CN103105820B - 一种数控机床切削加工的刀具磨损状态识别方法 - Google Patents

Abstract

本发明公开了一种数控机床切削加工的刀具磨损状态识别方法，具体包括如下步骤：（1）数据采集（2）采集数据区间化，获得区间数据集（3）对采集信号进行小波包分解，获得各频段的能量百分比和相应各频段的上界小波包系数和下界小波包系数；（4）获取多观察序列（5）求取广义隐马尔科夫初始模型λ=（A,B,π）；（6）模型训练获得最优模型库λ＝(λ₁,...,λ_n)；（7）把待识别磨损状态的刀具磨损信号数据作为多观察输入代入上述最优模型库，识别刀具磨损状态。本发明通过广义区间概率来解决数据机床加工中研究刀具磨损状态时，信息处理中出现的不确定性问题，识别准确率显著提高。

Description

一种数控机床切削加工的刀具磨损状态识别方法

技术领域

本发明涉及工程状态识别领域，特别涉及数控机床切削加工时的刀具磨损状态识别方法。

背景技术

在数控机床切削加工过程中，刀具作为金属切削过程的直接执行者，在高温和高压条件下，受工件、切屑的剧烈摩擦，不可避免地存在着刀具磨损现象，最终导致刀具状态的变化。刀具状态的变化直接会导致切削力的增大、切削温度上升、工件表面粗糙度上升、工件尺寸超差、切削颜色变化和切削振动的产生，甚至会影响整个数控加工系统的正常运行，造成不可估量的损失。因此，对刀具状态的及时识别并监测，为保证刀具切削性能、增加刀具使用寿命、提高产品质量、降低成本、提高生产率等提供了有力保证。

在传统的机械加工过程中，加工人员对刀具状态进行识别的方法一般有：依据辨识切屑颜色、加工时的噪声以及加工时间来判断。这种人为主观方法存在的缺点：一方面，当刀具的磨损量没有达到磨钝标准时，就会使刀具没有得到充分利用而造成浪费，增加制造成本，另一方面，当刀具磨损量超过磨钝标准，而没有进行及时换刀，就会对工件的表面加工质量和尺寸精度造成影响。80年代后期，国内外学者对刀具状态监测技术进行了深入的研究，并把刀具磨损状态识别的方法分成两类：直接法和间接法。直接法通过直接测量刀具磨损面的大小或刀具破损时切削刃形状的变化来确定刀具的状态，如光学法、放射线法、电阻法、计算机视觉法等，其优点是精度高，但难以实现在线测量。间接法通过识别与刀具磨损、破损有较强内在联系的一种或几种参量，如：切削力信号、振动信号、声发射信号、电机功率或电流信号、切削温度、工件表面粗糙度等，提取特征相应的特征信息，并建立这些特征信号与加工刀具状态对应关系，利用模式识别方法(如：人工神经网络法、支持向量机、模糊聚类、隐马尔可夫模型及粗糙集等)，进行分类识别。间接法不影响切削加工过程，能完成在线实时识别并监测。

如Vallejo Jr.在《TOOL-wear monitoring based on continuous hiddenMarkov models》(Proceedings of CIARP.2005)一文中提出了一种基于连续隐马尔科夫模型的刀具磨损状态监测方法，处理步骤为：首先通过加速度计算获取刀具的振动信号，然后由离散傅里叶变换等特征提取方法获取输入的观察序列，最后经过连续隐马尔科夫模型的模式识别方法完成刀具状态识别与监测，但其识别的准确率只有84.19％。这是因为数控机床切削加工的研究存在许多待处理问题，如切削加工过程的复杂性、随机性和偶然性、测量的不精确性以及人类先验知识匮乏而导致识别刀具磨损状态的信息处理不确定性问题，而在以往的“间接法”处理不确定问题中通常只考虑了观测的随机性，忽略了观测信息的不完整性和先验知识的匮乏性，使刀具磨损状态的识别不精确。

专利文献201110200365.5公开了一种多域信息融合方法，并具体给出了数控机床的广义隐马尔科夫模型，但它主要是提出一种新的信息处理模型方法，没有涉及刀具磨损状态识别运用。

