使用寿命进行预测。

2.根据权利要求1所述的机床刀具寿命预测系统，其特征在于，所述特征提取模块包括：时域特征提取子模块、频域特征提取子模块以及小波特征提取子模块；其中，

所述时域信号提取子模块用于提取预处理后的主轴电流信号的时域特征；

所述频域特征提取子模块用于提取预处理后的主轴电流信号的频域特征；

所述小波特征提取子模块用于将预处理后的主轴电流信号进行小波分解，获取不同频段的小波包。

3.根据权利要求1所述的机床刀具寿命预测系统，其特征在于，所述预测模块包括刀具磨损量预测子模块以及刀具寿命预测子模块；其中，

所述刀具磨损量预测子模块用于根据所述主轴电流信号特征值和切削工况参数对刀具磨损量进行预测；

所述刀具寿命预测子模块用于根据所述刀具磨损量对刀具的剩余使用寿命进行预测。

4.根据权利要求3所述的机床刀具寿命预测系统，其特征在于，所述刀具磨损量预测子模块所采用的刀具磨损量预测模型为预先训练好的刀具磨损量预测模型，所述刀具磨损量预测模型为以所述主轴电流信号特征值和切削工况参数作为特征，以所述刀具磨损量作为标签建立训练样本，采用梯度提升树的算法训练得到的。

5.根据权利要求4所述的机床刀具寿命预测系统，其特征在于，所述梯度提升树是一种使用了前向分布算法的迭代算法，使用分类回归树模型，其中：

其中：f_T(x)为训练得到的刀具磨损量预测模型，I(·)为指示函数，T为迭代次数，J为CART回归树的叶子节点的个数，ct_j为每一个叶子节点里的样本，拟合的叶子节点最好的输出值；将f_T(x)导入刀具磨损量预测模块即可根据输入的若干特征进行预测。

6.根据权利要求1-4任一项所述的机床刀具寿命预测系统，其特征在于，还包括：结果显示模块，所述结果显示模块与所述预测模块相连；

所述结果显示模块用于将所述预测模块预测的刀具的剩余使用寿命显示出来。

7.一种机床刀具寿命预测方法，其特征在于，包括以下步骤：

S11：测量机床的主轴电流信号以及切削工况参数；

S12：采集所述主轴电流信号以及切削工况参数；

S13：对所述主轴电流信号进行预处理，找出平稳的信号，对平稳的信号进行切分；

S14：对预处理后的所述主轴电流信号进行特征值提取；

S15：根据主轴电流信号特征值以及切削工况参数对刀具的剩余使用寿命进行预测。

8.根据权利要求7所述的机床刀具寿命预测方法，其特征在于，所述步骤S14包括以下流程：

S141：提取预处理后的主轴电流信号的时域特征；

S142：提取预处理后的主轴电流信号的频域特征；

S143：将预处理后的主轴电流信号进行小波分解，获取不同频段的小波包；

以上流程不分先后顺序。

9.根据权利要求7所述的机床刀具寿命预测方法，其特征在于，所述步骤S15包括：

S151：根据所述主轴电流信号特征值和切削工况参数对刀具磨损量进行预测；

S152：根据所述刀具磨损量对刀具的剩余使用寿命进行预测。

10.根据权利要求9所述的机床刀具寿命预测方法，其特征在于，所述步骤S151中的所述刀具磨损量所采用的刀具磨损量预测模型为预先训练好的刀具磨损量预测模型，所述刀具磨损量预测模型为以所述主轴电流信号特征值和切削工况参数作为特征，以所述刀具磨损量作为标签建立训练样本，采用梯度提升树的算法训练得到的；

所述梯度提升树是一种使用了前向分布算法的迭代算法，使用分类回归树模型，其中：

其中：f_T(x)为训练得到的刀具磨损量预测模型，I(·)为指示函数，T为迭代次数，J为CART回归树的叶子节点的个数，ct_j为每一个叶子节点里的样本，拟合的叶子节点最好的输出值。