[发明专利]一种刀具状态智能监测的进化学习方法

说明书

一种刀具状态智能监测的进化学习方法，利用三向加速度传感器和传声器采集振动信号和声信号，对信号进行平滑处理，并将其划分为训练集和测试集；采用堆叠自编码器对动态信号的深层次特征进行自动提取，并对提取的特征进行分类；根据训练集模型准确度对各算法进行权重分配，通过加权平均获得最终预测的刀具状态，并保存模型相关参数；将实际加工过程中的实时振动信号和声信号经数据预处理后输入保存过的监测模型中，获得对应信号的刀具状态，保存置信度水平较高的数据标签，并对网络参数进行更新，从而实现刀具状态智能监测的进化学习。本方法可避免人工的参与，降低计算复杂度，且能减弱机床性能退化对刀具状态监测模型预测准确度的影响。

技术领域

本发明属于刀具状态监测技术领域，具体为一种刀具状态监测的进化学习方法。

背景技术

在机械加工领域，刀具状态对生产效率以及被加工零件的加工精度和表面质量有重要影响，当刀具磨损严重时甚至会损坏机床，对操作人员的人身安全造成威胁。目前，刀具的磨损情况一般依靠有经验的工人根据加工现场的切削振动、切削噪声以及切屑颜色等进行判断，但该方法对操作者的相关经验要求较高，可能会由于提前换刀，造成加工成本增加，也可能会由于换刀不及时，导致零件报废甚至设备的停机检查。因此，在自动化的数控加工过程中，对刀具状态的准确监测和识别的研究具有重要意义。

目前，研究人员在刀具状态监测方面进行了一定的研究。在专利“一种基于电流与声发射复合信号的刀具磨损监测方法”(CN201510116263.3)中，获取切削加工中主轴电机的电流信号及车刀磨损状态的声发射信号，利用小波包分析、相关性分析和主成分分析等方法提取刀具磨损状态的特征信息，并通过分析与初始状态特征之间的关联性来判断刀具的磨损程度。在专利“一种数控机床刀具磨损监测方法”(CN201010607532.3)中，采集数控机床伺服驱动电流信号，利用小波包分解技术获得时频域特征后选择与刀具磨损相关性较强的特征，并利用机器学习方法对刀具磨损过程进行学习，从而获得刀具磨损规律。在专利“一种基于振动和声发射的刀具磨损状态识别方法”(CN109635847A)中，对加工过程中的振动信号和声发射信号进行实时采集，并进行时域、频域和时频的特征提取后，通过BP神经网络对刀具状态进行识别并最终输出当前刀具的磨损情况。在专利“一种基于机器学习的刀具磨损状态监测方法”(CN109571141A)中，采集加工过程中的切削力信号和振动信号作为刀具状态的监测信息，通过人工特征提取和特征选择后，采用神经网络模型对刀具的磨损量进行回归分析，并采用粒子群优化算法提高网络的预测性能。

综上所述，现有的刀具状态监测方法仍然存在着一些问题，如：(1)对采集得到的刀具状态监测信息多采用人工提取特征的方法，使得数据处理过程费时费力(2)建立的刀具状态监测方法只适用于当前的机床状态，随着机床性能的逐渐退化，监测模型会产生失效，不能对当前的刀具状态进行准确预测。本发明针对传统神经网络监测刀具状态存在的问题，提出一种刀具状态智能监测的进化学习方法。

发明内容

本发明的目的为提供一种刀具状态智能监测的进化学习方法，解决现有刀具状态监测模型不能适应数控机床退化过程的难题，实现了监测模型的进化学习。

为解决上述技术问题，本发明的技术方案为：

一种刀具状态智能监测的进化学习方法，首先，选取加工过程中的振动信号和声信号作为刀具状态的监测信号，并利用三向加速度传感器和传声器对其进行采集，采用五点三次平滑法对信号进行平滑处理，并将其划分为训练集和测试集；然后，采用堆叠自编码器对动态信号的深层次特征进行自动提取，并利用KNN、SVM、ELM、DT以及BP网络对提取的特征进行分类；接着，根据训练集模型准确度对各算法进行权重分配，通过加权平均获得最终预测的刀具状态，并保存模型相关参数；最后，将实际加工过程中的实时振动信号和声信号经数据预处理后输入保存过的监测模型中，获得对应信号的刀具状态，保存置信度水平较高的数据标签，并对网络参数进行更新，从而实现刀具状态智能监测的进化学习；具体步骤如下：

第一步，加工过程中的动态信息采集