CN103465107B - 一种刀具磨损监测方法 - Google Patents
一种刀具磨损监测方法 Download PDFInfo
- Publication number
- CN103465107B CN103465107B CN201310442967.0A CN201310442967A CN103465107B CN 103465107 B CN103465107 B CN 103465107B CN 201310442967 A CN201310442967 A CN 201310442967A CN 103465107 B CN103465107 B CN 103465107B
- Authority
- CN
- China
- Prior art keywords
- neutral net
- attribute
- decision table
- decision
- cutting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本发明为实时在线刀具磨损监测方法。首先在不同的切削参数下,分别采集各种不同磨损状态的声发射信号、机床中主轴电机与进给电机的电流信号、切削速度、切削深度和进给量作为条件属性,建立决策表;采用自组织映射神经网络对决策表中连续属性值进行离散化处理;采用Johnson算法约简属性个数;通过遗传算法对BP神经网络的初始权值和阈值进行优化,约简后的属性值作为BP神经网络的输入神经元对经过优化后的BP神经网络进行训练和学习;用训练好的BP神经网络对刀具磨损程度进行预测。该方法不仅简化了神经网络的结构,使神经网络具有很快的收敛性以及较强的学习能力,而且提高了刀具磨损检测的识别率。
Description
技术领域
本发明涉及刀具磨损检测领域,尤其是一种用于航空领域难加工器件精密加工中的刀具磨损的实时在线刀具磨损监测方法。
背景技术
随着加工系统的自动化和智能化水平的提高,为了避免机床、刀具和工件的损坏,提高加工工件的质量和尺寸精度,传统的单因素传感器已经难以满足高精度刀具状态检测系统的要求。多传感器融合的刀具状态检测系统的研究受到了人们的普遍关注。采用多传感器技术可以克服单一传感器只能提供局部的信息技术条件限制,获得全面的状态信息,从而更全面反映被检测系统的状态变化,提高检测系统抗干扰能力。
多传感器融合的刀具状态检测在国外学者虽然受到的重视,但大多侧重在磨钝与锋利、破损与未破损两分类模式识别问题上,而刀具磨损量的估计对制造过程智能化有更重要的作用。
国内专家和学者虽然也对多传感器融合技术进行了研究,但是多为理论技术研究,而且都是以切削力信号为主要检测信号。切削力是刀具状态最直接的反映,切削力信号直接真实、抗干扰能力较强,灵敏度高、可以感知切削力的微小变化。刀具的磨损状态与切削力的变化存在很好的对应关系,但是切削加工条件的变化也会引起切削力的变化,传感器测量切削力的变化很难区分是加工条件改变引起的还是由于刀具磨损引起的,并且其传感器的安装需要对机床做些改动,适用性较差。
发明内容
针对现有技术中存在的上述不足之处,本发明要解决的技术问题在于提供一种刀具磨损监测方法,准备地实现对机床中刀具磨损监测。
本发明采用如下的技术方案:
一种刀具磨损监测方法,包括如下的步骤:
1)在不同的切削参数下,分别采集各种不同磨损状态的声发射信号、机床中主轴电机与进给电机的电流信号、切削速度、切削深度和进给量;
2)将声发射信号提取的频域的幅值均方根和功率最大值、声发射信号db8小波包三层分解的8个频带能量、电流信号采用db8小波包三层分解的8个频带能量、切削速度、切削深度和进给量,构建成条件属性C,条件属性中的条件值标为Ci;将刀具后刀面磨损量作为决策属性D;建立决策表A;
3)采用自组织映射神经网络对决策表A中连续属性值进行离散化处理,聚类数选择为4;采用Johnson算法约简属性个数将决策表A约简为决策表B;
4)通过遗传算法对BP神经网络的初始权值和阈值进行优化,将步骤3)中约简后的属性值作为BP神经网络的输入神经元对经过优化后的BP神经网络进行训练和学习;
5)用训练好的BP神经网络对刀具磨损程度进行预测。
进一步地,所述声发射信号的频率采集范围为20KHz-1MHz。
进一步地,步骤3)中Johnson算法约简属性个数的步骤为:
依次对决策表A的条件属性的某个条件值Ci判断ind{C/{Ci}}(D)是否等于indC(D);如果等于,将条件属性中的某个条件值Ci删除,并返回至决策表A中进行下一项的判断,直到所有的ind{C/{Ci}}(D)与indC(D)不相等,保留条件属性中的条件值Ci到空的决策表B,将决策属性D及所在的信息存入决策表B的最后一列,并将重复的行合并,决策表B即为最小约简属性。
进一步地,遗传算法的参数设置为:种群规模为30,进化次数为100,选择概率为0.1,交叉概率为0.5,变异概率为0.01。
进一步地,BP神经网络选择3层;输入层神经元为4个节点,输出层神经元为3,逐次改变隐含层节点数,对BP神经网络进行训练,选择输出误差最小时对应的隐含层节点数。