发明内容

本发明的目的是针对现有切削加工过程中不确定性问题的存在使得刀具磨损状态识别准确率不高的问题，提供一种能较好的处理数控机床切削加工不确定性问题，并对刀具磨损状态进行识别的方法，提高刀具磨损状态识别的准确率。

实现本发明的目的所采用的具体技术方案如下：

一种数控机床切削加工的刀具磨损状态识别方法，具体包括如下步骤：

(1)数据采集

通过测量工具获取数控机床切削加工中刀具磨损状态下的测量数据，形成刀具磨损信号数据集X＝{x₁，x₂，...，x_k}，其中k＝1，2，...，m，m为测量数据的个数；

测量数据包括可以为刀具的切削力、加速度、声发射、扭矩、电流和功率等数据中的一种或多种，其中的测量工具可以为测力仪、加速度传感器、声发射传感器、扭矩传感器、电流传感器和功率传感器等。

(2)采集数据区间化

考虑加工及测量过程中的不确定性，通过误差理论把采集的数据集中的每个元素转换成区间形式以增加采集数据的可靠性，则数据集 $X^{\′}=\left\{\right[{\underset{\‾}{x}}_1,{\stackrel{\‾}{x}}_1],[{\underset{\‾}{x}}_2,{\stackrel{\‾}{x}}_2],K,[{\underset{\‾}{x}}_k,{\stackrel{\‾}{x}}_k\left]\right\}.$

(3)小波包分解

对采集信号进行小波包分解，包含两个部分：

对步骤(1)中的数据集X＝{x₁，x₂，...，x_k}进行小波包分解，获得各频段的能量百分比；

对步骤(2)中区间化了的数据集X′进行小波包分解，即分别对X′的上下界分别进行小波包分解，得到相应各频段的上界小波包系数和下界小波包系数。

(4)特征提取

(4.1)步骤(3)中对采集信号X进行小波包分解后得到相应的各频段能量百分比，按照误差理论把所述各频段的能量百分比进行区间化，然后把区间化了的各频段的能量百分比的上下界分别进行量化、编码，得到编码后的能量百分比的上界序列O ₁和下界序列

(4.2)对步骤(3)中区间化了的数据集X′的上下界分别进行小波包分解后得到的相应各频段的上界小波包系数和下界小波包系数，求得各频段的上界小波包系数的RMS(均方根值)和下界小波包系数的RMS，从而得到上界RMS序列O ₂和下界RMS序列

(4.3)组合步骤(4.1)和(4.2)步骤中序列为

(5)模型训练

把步骤(4.3)中的多观察序列作为输入，代入数控机床的广义隐马尔科夫初始模型中，通过广义Baum-Welch算法，逐步训练改进初始模型参数，直至多观察序列在模型中的区间概率p(O|λ)的上、下界都收敛为止，即可得到各个刀具磨损状态相应的最优广义隐马尔科夫模型并构成最优模型库其中，i为最优广义隐马尔科夫模型序号，i＝1，2，...，n，n为刀具磨损状态数；

求取广义隐马尔科夫初始模型中的状态转移概率矩阵A、观测概率矩阵B以初始状态概率矩阵π，然后，将上述各矩阵中的概率用广义区间概率取代，即可获得数控机床的广义隐马尔科夫初始模型λ＝(A，B，π)。

(6)刀具磨损状态识别

把待识别磨损状态的刀具磨损信号数据，经过步骤(1)～(4)的处理，得到多观察序列将其划分为上界观测序列O′＝[O′₁，O′₂]和下界观测序列分别作为多观察输入，代入最优模型库中，分别计算得到区间概率和进一步得到区间概率的对数似然值其中 $p\left(O^{\′}\right|{\widetilde{\mathrm{\λ}}}_i):=p\left({\underset{\‾}{O}}^{\′}\right|{\widetilde{\mathrm{\λ}}}_i)\×p\left({\stackrel{\‾}{O}}^{\′}\right|{\widetilde{\mathrm{\λ}}}_i),$ 由区间比较法求出最大的此时，i对应的状态即为待识别样本的刀具磨损状态。

通过小波包分解区间特征特征提取，由广义隐马尔科夫模型完成刀具磨损状态的识别，从而对刀具在加工过程中状态实时监测，并进行相应处理，这为保证刀具切削性能、增加刀具使用寿命、提高生产率、降低成本等提供了有力保证。

