[发明专利]一种基于多元快速迭代滤波分解法的刀具磨损预测方法

说明书

本发明公开了一种基于多元快速迭代滤波分解法的刀具磨损预测方法，涉及刀具磨损预测领域。包括如下步骤：S1：基于支持向量机模型建立磨损预测模型；S2：通过机床主轴上设置的三向振动传感器采集得到机床铣削过程的原始加工信号；S3：使用多元快速迭代滤波分解法对原始加工信号进行分解，得到若干个多通道固有模态分量；本发明基于间接监测法，在刀具机械铣削过程即可对刀具的磨损情况进行预测，不需要将设备停机重启，减少频繁停机拆装刀具导致铣削精度出现误差，也能够减少对刀具的检测时间，不会对生产效率造成影响；同时能够及时对刀具的磨损情况进行预测，在刀具即将达到最大磨损值前，对刀具进行更换。

技术领域

本发明涉及刀具磨损预测领域，具体涉及一种基于多元快速迭代滤波分解法的刀具磨损预测方法。

背景技术

在实际日常加工中，刀具收到持续的冲击和极高的温度影响，刀具磨损必然会随着加工过程出现，甚至会出现刀具断裂，而刀具磨损会影响机床加工效率和加工精度，因此刀具磨损状态在实际加工中有着至关重要的意义。刀具状态在之前一直依赖工人经验，他们通过观察切屑，听取加工噪声等方法判断刀具状况。这种方法依赖工人经验，误差较大，过早更换刀具会造成资源浪费，过晚更换刀具会降低工件表面精度。

为了解决这一问题，对刀具磨损情况提出了直接检测法和间接检测法。1)直接检测法就是通过仪器直接测量每次走刀后刀具后刀面磨损面积，因此直接检测法是需要停止生产，卸下刀具进行测量，该方法会造成生产效率低下。2)间接检测法是通过检测由刀具磨损而发生变化的物理量，以此来推断刀具的磨损情况，这些间接观测信号通常为声发射信号，主轴功率信号等。在联系观测信号与磨损量时，通常采用物理模型法和人工智能法。物理模型法是建立观测数据与磨损量的模型，将观测数据作为输入，磨损量作为输出。然而，观测数据容易受到噪声影响，输出磨损量误差大。人工智能法建立机器学习算法，拟合出观测物理量和磨损值的模型，在生产过程中将实时测得观测物理量作为输出模型，获得磨损量。但是，该方法需要大量实验数据，因此需要消耗大量材料与刀具，成本较高。并且当刀具或工件材料发生变化时，需要重新建立模型，费时费力。

发明内容

针对现有技术的上述不足，本发明提供了一种简单便捷、低成本，具有快速、特异性好的优点的基于多元快速迭代滤波分解法的刀具磨损预测方法。

为达到上述发明目的，本发明所采用的技术方案为：

提供一种基于多元快速迭代滤波分解法的刀具磨损预测方法，其包括如下步骤：

S1：基于支持向量机模型建立磨损预测模型；

S2：通过机床主轴上设置的三向振动传感器采集得到机床铣削过程的原始加工信号；

S3：使用多元快速迭代滤波分解法对原始加工信号进行分解，得到若干个多通道固有模态分量；

S4：计算每一个多通道固有模态分量的加权系数峭度指标值，对加权系数峭度指标值最大的多通道固有模态分量进行信号重构，得到重构信号；

S5：提取重构信号的时域特征和频域特征，并对重构信号的时域特征和频域特征进行主成分分析得到降维特征向量；

S6：采集得到待预测刀具的磨损面积，将磨损面积和降维特征向量带入磨损预测模型得到刀具磨损预测结果。

进一步的，原始加工信号包括X轴信号、Y轴信号和Z轴信号；多元快速迭代滤波分解法包括如下步骤：

D1：将X轴信号、Y轴信号和Z轴信号整合得到整合信号；

D2：将整合信号带入前置滤波器得到单通道固有模态分量u；

前置滤波器包括如下：