[发明专利]一种刀具状态在线监测方法和管理系统

权利要求书

1.一种刀具状态在线监测方法，其特征在于：采用改进的多特征时间序列动态匹配算法实现破损监测，及采用改进的Laser-循环神经网络模型实现磨损监测；

所述破损监测包括如下步骤：

A1)获取刀具正常状态下表面激光反射波时间序列信号Q₁，获取正常加工过程中刀具的声发射信号时间序列集合Q₂和机床功率时间序列集合信号Q₃，对信号数据进行预处理；

A2)分别赋予Q₁、Q₂、Q₃权值μ₁、μ₂和μ₃，则经过权值调整得到综合时间序列矩阵XL，将其分为生成标准序列集合T_o和计算阈值序列集合T₁；

A3)根据生成标准序列集合T_o确定标准平均序列X_s；

A4)计算阈值序列集合T₁与标准平均序列X_s的最小累积距离作为阈值β；

A5)实时采集刀具加工过程中激光反射数据、声发射数据和机床功率数据，计算其与标准平均序列X_s的最小累积距离若最小累积距离大于阈值β，则发出破损报警；

所述磨损监测包括如下步骤：

B1)基于改进的线激光动态采集并计算刀具的磨损体积；

B2)利用改进的Laser-循环神经网络模型对已磨损但未达报警条件的刀具进行动态跟踪监测；具体包括如下：

B2.1)采集的原始信号数据进行数据预处理，并与刀具刃口磨损体积V组成特征数据，并将其作为改进的Laser-循环神经网络模型的训练数据，原始信号数据包括切削速度、应力数据、温度数据、进给量数据和已切削时间；

B2.2)定义改进的Laser-循环神经网络模型的参数，包括t时刻序列的输入x_t、输出信息h_t和细胞状态C_t，t-1时刻的序列输出信息h_t-1和细胞状态C_t-1，σ为sigmoid激活函数，tanh为双曲正切函数，x_t为训练数据；

B2.3)将t-1时刻的h_t-1和训练数据x_t输入遗忘门函数，计算出遗忘细胞状态f_t，将t-1时刻的h_t-1和x_t输入改进的Laser-循环神经网络模型计算输入门信息i_t和C^*；

B2.4)使用遗忘细胞状态f_t和输入门信息i_t和C^*，计算t时刻细胞更新状态C_t，根据细胞更新状态C_t计算当前t时刻的输出信息h_t，重复步骤B2.3)-B2.4)，计算出时间序列上所有输出值；

B2.5)对时间序列上所有输出值反向计算每个时间点上的总误差项值，根据总误差项值对权值矩阵求一阶偏导之和，得出权值矩阵梯度，完成一个时间步的反向传播计算；

B2.6)重复步骤B2.5)，直至求出最优权值矩阵，即权值矩阵梯度最优，完成改进的Laser-循环神经网络模型训练；

B3)将实时采集到的特征数据输入训练后的改进的Laser-循环神经网络模型，对刀具磨损进行预警。

2.如权利要求1所述的一种刀具状态在线监测方法，其特征在于：所述步骤A3)具体包括如下：

A3.1)从标准序列集合T_o随机选取一条序列X作为初始平均序列，计算T_o中其他序列和X序列的最小累积距离；

A3.2)判断X序列到T_o中各序列的累积距离平方和是否下降，若下降，则将平均序列X中的每个坐标更新为T_o中与之匹配的坐标的均值，并回到步骤A3.1)；若否，则将当前平均序列作为标准平均序列X_s输出。