[发明专利]无监督模型的刀具磨损监测方法及系统

说明书

一种无监督模型的刀具磨损监测方法，基于加工数据实时训练无监督模型监测，利用多传感器融合技术，采集刀具切削过程信号并进行信号处理，分别提取多个传感器信号的特征值，建立多维特征向量矩阵，并利用相关性分析技术进行筛选；再采用同一电力线通信信号触发的方式同步采集功率信号和振动信号，并建立实时的有效信号截取算法；最后根据实时加工数据建立一类支持向量机的网络模型，将监测样本转换为训练样本。本发明采用的同PLC信号触发的方式，可有效地完成数据清洗；采用一类支持向量机网络模型，准确预测该刀具下一时序的磨损状态，极大地解决了训练样本的问题以及模型通用性的问题；采用的一类支持向量机在小样本的训练和预测上比BP神经网络有更好的表现。

技术领域

本发明涉及的是一种发动机生产线缸盖螺纹加工领域的技术，具体是一种无监督模型的刀具磨损监测方法及系统。

背景技术

业内常用的刀具磨损监测的方法有直接法和间接法。直接法是测量刀具磨损相关量，需要停机进行检测，且对过程中刀具故障情况无法进行检测，因此直接法不能被广泛应用于刀具状态监测；间接法是通过监测加工过程相关信号进行刀具状态间接监测。现有技术存在的问题是：实际加工产线加工环境复杂，涉及工种较多且切削条件会进行不断优化改变，再加上切削系统加工能力不一，内部稳定输出响应各异，导致监控模型稳定性差，缺乏普适性。解决上述技术问题的难度：产线加工预设刀具加工周期较为保守，难以获得磨损乃至破损后的数据；采用小样本高精度的模型或者无监督模型因缺乏大量学习样本会给模型带来一定精度的丧失；采用多传感器融合技术优化模型监测的同时也造成了系统的复杂性，如何较好地融合各传感器信号，提取相关性最高的特征目前尚缺乏深入的研究。

发明内容

本发明针对现有技术存在的上述不足，提出一种无监督模型的刀具磨损监测方法及系统，为实际产线建立稳定可靠的无监督学习刀具状态监测系统，提升同工种刀具状态监测系统的适用性。

本发明是通过以下技术方案实现的：

本发明涉及一种无监督模型的刀具磨损监测方法，基于加工数据实时训练无监督模型监测，利用多传感器融合技术，采集刀具切削过程信号并进行信号处理，分别提取多个传感器信号的特征值，建立多维特征向量矩阵，并利用相关性分析技术进行筛选；再采用同一电力线通信(PLC)信号触发的方式同步采集功率信号和振动信号，并建立实时的有效信号截取算法；最后根据实时加工数据建立一类支持向量机(OneClass SVM)的网络模型，将监测样本转换为训练样本。

所述的采集具体是运用时域、频域和时频域的信号分析方法。

所述的相关性分析指：通过皮尔逊相关性系数指标，将大小位于-1到1之间的系数划分到不同的数值域，根据不同的数值域来度量两个变量之间的相关程度。

所述的网络模型具体是通过分阶段阶梯学习建模，实时生成分类器监测下一阶段的传感器数据，并通过产品质检数据的反馈，不断输入新训练完善监测模型，直到监测到刀具寿命点。

所述的刀具寿命点判断包括质检反馈质量不合格的情况。

本发明涉及无监督模型的刀具磨损监测系统，包括：数据采集与训练模块、测试集检测模块和寿命模块，其中：数据采集与训练模块根据初始采集的数据进行磨损判断训练，根据判断结果将数据输出至寿命模块或者生成新训练集输出回数据采集与训练模块；测试集检测模块对数据进行检测，根据检测结果将数据输入到训练模块或者寿命模块；寿命模块根据检测结果判定刀具达到寿命，模型工作结束。