本发明与现有的技术相比，提出了通过广义区间概率来解决数据机床加工中研究刀具磨损状态时，信息处理中出现的不确定性问题，识别准确率显著提高，具体来说具有以下优势：

1)把广义区间概率的数学理论引入工程应用中，广义区间概率方法既考虑了不确定性事件中的随机性，又考虑了观测信息的不完整性和人类先验知识的匮乏性等不确定性问题；

2)广义区间融入小波包分解的特征提取方法，提供了一种有效研究数控机床信息处理不确定性问题的技术，通过区间形式巧妙的解决了在观测数据不足、先验知识缺乏及参数分布未知等情况下不确定性问题；

3)把观测序列定义为上下界序列分别输入的广义隐马尔科夫模型识别方法，其输出结果是一个区间，具有更好的鲁棒性，为工程抉择提供了更多的信息和依据，能更加准确的识别刀具磨损状态。

附图说明

图1是本发明实施例数控机床切削加工的刀具磨损状态识别方法的流程框图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明。

参见附图1，本发明的刀具磨损状态识别方法包括如下步骤：

(1)数据采集

刀具磨损和切削力密切相关，本实施例选用的测量工具为测力仪，通过测力仪获取数控机床切削加工的各种磨损状态下的测量数据，作为刀具磨损力信号数据集X＝{x₁，x₂，...，x_k}，其中k＝1，2，...，m，m为测量数据的个数，x₁，x₂，...，x_k指测量数据的多次测量值，即采样值。

刀具磨损状态一般为四种，即正常、轻度磨损、重度磨损及破损。测量数据可以为刀具的切削力、加速度、声发射、扭矩、电流和功率中的一种，也可以为其中的几种。

(2)采集数据区间化

考虑加工及测力仪测量等过程中的不确定性，选取采集数据值的±5％，也可以采用其他比例值。

把采集的数据集中的每个元素转换成区间形式其中x _k＝x_k×95％，则数据集 $X^{\′}=\left\{\right[{\underset{\‾}{x}}_1,{\stackrel{\‾}{x}}_1],[{\underset{\‾}{x}}_2,{\stackrel{\‾}{x}}_2],K,[{\underset{\‾}{x}}_k,{\stackrel{\‾}{x}}_k\left]\right\}.$

(3)小波包分解

对采集信号进行小波包分解，包含两个部分：对步骤(1)中的数据集X＝{x₁，x₂，K，x_k}进行小波包分解；对步骤(2)中区间化了的数据集X′进行小波包分解，即分别对X′的上下界分别进行小波包分解。

(4)特征提取

(4.1)步骤(3)中对采集信号X进行小波包分解后得到相应的各频段能量百分比，按照各频段能量百分比数值的±5％进行区间化，然后把区间化了的各频段的能量百分比的上下界分别进行量化、编码，得到编码后的能量百分比的上界序列O ₁和下界序列

(4.2)将步骤(3)中区间化了的数据集X′的上下界分别进行小波包分解后，得到相应各频段的上界小波包系数和下界小波包系数，求得各频段的上界小波包系数的RMS(均方根值)和下界小波包系数的RMS，从而得到上界RMS序列O ₂和下界RMS序列

(4.3)组合步骤(4.1)和步骤(4.2)中序列做为观察序列，作为后续广义隐马尔科夫模型的输入。

(5)模型训练

把步骤(4.3)中的多观察序列作为输入，代入数控机床的广义隐马尔科夫初始模型中，通过广义Baum-Welch算法，逐步训练改进初始模型参数，直至多观察序列在模型中的区间概率p(O|λ)的上、下界都收敛为止，即可得到各个刀具磨损状态相应的最优广义隐马尔科夫模型并构成最优模型库其中，i为最优广义隐马尔科夫模型序号，i＝1，2，...，n，n为刀具磨损状态数，本实施例中优选n＝4；

所述的广义Baum-Welch算法为古典Baum-Welch算法的推广，其内容是把古典Baum-Welch中的概率形式变更为广义区间概率形式。

广义隐马尔科夫初始模型是古典隐马尔科夫模型的推广，其内容是把古典隐马尔科夫模型中的概率形式变更为广义区间概率形式；广义区间概率中的上、下界值数值，不受上界值大于下界值限制，上界值小于或者等于下界值都是许可的，其算法基础是广义区间中的Kaucher算法；广义区间概率满足逻辑一致性约束，区间概率的上界值相加与下界值相加结果都为1，与经典精确概率保持逻辑一致。

