[发明专利]一种基于遗传BP神经网络的木工刀具磨损状态诊断方法

权利要求书

1.一种基于遗传BP神经网络的木工刀具磨损状态诊断方法，其特征在于，包括以下步骤：

步骤一：采集包括刀具前角γ、主轴转速n、切削深度h、机床主轴功率P_t的近似系数以及刀具磨损VB在内的样本集；

步骤二：使用遗传BP神经网络建立刀具磨损状态诊断模型；

步骤三：建立刀具磨损状态诊断标准；

步骤四：传输实时数据进入刀具磨损状态诊断模型并结合刀具磨损状态诊断标准对刀具磨损状态进行诊断；

其中，步骤二中刀具磨损状态诊断模型的建立方法如下：

21)：将样本集划分为训练集与测试集；

22)：对训练集与测试集进行归一化处理；

23)：构建BP神经网络；

24)：使用遗传算法求解BP神经网络的最佳初始阈值和权值；

25)：训练BP神经网络，得出诊断模型；

步骤四中的实时数据包括刀具前角γ、主轴转速n、切削深度h、机床主轴功率P_t的近似系数；

在步骤一中，选取刀具角度γ、主轴转速n和切削深度h作为刀具磨损状态诊断样本集参数；

在步骤一中，首先将功率传感器接入机床控制箱输出端，然后按照全因素实验方案采集机床主轴功率Pt，所述全因素实验方案包括不同的切削参数和刀具磨损VB；

在步骤一中，为提取机床主轴功率Pt中与刀具磨损状态相关特征且去除信号中噪声与干扰，使用小波函数为DB4的离散小波变换(DWT)对所采集的机床主轴功率Pt进行特征提取，离散小波变换对机床主轴功率Pt分解5次，所提取的特征为离散小波变换的近似系数；

在步骤21)中刀具前角γ、主轴转速n、切削深度h、机床主轴功率Pt的近似系数作为BP神经网络中的输入向量，刀具磨损VB作为输出向量；

步骤22)中对样本集数据进行归一化处理，归一化处理选择线性归一化，将所有输入输出数据归一为[0，1]范围内，处理公式如下所示：

y_i＝(x_i-x_min)÷(x_max-x_min)

式中，y_i为处理之后的样本集x_i为原始样本集x_max为原始样本集大值，x_min为原始样本集小值。

2.根据权利要求1所述的一种基于遗传BP神经网络的木工刀具磨损状态诊断方法，其特征在于，所述步骤一的特征提取、步骤二的模型建立在软件MATLAB上进行。

3.根据权利要求1所述的一种基于遗传BP神经网络的木工刀具磨损状态诊断方法，其特征在于，步骤24)中使用遗传算法对BP神经网络的初始阈值和权值进行全局优化搜索，遗传算法需要设置初始参数，包括：种群规模、适应度函数、进化次数、交叉概率、变异概率，其中种群规模选取范围为30-50，进化次数选取范围为30-100，交叉概率选取范围为0.01-1，变异概率选取范围为0.01-1；适应度函数选取如下所示：

式中，Y_i为BP神经网络预测得到的数据，X_i为真实数据，N表示样本集数量，ε为避免分母为0的常数。

4.根据权利要求1所述的一种基于遗传BP神经网络的木工刀具磨损状态诊断方法，其特征在于，步骤25)中刀具磨损状态诊断模型的训练需要设置以下参数，包括隐含层数、训练次数、学习率、训练精度和训练函数，其中隐含层数、训练次数、学习率、训练精度按照经验选取，训练次数选取范围为50-200，学习率选取为0.01，训练精度选取为0.0001，隐含层数按照以下公式选取：

式中，m为隐含层数，n为输入向量个数，j为输出向量个数，α为1-10之间常数，具体隐含层数取值需要在m取值范围内逐个验证，取预测结果最高为实际隐含层数，训练函数选择relu函数，relu函数对比常用的sigmoid类函数能防止网络梯度弥散并且加快BP神经网络计算速度，提高网络自身精度，其公式如下：

f(x)＝max(0,x)

式中，x表示训练集数据，当x小于0时，输出值为0，当x大于0时，输出值为x。

5.根据权利要求1所述的一种基于遗传BP神经网络的木工刀具磨损状态诊断方法，其特征在于，步骤三中刀具磨损状态诊断标准如下：对于所输出的刀具磨损VB，当后刀面磨损VB≤0.1mm时，刀具为崭新状态，当0.1mm＜VB≤0.2mm时，刀具为正常磨损状态，当0.2mm＜VB≤0.3mm时，刀具为急剧磨损状态，当0.3mm＜VB时，刀具为破损状态。