[发明专利]基于功率和振动信号的模型融合刀具磨损监测方法及系统

权利要求书

1.一种基于功率和振动信号的模型融合刀具磨损监测方法，其特征在于，包括：

S1：信号采集与筛选，对刀具主轴的功率信号和振动信号进行同步采样，同时对机床的PLC进行同步采样以获取所述机床实时的加工信息，利用所述加工信息筛选所述功率信号和所述振动信号，得到待监测刀具进行加工时的所述功率信号和所述振动信号；

S2：信号降噪，对加工段信号的所述功率信号和所述振动信号分别设置阈值，利用所述阈值滤波去除高频区域信号以降噪；

S3：特征计算，计算降噪后的所述功率信号和所述振动信号的特征，获得原始特征数据集；

S4：特征降维，利用随机森林算法计算所述原始特征数据集中所有特征的重要性评分，并将所得评分进行降序排列，确定剔除比例，根据所述剔除比例剔除部分所述特征以得到新特征集；

S5：数据划分，对所述新特征集的数据分成三部分，以分别作为训练集、验证集和测试集；

S6：模型训练，将所述训练集的数据输入Catboost模型和极端随机树模型，调整参数，分别训练得到所述Catboost模型、所述极端随机树模型对应的所述刀具磨量监测模型，采用Stacking集成算法，对所述Catboost模型、所述极端随机树模型对应的所述刀具磨量监测模型进行融合学习；

步骤S6中所述采用Stacking集成算法，对所述Catboost模型、所述极端随机树模型对应的所述刀具磨量监测模型进行融合学习包括如下过程：

S61：将模型划分为训练集和测试集；

S62：针对所述Catboost模型、所述极端随机树模型，分别进行K次训练，每次训练保留1/K的样本作为验证集用于验证；每次训练结束后，分别对所述验证集和所述测试集进行预测，对最终获得的两组各5个预测值分别取平均；

S63：创建第二层模型，以所述Catboost模型、所述极端随机树模型在所述测试集的预测结果均值为输入，将步骤S61的所述测试集为目标进行训练拟合，获得的最终模型作为融合结果；

S7：模型预测，根据融合后的所述刀具磨量监测模型，对所述测试集的特征进行刀具磨损量的预测；

S8：同步更新，将所述刀具磨损量的预测结果进行卡尔曼滤波降噪，获得刀具磨损预测值。

2.根据权利要求1所述的方法，其特征在于，在步骤S2中，采用多层的小波包对所述加工段信号的所述功率信号和所述振动信号进行阈值滤波。

3.根据权利要求1所述的方法，其特征在于，在步骤S3中，按照如下公式对所述功率信号和所述振动信号的特征进行计算：

上述公式中，x_i为所述功率信号和所述振动信号，σ为x_i的标准差，N为x_i个数，f为功率谱频率，S(f)为频率f的幅值。

4.根据权利要求1所述的方法，其特征在于，在步骤S7中，基于模型调试结果展示和对比的刀具磨损量的预测指标，选取未经过模型训练的所述验证集，使用模型进行模型预测，预测所述加工段信号状态下刀具磨损量，并用平均绝对误差、均方根误差和决定系数作为模型评价性能指标，计算公式如下：

平均绝对误差：

均方根误差：

决定系数：

其中，y_i为刀具磨损量实际测量值，为模型的磨损量估计值，为实际值的均值，m为y_i的个数。

5.根据权利要求1所述的方法，其特征在于，步骤7的模型预测阶段，仅计算按照所述随机森林算法筛选出的重要性评分达到设定程度的特征信号。