本发明具有如下的优点和有益效果:
本发明提出了基于粗糙集和遗传算法优化神经网络的刀具磨损状态诊断方法。该方法首先通过粗糙集的数据分析方法,约简样本的属性个数,提取其中关键属性作为BP神经网络的输入;接着通过遗传算法优化BP网络参数的初始权值和阈值,避免了网络收敛速度慢及落入局部极值点的缺点;最后再对神经网络进行训练。将该方法用于刀具磨损监测,实验结果表明,该方法不仅简化了神经网络的结构,使神经网络具有很快的收敛性以及较强的学习能力,而且提高了刀具磨损检测的识别率。
附图说明
图1为本发明Johnson算法约简属性的流程图;
图2为本发明遗传算法优化BP神经网络的流程图。
具体实施方式
下面结合附图及实施例对本发明方法进行详细地介绍:
一种刀具磨损监测方法,包括如下的步骤:
1)在不同的切削参数下,分别采集各种不同磨损状态的声发射信号、机床中主轴电机与进给电机的电流信号、切削速度、切削深度和进给量;
2)对声发射信号提取频域的幅值均方根和功率最大值、对声发射信号采用db8小波包三层分解出8个频带能量,对电流信号采用db8小波包三层分解的8个频带能量,将声发射信号提取频域的幅值均方根和功率最大值、声发射信号的8个频带能量、电流信号分解的8个频带能量、切削速度、切削深度和进给量作为条件属性中的属性值Ci。将刀具后刀面磨损量作为决策属性D:决策属性D包括:正常切削、中期磨损和严重磨损;将上述的条件属性和决策属性建立决策表A;
3)自组织映射神经网络对决策表A中的连续属性值进行离散化处理,聚类数设置为4。采用Johnson算法约简属性个数为决策表B:
依次对决策表A的条件属性Ci判断ind{C/{Ci}}(D)是否等于indC(D);如果等于,将条件属性Ci删除,并返回至决策表A中进行下一项的判断,直到所有的ind{C/{Ci}}(D)是否等于indC(D)不相等,保留条件属性Ci到空的决策表B,将决策属性D及所在的信息存入决策表B的最后一列,并将重复的行合并,决策表B即为最小约简属性。
4)通过遗传算法对BP神经网络的初始权值和阈值进行优化;
步骤为:
(1)、权值初始化;
(2)、输入一个训练样本;
(3)、计算隐含层输出;
(4)、计算输出层输出;
(5)、计算输出层误差信号;
(6)、GA寻优权值和阈值;
(7)、完成一个循环;
(8)、判断循环是否完成,否,返回步骤(2);是,进入下一步(9);
(9)、更新学习次数;
(10)、计算终止目标是否完成,是,进入下一步(11);否,返回步骤(3);
(11)、学习目标完成;
(12)、训练结束。
遗传算法的参数设置为:种群规模为30,进化次数为100,选择概率为0.1,交叉概率为0.5,变异概率为0.01。
将步骤3)中约简后的属性值作为BP神经网络的输入神经元对经过优化后的BP神经网络进行训练和学习;
5)用训练好的BP神经网络对刀具磨损程度进行预测。
实施例
在CA6140的普通车床上使用YBC硬质合金刀片车削高温合金GH4169。
采用型号为HZIB-C11-100P2O5的电流传感器,监测切削刀具的状态。采集设备为研华生产的PCI-1712数据采集卡,采样频率为1M赫兹。任选8种不同的切削参数,分别采集3种不同磨损状态的声发射信号和电流信号,总共得到40组信号。对声发射信号提取频域的幅值均方根和功率最大值,以及db8小波包三层分解的8个频带能量作为特征值;对电流信号进行db8小波包三层分解的8个频带能量作为特征值,再加上切削速度,切削深度和进给量组成了21维向量,作为反映刀具磨损状态的特征向量。
根据刀具材料、类型、被加工材料以及加工精度等要求,将刀具磨损状态分为3类:当后刀面磨损量VB小于0.2mm时为正常切削、VB值在0.2-0.30mm之间为中期磨损、VB值大于0.30mm为严重磨损。
表1为训练样本,表2为测试样本。C1-C21分别为特征向量,作为条件属性。D为决策属性(状态1为初期磨损,2为中期磨损,3为严重磨损。)由于此表1和表2均为说明是如何进行离散化和约简的,C9~C20的数据省略不影响本领域技术人员对本发明方法的理解,故在此为省略状态。
表1训练样本
U | C1 | C2 | C3 | C4 | C5 | C6 | C7 | C8 | C9 | ... | C21 | D |
1 | 140 | 0.4 | 0.3 | 1247.5 | 1007.8 | 283.25 | 1353.8 | 283.25 | 800.69 | ... | 0.0907 | 1 |
2 | 140 | 0.4 | 0.3 | 4015.3 | 3264.5 | 181.27 | 800.62 | 181.27 | 1069.3 | ... | 0.0762 | 23 --> |
3 | 140 | 0.4 | 0.3 | 5459.6 | 6641.6 | 174.08 | 683.06 | 174.08 | 974.9 | ... | 0.1069 | 3 |
4 | 140 | 0.6 | 0.51 | 1750.5 | 364.2 | 140.77 | 184.74 | 140.77 | 323.42 | ... | 0.1352 | 1 |
