[发明专利]基于小波包分析与RBF神经网络的刀具磨损在线监测方法

摘要

本发明涉及一种基于小波包分析和RBF神经网络的刀具磨损在线监测方法，利用瞬时切削力系数识别法标定不同刀具磨损状态时切向力和径向力的剪切力系数和刃口力系数；通过分析切削力系数与刀具磨损的相关性，将其作为刀具磨损特征参数，经过归一化处理后输入RBF神经网络模型。RBF神经网络监测模型训练过程的输入层为经过归一化处理的切削力特征、切削振动特征，剪切力系数、刃口力系数；输出层为归一化处理后的刀具后刀面磨损量；隐含层为通过径向基函数迭代优化获得的神经元；通过刀具磨损监测实验验证了RBF神经网络监测模型具有响应速度快，识别精度高的优点。

主权项

1.一种基于小波包分析与RBF神经网络的刀具磨损在线监测方法，其特征在于步骤如下：步骤1：在某一工况下，使用恒定的切削参数对材料进行加工，刀具在工件上侧边铣削加工，测量该过程中的切削力信号，同时测量每次加工后刀具的后刀面磨损量，并将归一化处理后的刀面磨损量作为RBF神经网络的输出值；步骤2：（1）利用MATLAB中的小波包函数工具箱将切削力信号在时频域下进行三层分解重构，得到各个频段的小波包系数；将第一个频段的重构小波包系数作为切削力特征，第二个频段的重构小波包系数作为切削振动特征；（2）利用MATLAB设计滤波器对原始切削力信号进行滤波处理；利用瞬时切削力系数识别法标定不同刀具磨损状态时的剪切力系数和刃口力系数作为刀具磨损特征值；步骤3：将步骤2处理的切削力特征、切削振动特征、剪切力系数、刃口力系数进行归一化处理，然后作为RBF神经网络输入端，将步骤1归一化处理后的刀具后刀面磨损量作为网络输出段进行训练，得到训练完成的RBF神经网络监测模型；步骤4：在同一工况下，测量实时加工的过程中的切削力信号；利用步骤2的方法提取切削力特征、切削振动特征、剪切力系数、刃口力系数并进行归一化处理，将归一化处理后的数据输入RBF神经网络监测模型，RBF神经网络监测模型的输出为刀具后刀面磨损量的预测值。