依据刀具磨损划分的四个状态：正常、轻度磨损、重度磨损及破损，根据现有技术中所公开的方法即可求取广义隐马尔科夫初始模型中的状态转移概率矩阵A、观测概率矩阵B以初始状态概率矩阵π，从而获得广义隐马尔科夫初始模型λ＝(A，B，π)；

(6)刀具磨损状态识别

把待识别磨损状态的刀具磨损信号数据，经过步骤(1)～(4)处理，得到多观察序列将其划分为上界观测序列O′＝[O′₁，O′₂]和下界观测序列分别作为多观察输入，代入最优模型库中，分别计算得到区间概率和进一步得到区间概率的对数似然值其中最后由区间比较法求出最大的此时，i对应的状态即为待识别样本的刀具磨损状态。

上述实施例仅是本发明的方法在数控机床切削加工状态识别的一个优选方案，本发明的方法不局限于与用于机床加工刀具磨损状态识别，其它数控机床加工领域如数控加工状态、轴承状态及齿轮磨损状态的识别都可适用等。

Claims (3)

1.一种数控机床切削加工的刀具磨损状态识别方法，具体包括如下步骤： 

(1)数据采集 

测量获取数控机床切削加工中刀具在各种磨损状态下的测量数据，形成刀具磨损信号数据集X＝{x₁,x₂,…,x_k}，其中k＝1,2,…,m，m为测量数据的个数； 

(2)采集数据区间化 

将所述数据集X中的每个元素转换成区间形式，即则数据集X转换为区间数据集

(3)对采集信号进行小波包分解，具体为： 

对所述数据集X＝{x₁,x₂,…,x_k}进行小波包分解，获得各频段的能量百分比； 

对区间数据集X'进行小波包分解，即分别对X'各元素的上下界分别进行小波包分解，得到相应各频段的上界小波包系数和下界小波包系数； 

(4)获取多观察序列 

(4.1)对数据集X进行小波包分解后得到各频段能量百分比进行区间化，然后将区间化了的各频段的能量百分比的上下界分别进行量化和编码，得到编码后的能量百分比的上界序列O ₁和下界序列

(4.2)对各频段的上界小波包系数和下界小波包系数，求得相应的上界小波包系数的均方根值和下界小波包系数的均方根值，从而得到上界的均方根值序列O ₂和下界的均方根值序列

(4.3)组合步骤(4.1)和(4.2)的序列，得到多观察序列 

(5)模型训练 

将所述多观察序列作为输入，代入数控机床的广义隐马尔科夫初始模型中，逐步训练改进初始模型参数，直至多观察序列在模型中的区间概率p(O|λ)的上、下界都收敛为止，即可得到刀具在各个磨损状态相应的最优广义隐马尔科夫模型λ_i＝(A_i,B_i,π_i)，并构成最优模型库λ＝(λ₁,,λ_n)，其中，i为最优广义隐马尔科夫模型序号，代表刀具磨损状态类型，且i＝1,2,…,n，n为刀具磨损状态数； 

(6)刀具磨损状态识别 

把待识别磨损状态的刀具的磨损信号数据，经过步骤(2)～(4)的处理，得到多观察序列将其划分为上界观测序列 O'＝[O'₁,O'₂]和下界观测序列分别作为多观察输入，代入所述最优模型库λ＝(λ₁,…,λ_n)中，分别计算得到区间概率和 进一步得到区间概率的对数似然值其中 由区间比较法求出最大的此时，i对应的状态即为待识别样本的刀具磨损状态。 

2.根据权利要求1所述的数控机床切削加工的刀具磨损状态识别方法，其特征在于，所述刀具磨损状态包括正常、轻度磨损、重度磨损及破损四种类型，所述刀具磨损状态数n＝4。 

3.根据权利要求1或2所述的数控机床切削加工的刀具磨损状态识 别方法，其特征在于，测量数据可以为刀具的切削力、加速度、声发射、扭矩、电流和功率中的一种或多种。