5 | 140 | 0.6 | 0.51 | 2027.7 | 668.1 | 161.1 | 1179 | 161.1 | 297.52 | ... | 0.0957 | 2 |
6 | 140 | 0.6 | 0.51 | 3092.8 | 1732.8 | 172.39 | 965.77 | 172.39 | 208.59 | ... | 0.0981 | 3 |
7 | 220 | 0.4 | 0.15 | 4869.8 | 351.5 | 169.27 | 2852.2 | 169.27 | 570.37 | ... | 0.1397 | 1 |
8 | 220 | 0.4 | 0.15 | 5566.9 | 1556.2 | 179.96 | 3768.1 | 179.96 | 701.5 | ... | 0.107 | 2 |
9 | 220 | 0.4 | 0.15 | 4760.1 | 1432.8 | 192.46 | 3347.1 | 192.46 | 595.4 | ... | 0.1069 | 3 |
10 | 220 | 0.2 | 0.51 | 2772.8 | 463.4 | 87.808 | 1583.7 | 87.808 | 311.43 | ... | 0.1326 | 1 |
11 | 220 | 0.2 | 0.51 | 6070.8 | 3202.6 | 197 | 3232.8 | 197 | 118.13 | ... | 0.1225 | 2 |
12 | 220 | 0.2 | 0.51 | 5758.7 | 3631.5 | 41.63 | 1172.2 | 41.63 | 182.19 | ... | 0.0944 | 3 |
13 | 220 | 0.6 | 0.15 | 2961.5 | 319.4 | 125.02 | 1516.9 | 125.02 | 101.7 | ... | 0.1373 | 1 |
14 | 220 | 0.6 | 0.15 | 6642.1 | 2770.4 | 139.86 | 1626.45 | 139.86 | 250.46 | ... | 0.1372 | 2 |
15 | 220 | 0.6 | 0.15 | 6008.2 | 1905.8 | 174.21 | 1936.6 | 174.21 | 279.03 | ... | 0.0981 | 3 |
16 | 280 | 0.2 | 0.3 | 2015.1 | 349.7 | 55.28 | 1400 | 55.28 | 256.02 | ... | 0.1369 | 1 |
17 | 280 | 0.2 | 0.3 | 6430.8 | 4058.5 | 132.24 | 2687.6 | 132.24 | 584.33 | ... | 0.1009 | 2 |
18 | 280 | 0.2 | 0.3 | 6068.2 | 1748.8 | 29.62 | 1090 | 29.62 | 140.98 | ... | 0.4872 | 3 |
19 | 280 | 0.4 | 0.51 | 1480.3 | 365.3 | 201.81 | 6126.9 | 201.81 | 1101 | ... | 0.1124 | 1 |
20 | 280 | 0.4 | 0.51 | 6181.2 | 2987.6 | 234.8 | 4405.5 | 234.8 | 883.92 | ... | 0.1006 | 2 |
21 | 280 | 0.4 | 0.51 | 5764.3 | 2056.8 | 132.54 | 256.98 | 124.36 | 565.99 | ... | 0.3108 | 3 |
22 | 280 | 0.6 | 0.51 | 1396.5 | 586.3 | 115.9 | 309 | 15.908 | 45.244 | ... | 0.1376 | 1 |
23 | 280 | 0.6 | 0.51 | 5891.2 | 2166.8 | 70.599 | 368.68 | 70.599 | 66.708 | ... | 0.1199 | 2 |
24 | 280 | 0.6 | 0.51 | 4998.8 | 1905.8 | 16.364 | 353.38 | 16.364 | 64.507 | ... | 1.1373 | 3 |
表2测试样本
U | C1 | C2 | C3 | C4 | C5 | C6 | C7 | C8 | C9 | ... | C21 | D |
25 | 280 | 0.6 | 0.51 | 1479.2 | 557.8 | 105.89 | 299.7 | 28.89 | 42.65 | ... | 0.1376 | 1 |
26 | 280 | 0.6 | 0.51 | 5649.8 | 2172.1 | 101.277 | 321.2 | 81.277 | 76.68 | ... | 0.1367 | 2 |
