[发明专利]基于振动信号和Stacking集成模型的刀具磨损状态监测方法

说明书

本发明公开了一种基于振动信号和Stacking集成模型的刀具磨损状态监测方法，利用加工过程机床主轴的振动信号，采用时域分析、频域分析和集成经验模式分解(EEMD)对振动信号进行特征提取，再利用ReliefF‑SVM算法对已提取的特征进行筛选得到最优特征集，将刀具磨损刃带宽度作为磨损标签值，利用最优特征集和磨损标签值基于Stacking集成策略建立集成监测模型。建立模型后，监测加工过程振动信号，经过处理后得到信号特征集输入到集成监测模型中，得到刀具磨损标签值，即刀具磨损状态。本发明基于振动信号和Stacking集成模型，可实现刀具磨损状态监测。

技术领域

本发明涉及刀具磨损状态监测技术领域，具体涉及一种基于振动信号和Stacking集成模型的刀具磨损状态监测方法。

背景技术

现代制造业正逐渐向智能化发展，在加工过程中对于数控机床主要部件的性能状态感知显得尤为重要。刀具磨损状态的监测在加工过程中是非常重要的，刀具的磨损对于加工的工件表面质量和尺寸精度的影响至关重要。因此，刀具磨损的状态评估成为了一个重要的研究课题，但更为重要的是如何精确地并且稳定地去拟合或预测一个全新刀具的磨损值。因为，过高地预测磨损值，将可能导致刀具材料的浪费，而过低地预测磨损值将会增加工件产品的次品率，甚至出现废品或发生机械安全事件。因此，开展刀具磨损状态监测技术研究对制造水平的提高具有重要意义。

随着传感器技术的发展，各类传感器在故障诊断、状态识别过程起到了至关重要的作用。刀具磨损会增加刀具与工件的接触面积，切削性能变差，同时导致工艺系统升温，铣削力会明显增加。在刀具磨损监测中，铣削力监测是最行之有效的监测手段，然而，力传感器成本高、安装难，工件尺寸不能太大，使得力传感器在铣削过程监测发展受到制约。铣削力增加，机床需提供的电流或者功率会增大，因此电流信号也是常用的监测信号之一，但电流信号易受加工状态影响、在切削量小时反应不明显。振动传感器安装方便、成本低，频响范围宽、反应灵敏，在实际中的应用逐渐增多。如何利用振动信号提取得到与刀具磨损相关的特征信号，是刀具磨损监测的关键步骤。

目前一般采用外置传感器技术结合人工智能技术实现刀具磨损监测。支持向量机(SVM)是最常用的状态识别智能算法，具有坚实理论基础，适合小样本状态分类，但支持向量机解决多分类问题存在困难，对大规模训练样本难以实施；决策树模型简单，算法复杂度低，具有统计检验可靠性，但决策树分类结果可能不稳定；朴素贝叶斯算法具有稳定的分类效率，可以处理多分类任务，但需要假设先验概率，而先验概率模型可能导致结果不佳。但由于工况日渐复杂，单一的人工智能技术无法实现精度需求。如何实现小样本情况下进行高效、稳定的刀具磨损状态识别是亟需解决的问题。

发明内容

针对上述现有技术的缺点和刀具磨损状态监测的现状，本发明的目的在于提供基于振动信号和Stacking集成模型的刀具磨损状态监测方法，满足实际加工过程中的刀具磨损状态监测的要求。

本发明是通过下述技术方案来实现的。

一种基于振动信号和Stacking集成模型的刀具磨损状态监测方法，包括以下步骤：

步骤1，使用加速度传感器采集加工过程机床主轴的振动信号，同时对每次走刀完成后的刀具后刀面刃带进行拍照，将测量刀具刃带磨损的宽度作为刀具磨损标签值；

步骤2，对机床主轴的振动信号通过去趋势项和异常值处理，得到纯净的加工过程的振动信号；

步骤3，采用时域分析、频域分析和集成经验模式分解(EEMD)对振动信号进行特征提取，得到多个特征信号。其中，对振动信号进行集成经验模式分解(EEMD)后得到本征模式分量，将多个本征模式分量的能量比作为信号特征；