[发明专利]一种基于变分模态分解与改进型BP神经网络的微铣刀磨损监测方法

说明书

本发明公开了一种基于变分模态分解与改进型BP神经网络的微铣刀磨损监测方法，首先通过VMD对微铣削振动信号进行信号处理和特征提取，并选择VMD分解后的内禀模式函数的峭度和偏态作为微铣刀磨损特征。接着利用基于优化算法的BPNN模型对提取的微铣刀磨损特征进行分类。本专利提出的微铣刀磨损监测方法能够快速准确地识别微铣刀的5种磨损状态，具有一定的理论价值和实践意义。

技术领域

本发明涉及精密制造技术领域，特别是一种基于变分模态分解与改进型BP神经网络的微铣刀磨损监测方法。

背景技术

由于具有加工材料的多样性和能加工复杂三维曲面的独特优势，微铣削已经广泛应用于微小型零部件的加工领域。然而，较小的刀具尺寸和较高的主轴转速导致微铣刀磨损较快，影响产品质量的一致性。微铣削技术具有加工材料的多样性和三维曲面加工的独特优势，在微观尺度的零部件加工方面具有广泛的应用。然而由于微铣削具有刀具尺寸小、切削速度高且切削不连续的特点，微铣刀磨损迅速，影响产品精度和表面质量。严重的刀具磨损也会引起刀具破损、折断和颤振，造成机床的损伤。因此，亟需提出一种有效的刀具磨损监测方法。

目前刀具磨损监测主要包括两种方法：基于图像处理的直接法和基于数据驱动的间接法。直接法主要通过数字图像处理技术提取刀具磨损特征，可以得到具体的刀具磨损量，精度较高。然而，冷却液和切屑严重影响刀具磨损图像质量，加工过程中刀具与工件的连续接触也会不利于刀具磨损图像的获取。

直接法采集加工过程中的切削力、振动、声发射及多传感信号，对其进行信号处理和特征提取，并通过一定的分类算法对提取的刀具磨损特征进行分类，实现刀具磨损状态的监测和识别。由于振动信号能够直接反映加工状态，传感器安装方便，本研究选择加速度信号进行微铣刀磨损状态监测。

当前，振动信号主要通过时域、频域和时频域等信号处理方法提取特征，其中，兼具时域和频域特征的时频域信号处理方法应用较广。例如，短时傅立叶变换(Short timeFourier transform，STFT)利用窗函数将非平稳信号转换成多段短平稳信号的叠加，但固定的窗函数使得信号的高频和低频部分具有相同的分辨率，计算精度和效率难于平衡。作为替代方案，使用小波包变换(Wavelet packet transform,WPT)可以灵活调整时间-尺度函数，可以很好地解决这一问题。然而，小波包变换需要选择合适的“母小波”和分解层数，需要一定的工程经验。经验模态分解(Empirical model decomposition，EMD)完全从信号的固有特征出发，通过Hilbert-Huang变换获得一系列正交的内禀模式函数(IntrinsicMode Function,IMF)，不需要太多的干扰。然而，EMD依然存在模式混合和末端效应的问题。和EMD相比，变分模态分解(Variational Mode Decomposition，VMD)既可以进行自适应分解，又能够自主选择模式分解层数，很好地融合了小波包变换与EMD的优点，具有更高的计算精度和灵活性。特征分类方法的选择直接影响刀具磨损状态的最终分类精度，常用的特征分类方法包括K近邻(K Nearest Neighbors，KNN)[14]、朴素贝叶斯(Naive BayesianMode,NBM)[15]、决策树(Decision Trees,DT)[16]、支持向量机(Support VectorMachine,SVM)[17]和BP神经网络(Back Propagation Neural Network，BPNN)[18]。和其它分类算法相比，BPNN结构简单、易于实现，已经成为特征分类的有力工具。然而，和其它分类算法一样，BPNN的神经元之间的连接权值和阈值难于确定，导致出现过拟合和局部最优的问题。为解决这些问题，本专利采用粒子群算法(Particle swarm optimization,PSO)对BPNN模型的连接权值和阈值进行优化，避免BPNN模型出现过拟合和局部最优的问题，提高BPNN模型的分类精度。

发明内容