27 | 280 | 0.6 | 0.51 | 4758.1 | 1847.8 | 20.488 | 402.4 | 20.488 | 62.18 | ... | 0.1041 | 3 |
28 | 220 | 0.6 | 0.15 | 2770.5 | 302.5 | 147.77 | 1589.81 | 147.77 | 127 | ... | 0.104 | 1 |
29 | 220 | 0.6 | 0.15 | 5524.2 | 2646.3 | 130.009 | 1663.5 | 110.01 | 249.02 | ... | 0.0872 | 2 |
30 | 220 | 0.6 | 0.15 | 6134.6 | 1803.8 | 153.246 | 1798.1 | 156.32 | 260.25 | ... | 0.0969 | 3 |
31 | 140 | 0.4 | 0.3 | 1351.2 | 1108.3 | 221.12 | 1279.73 | 221.12 | 832.3 | ... | 0.1077 | 1 |
32 | 140 | 0.6 | 0.51 | 2145.5 | 683.5 | 147.65 | 1206 | 147.65 | 287.08 | ... | 0.1122 | 2 |
33 | 220 | 0.2 | 0.51 | 4375.5 | 3982.4 | 69.61 | 1403.6 | 69.61 | 155.69 | ... | 0.084 | 3 |
34 | 220 | 0.6 | 0.15 | 6644.5 | 2626.1 | 130.52 | 1637.02 | 120.52 | 277.75 | ... | 0.1041 | 2 |
35 | 220 | 0.4 | 0.15 | 4848.6 | 768.3 | 236.92 | 3528.3 | 236.92 | 645.34 | ... | 0.0908 | 1 |
36 | 220 | 0.6 | 0.15 | 3038.5 | 332.4 | 115.331 | 1679.5 | 115.33 | 121.7 | ... | 0.1023 | 1 |
37 | 280 | 0.6 | 0.51 | 5518.7 | 2373.7 | 95.06 | 350.12 | 75.061 | 56.014 | ... | 0.1482 | 2 |
38 | 280 | 0.6 | 0.51 | 5714.8 | 2281.5 | 86.28 | 373.3 | 86.28 | 67.75 | ... | 0.1691 | 2 |
39 | 280 | 0.2 | 0.3 | 6139.9 | 1642.5 | 37.944 | 1014.5 | 37.944 | 167.13 | ... | 0.4968 | 3 |
40 | 280 | 0.4 | 0.51 | 5887.5 | 2058.5 | 123.49 | 219.3 | 113.49 | 573.99 | ... | 0.1625 | 3 |
采用自组织映射(SOM)神经网络对连续属性值进行离散化处理,聚类数设置为4,即将各数据按照数据相近特性利用自组织映射(SOM)神经网络分布在4个区间内,这4个区间的原数据值分别用1、2、3、4代替。首先使用表1中的数据对自组织映射(SOM)神经网络进行训练,保存训练网络的参数和训练数据的离散化结果,然后用训练好的网络对测试数据进行离散化处理。训练数据和测试数据的离散化结果如表3,表4所示。
表3训练数据量化决策表
U | C1 | C2 | C3 | C4 | C5 | C6 | C7 | C8 | C9 | C10 | C11 | C12 | C13 | C14 | C15 | C16 | C17 | C18 | C19 | C20 | C21 | D |
1 | 4 | 2 | 2 | 4 | 1 | 4 | 3 | 4 | 4 | 1 | 4 | 4 | 4 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
2 | 4 | 1 | 1 | 4 | 4 | 4 | 3 | 4 | 2 | 2 | 2 | 2 | 2 | 3 | 3 | 3 | 3 | 3 | 3 | 3 | 3 | 24 --> |
3 | 4 | 1 | 1 | 2 | 2 | 4 | 3 | 4 | 2 | 4 | 3 | 2 | 1 | 3 | 1 | 3 | 3 | 3 | 3 | 3 | 3 | 3 |
4 | 4 | 2 | 2 | 3 | 3 | 1 | 3 | 4 | 1 | 1 | 1 | 2 | 2 | 1 | 1 | 4 | 3 | 1 | 3 | 3 | 1 | 1 |
5 | 4 | 2 | 2 | 3 | 3 | 4 | 1 | 4 | 1 | 4 | 3 | 4 | 4 | 3 | 3 | 3 | 3 | 1 | 3 | 3 | 3 | 2 |
