[发明专利]一种基于零件表面粗糙度和功率信息的车削加工换刀方法

权利要求书

1.一种基于零件表面粗糙度和功率信息的车削加工换刀方法，其特征在于，包括以下步骤：

1)通过功率传感器采集车削加工过程中的功率信号和加工参数信息，功率信号包括和加工参数信息包括切削三要素特征，具体包括主轴转速、切削深度和进给速度；

2)对功率信号进行信号截取并采用防脉冲干扰滑动平均算法进行数字滤波；

3)采用改进的支持向量机算法构建表面粗糙度预测模型，并进行表面粗糙度预测得到预测的表面粗糙度信息；

4)对滤波后的功率信号进行特征提取构建功率信息；

5)结合预测的表面粗糙度信息和功率信息采用随机森林算法进行刀具磨损状态分类，并根据分类结果完成车削加工过程中的换刀。

2.根据权利要求1所述的一种基于零件表面粗糙度和功率信息的车削加工换刀方法，其特征在于，所述的步骤2)中，防脉冲干扰滑动平均算法具体为：

21)采集N个功率信号数据{m₁,m₂,...,m_N}，并将其放入队列M[n]中；

22)每采集一个新的功率信号数据并将其放入M[n]队尾，同时弃掉M[n]队首的数据，得到一组新队列M’[n]＝{m₁’,m₂’,...,m_N’}；

23)求取新队列M’[n]中N个数据的算术平均值则有：

24)将算术平均值作为滤波后的结果，并返回步骤21)，重复进行滤波过程。

3.根据权利要求1所述的一种基于零件表面粗糙度和功率信息的车削加工换刀方法，其特征在于，所述的步骤3)具体包括以下步骤：

31)将功率信号中的切削比能作为能耗特征，结合切削三要素特征数据映射到高维空间形成特征数据集，并将特征数据集分为训练样本与预测样本进行训练，构建SVM模型，该SVM模型以径向基函数作为核函数；

32)采用PSO算法对SVM模型的核函数进行参数优化，包括惩罚因子C、阈值ε和径向基函数核函数宽度g；

33)根据参数优化后的SVM模型进行表面粗糙度的预测。

4.根据权利要求3所述的一种基于零件表面粗糙度和功率信息的车削加工换刀方法，其特征在于，所述的步骤31)中，切削比能SCE的表达式为：

其中，为平均切削功率，为平均正常切削功率，为平均空切削功率。

5.根据权利要求3所述的一种基于零件表面粗糙度和功率信息的车削加工换刀方法，其特征在于，所述的步骤31)中，表面粗糙度预测模型中，SVM模型表达式为：

其中，w为超平面法向量，n为训练样本{(x₁,y₁),...,(x_n,y_n)}的总数，C为惩罚因子，l_ε(z)为不敏感损失函数，x_i为训练样本的第i个输入，为输入的特征向量，w^T和b为可调整的系数，y_i为粗糙度值，ε为阈值；

在SVM模型中引入松弛变量和拉格朗日乘子，则SVM模型表述为：

k(x_i,x_j)＝exp(-g||x_i-x_j||²),(g＞0)

其中，α_i、α_j、为拉格朗日乘子，k(x_i,x_j)为核函数。

6.根据权利要求1所述的一种基于零件表面粗糙度和功率信息的车削加工换刀方法，其特征在于，所述的步骤4)中，功率信号的特征提取具体为提取功率信号的时域有量纲特征和无量纲特征，其中，有量纲特征包括均值、最小值、均方根值、峰值和方差，无量纲特征包括峰值因子和偏态系数。