6 | 4 | 2 | 2 | 1 | 1 | 4 | 1 | 4 | 1 | 4 | 4 | 4 | 4 | 3 | 3 | 3 | 3 | 1 | 3 | 3 | 3 | 3 |
7 | 3 | 1 | 3 | 4 | 3 | 4 | 4 | 4 | 4 | 3 | 4 | 1 | 1 | 1 | 4 | 4 | 4 | 3 | 3 | 3 | 1 | 1 |
8 | 3 | 1 | 3 | 2 | 1 | 4 | 4 | 4 | 4 | 3 | 4 | 1 | 1 | 3 | 3 | 3 | 3 | 1 | 3 | 3 | 3 | 2 |
9 | 3 | 1 | 3 | 4 | 1 | 4 | 4 | 4 | 4 | 3 | 4 | 1 | 1 | 3 | 1 | 3 | 3 | 3 | 3 | 3 | 3 | 3 |
10 | 3 | 3 | 2 | 1 | 3 | 1 | 1 | 1 | 1 | 3 | 4 | 4 | 4 | 1 | 4 | 4 | 3 | 3 | 3 | 3 | 1 | 1 |
11 | 3 | 3 | 2 | 2 | 4 | 4 | 4 | 4 | 3 | 1 | 2 | 2 | 2 | 3 | 3 | 3 | 4 | 1 | 3 | 3 | 3 | 2 |
12 | 3 | 3 | 2 | 2 | 4 | 3 | 1 | 3 | 1 | 4 | 3 | 3 | 3 | 3 | 3 | 3 | 3 | 1 | 3 | 3 | 3 | 3 |
13 | 3 | 2 | 3 | 1 | 3 | 1 | 1 | 1 | 3 | 1 | 1 | 3 | 3 | 1 | 1 | 4 | 4 | 3 | 3 | 3 | 1 | 1 |
14 | 3 | 2 | 3 | 2 | 4 | 1 | 1 | 4 | 1 | 1 | 1 | 3 | 2 | 1 | 1 | 4 | 4 | 1 | 3 | 3 | 1 | 2 |
15 | 1 | 2 | 3 | 2 | 1 | 4 | 1 | 4 | 1 | 1 | 2 | 4 | 3 | 3 | 3 | 3 | 3 | 1 | 3 | 3 | 3 | 3 |
16 | 1 | 3 | 1 | 3 | 3 | 3 | 1 | 3 | 1 | 3 | 3 | 3 | 3 | 1 | 4 | 4 | 4 | 1 | 3 | 3 | 1 | 1 |
17 | 1 | 3 | 1 | 2 | 4 | 1 | 4 | 1 | 4 | 3 | 4 | 1 | 4 | 3 | 3 | 3 | 3 | 1 | 3 | 3 | 3 | 2 |
18 | 1 | 3 | 1 | 2 | 1 | 3 | 1 | 3 | 3 | 3 | 3 | 3 | 3 | 2 | 2 | 2 | 1 | 2 | 4 | 2 | 4 | 3 |
19 | 1 | 1 | 2 | 3 | 3 | 4 | 2 | 4 | 2 | 3 | 4 | 1 | 1 | 3 | 3 | 3 | 3 | 1 | 3 | 3 | 3 | 1 |
20 | 1 | 1 | 2 | 2 | 4 | 2 | 4 | 2 | 2 | 3 | 4 | 1 | 1 | 3 | 3 | 3 | 3 | 3 | 3 | 3 | 3 | 2 |
21 | 1 | 1 | 2 | 2 | 1 | 1 | 3 | 1 | 4 | 3 | 1 | 4 | 1 | 1 | 2 | 4 | 1 | 4 | 1 | 2 | 1 | 3 |
22 | 1 | 2 | 2 | 3 | 3 | 1 | 3 | 3 | 3 | 3 | 3 | 3 | 3 | 1 | 4 | 4 | 4 | 3 | 3 | 3 | 1 | 1 |
23 | 1 | 2 | 2 | 2 | 1 | 3 | 3 | 3 | 3 | 3 | 3 | 3 | 3 | 3 | 1 | 3 | 3 | 1 | 3 | 3 | 3 | 2 |
24 | 1 | 2 | 2 | 4 | 1 | 3 | 3 | 3 | 3 | 3 | 3 | 3 | 3 | 4 | 2 | 1 | 1 | 2 | 4 | 2 | 2 | 3 |
表4测试数据量化决策表
U | C1 | C2 | C3 | C4 | C5 | C6 | C7 | C8 | C9 | C10 | C11 | C12 | C13 | C14 | C15 | C16 | C17 | C18 | C19 | C20 | C21 | D |
25 | 1 | 2 | 2 | 3 | 3 | 1 | 3 | 3 | 3 | 3 | 3 | 3 | 3 | 1 | 4 | 4 | 4 | 3 | 3 | 3 | 1 | 1 |
26 | 1 | 2 | 2 | 2 | 1 | 1 | 3 | 1 | 3 | 3 | 3 | 3 | 3 | 1 | 4 | 4 | 4 | 1 | 3 | 3 | 1 | 2 |
27 | 1 | 2 | 2 | 4 | 1 | 3 | 3 | 3 | 3 | 3 | 3 | 3 | 3 | 3 | 1 | 3 | 3 | 1 | 3 | 3 | 3 | 3 |
28 | 3 | 2 | 3 | 1 | 3 | 4 | 1 | 4 | 3 | 1 | 1 | 3 | 3 | 3 | 3 | 3 | 3 | 1 | 3 | 3 | 3 | 1 |
29 | 3 | 2 | 3 | 2 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 3 | 2 | 3 | 3 | 3 | 3 | 1 | 3 | 3 | 3 | 2 |
30 | 3 | 2 | 3 | 2 | 1 | 4 | 1 | 4 | 1 | 1 | 2 | 4 | 3 | 3 | 3 | 3 | 3 | 1 | 3 | 3 | 3 | 3 |
31 | 4 | 1 | 1 | 3 | 3 | 2 | 1 | 2 | 2 | 3 | 2 | 2 | 2 | 3 | 3 | 3 | 3 | 1 | 3 | 3 | 3 | 1 |
32 | 4 | 2 | 2 | 3 | 3 | 4 | 1 | 4 | 1 | 4 | 4 | 1 | 4 | 3 | 3 | 3 | 3 | 1 | 3 | 3 | 3 | 2 |
33 | 3 | 3 | 2 | 4 | 4 | 3 | 1 | 3 | 3 | 1 | 4 | 4 | 4 | 3 | 3 | 3 | 3 | 3 | 3 | 3 | 3 | 3 |
34 | 3 | 2 | 3 | 2 | 1 | 1 | 1 | 1 | 1 | 1 | 4 | 3 | 2 | 3 | 3 | 3 | 4 | 1 | 3 | 3 | 3 | 2 |
35 | 3 | 1 | 3 | 4 | 3 | 2 | 4 | 2 | 4 | 3 | 4 | 1 | 1 | 3 | 1 | 3 | 3 | 3 | 3 | 3 | 3 | 1 |
36 | 3 | 2 | 3 | 1 | 3 | 1 | 1 | 1 | 3 | 1 | 1 | 3 | 3 | 3 | 3 | 3 | 3 | 1 | 3 | 3 | 3 | 1 |
37 | 1 | 2 | 2 | 4 | 1 | 1 | 3 | 1 | 3 | 3 | 3 | 3 | 3 | 1 | 4 | 4 | 4 | 1 | 3 | 3 | 1 | 2 |
38 | 1 | 2 | 2 | 2 | 1 | 1 | 3 | 1 | 3 | 3 | 3 | 3 | 3 | 1 | 4 | 4 | 4 | 1 | 3 | 3 | 1 | 2 |
39 | 1 | 3 | 1 | 2 | 1 | 3 | 1 | 3 | 3 | 3 | 3 | 3 | 3 | 4 | 2 | 1 | 2 | 1 | 2 | 3 | 4 | 3 |
40 | 1 | 1 | 2 | 2 | 1 | 1 | 3 | 1 | 4 | 3 | 4 | 4 | 1 | 1 | 4 | 4 | 4 | 3 | 3 | 3 | 1 | 3 |
数据约简的主题思想是在确保信息表达系统原有的分类能力和近似空间的基本属性完整的情况下,去除冗余数据。采用Johnson算法对表3中决策表进行属性约简,删除那些冗余属性,可以大大简化知识的表达空间维数。属性集的约简结果为从21维降为了4维。
简后的最小条件属性集{S4,S5,S10,S12}作为训练样本集对该BP神经网络进行学习和训练,然后输入最小条件属性集{S4,S5,S10,S12}对应的表4中测试样本集,对该BP神经网络进行测试,得出诊断结果。
选用3层神经网络来完成刀具磨损诊断过程,输入层神经元有4个节点,磨损状态分为3类,所以输出层神经元为3,隐含层的个数由经验公式来判断,其中m是输入神经元的个数,n是输出神经元的个数,t是隐含层节点数,a是0到10的常数。得到隐含层神经元个数在(3,13)区间。逐次改变隐含层节点数,对神经网络进行训练,选择一个输出误差最小时对应的隐含层节点数。经验证,隐含层节点为6时误差最小,隐含层神经元个数选为6。经过训练与学习,将训练好的BP神经网络输入到机床的控制系统内进行检测。
Claims (5)
1.一种刀具磨损监测方法,其特征在于,包括如下的步骤:
1)在不同的切削参数下,分别采集各种不同磨损状态的声发射信号、机床中主轴电机与进给电机的电流信号、切削速度、切削深度和进给量;
2)将声发射信号提取的频域的幅值均方根和功率最大值、声发射信号db8小波包三层分解的8个频带能量、电流信号采用db8小波包三层分解的8个频带能量、切削速度、切削深度和进给量,构建成条件属性C,条件属性C中的条件值标为Ci;将刀具后刀面磨损量作为决策属性D;建立决策表A;
3)采用自组织映射神经网络对决策表A中连续属性值进行离散化处理,聚类数选择为4;采用Johnson算法约简属性个数将决策表A约简为决策表B;
4)通过遗传算法对BP神经网络的初始权值和阈值进行优化,将步骤3)中约简后的属性值作为BP神经网络的输入神经元对经过优化后的BP神经网络进行训练和学习;
5)用训练好的BP神经网络对刀具磨损程度进行预测。
2.按照权利要求1所述的刀具磨损监测方法,其特征在于,所述声发射信号的频率采集范围为20KHz-1MHz。
3.按照权利要求1所述的刀具磨损监测方法,其特征在于:步骤3)中Johnson算法约简属性个数的步骤为:
依次对决策表A的条件属性中的某个条件值Ci判断ind{C/{Ci}}(D)是否等于indC(D);如果等于,将条件属性条件值Ci删除,并返回至决策表A中进行下一项的判断,直到所有的ind{C/{Ci}}(D)与indC(D)不相等,保留该条件值Ci到空的决策表B,将决策属性D及所在的信息存入决策表B的最后一列,并将重复的行合并,决策表B即为最小约简属性。
4.按照权利要求3所述的刀具磨损监测方法,其特征在于:遗传算法的参数设置为:种群规模为30,进化次数为100,选择概率为0.1,交叉概率为0.5,变异概率为0.01。
5.按照权利要求1所述的刀具磨损监测方法,其特征在于:BP神经网络选择3层;输入层神经元为4个节点,输出层神经元为3,逐次改变隐含层节点数,对BP神经网络进行训练,选择输出误差最小时对应的隐含层节点数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310442967.0A CN103465107B (zh) | 2013-09-24 | 2013-09-24 | 一种刀具磨损监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310442967.0A CN103465107B (zh) | 2013-09-24 | 2013-09-24 | 一种刀具磨损监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103465107A CN103465107A (zh) | 2013-12-25 |
CN103465107B true CN103465107B (zh) | 2016-05-25 |
Family
ID=49790271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310442967.0A Active CN103465107B (zh) | 2013-09-24 | 2013-09-24 | 一种刀具磨损监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103465107B (zh) |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200076B (zh) * | 2014-08-19 | 2015-09-02 | 钟亚平 | 一种运动员运动损伤风险预警方法 |
CN104476326B (zh) * | 2014-11-21 | 2017-03-08 | 华中科技大学 | 一种陶瓷刀具沟槽磨损预测的方法 |
CN105033763B (zh) * | 2015-09-02 | 2017-07-18 | 华中科技大学 | 一种数控机床滚珠丝杠磨损状态的预测方法 |
CN105196114B (zh) * | 2015-11-05 | 2016-08-24 | 西安科技大学 | 基于小波分析和神经网络的刀具磨损实时在线监测方法 |
CN105234746A (zh) * | 2015-11-25 | 2016-01-13 | 苏州多荣自动化科技有限公司 | 一种刀具磨损在线监控系统及其检测方法 |
CN105312965B (zh) * | 2015-12-08 | 2017-05-10 | 华中科技大学 | 一种铣削加工刀具破损监测方法 |
CN106873527B (zh) * | 2015-12-11 | 2020-08-14 | 日立汽车系统(中国)有限公司 | 用于测量切削刀具的使用寿命的方法、控制装置和系统 |
CN105563234A (zh) * | 2016-01-22 | 2016-05-11 | 浙江大学台州研究院 | 麻花钻磨损监测方法 |
CN107037133A (zh) * | 2017-04-20 | 2017-08-11 | 嘉泰数控科技股份公司 | 一种结合声发射和电流检测的加工状态监控方法 |
CN107186547A (zh) * | 2017-05-25 | 2017-09-22 | 重庆大学 | 基于切削功率的数控车削批量加工刀具磨损在线监测方法 |
CN107511718A (zh) * | 2017-09-13 | 2017-12-26 | 哈尔滨工业大学深圳研究生院 | 单品大批量重复加工过程的智能刀具状态监测方法 |
CN107627152B (zh) * | 2017-10-19 | 2019-04-30 | 电子科技大学 | 一种基于bp神经网络的数控加工切屑控制方法 |
CN108107838A (zh) * | 2017-12-27 | 2018-06-01 | 山东大学 | 一种基于云知识库和机器学习的数控装备刀具磨损检测方法 |
CN108581633B (zh) * | 2018-04-11 | 2020-10-23 | 温州大学 | 一种基于遗传算法优化多传感监测刀具状态的方法 |
CN109262369B (zh) * | 2018-09-13 | 2020-02-21 | 成都数之联科技有限公司 | 一种刀具状态检测系统及方法 |
CN109333160B (zh) * | 2018-10-09 | 2020-09-22 | 西北工业大学 | 高温合金钻削过程钻头磨损形式及磨损状态的在线监测方法 |
TWI687277B (zh) * | 2019-05-24 | 2020-03-11 | 國立虎尾科技大學 | 刀具磨耗預測方法 |
EP3815645A1 (en) * | 2019-11-01 | 2021-05-05 | DENTSPLY SIRONA Inc. | Dental machining system for predicting the wear condition of a dental tool |
CN111230159B (zh) * | 2020-03-02 | 2021-04-16 | 西南交通大学 | 一种多传感器融合的车刀状态监测方法及系统 |
CN113523904A (zh) * | 2020-04-17 | 2021-10-22 | 中国科学院沈阳计算技术研究所有限公司 | 一种刀具磨损检测方法 |
CN112247673B (zh) * | 2020-09-07 | 2021-12-21 | 博深普锐高(上海)工具有限公司 | 一种基于遗传bp神经网络的木工刀具磨损状态诊断方法 |
CN112475904B (zh) * | 2020-11-12 | 2021-09-28 | 安徽江机重型数控机床股份有限公司 | 一种基于热分析的数控铣镗床加工精度预测方法 |
CN113600896A (zh) * | 2021-08-05 | 2021-11-05 | 豪丰茂五金制品(太仓)有限公司 | 一种数控机床铣刀磨损状态信号监测方法 |
CN114523337A (zh) * | 2022-01-26 | 2022-05-24 | 武汉理工大学 | 一种刀具磨损状态识别方法、装置、电子设备及存储介质 |
TWI813372B (zh) * | 2022-07-12 | 2023-08-21 | 財團法人工業技術研究院 | 複材刀具切削監控系統及其監控方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS61226250A (ja) * | 1985-03-28 | 1986-10-08 | Okuma Mach Works Ltd | 数値制御装置における工具寿命監視装置 |
CN101670533A (zh) * | 2009-09-25 | 2010-03-17 | 南京信息工程大学 | 基于工件加工表面图像分析的刀具磨损状态评价方法 |
CN102172849A (zh) * | 2010-12-17 | 2011-09-07 | 西安交通大学 | 基于小波包和概率神经网络的刀具破损自适应报警方法 |
CN102689230B (zh) * | 2012-05-09 | 2014-04-09 | 天津大学 | 基于条件随机场模型的刀具磨损状态监测方法 |
-
2013
- 2013-09-24 CN CN201310442967.0A patent/CN103465107B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN103465107A (zh) | 2013-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103465107B (zh) | 一种刀具磨损监测方法 | |
CN110135468B (zh) | 一种煤矸石的识别方法 | |
CN109465676B (zh) | 一种刀具寿命预测方法 | |
CN111037365B (zh) | 基于生成式对抗网络的刀具状态监测数据集增强方法 | |
Tansel et al. | Detecting chatter and estimating wear from the torque of end milling signals by using Index Based Reasoner (IBR) | |
Ali et al. | Acoustic emission signal analysis and artificial intelligence techniques in machine condition monitoring and fault diagnosis: a review | |
CN105834834B (zh) | 基于果蝇优化算法的铣刀磨损状态监测方法 | |
CN110059442A (zh) | 一种基于零件表面粗糙度和功率信息的车削加工换刀方法 | |
CN110263474A (zh) | 一种数控机床的刀具寿命实时预测方法 | |
CN112766182B (zh) | 一种拉削刀具磨损状态识别方法 | |
CN106271881B (zh) | 一种基于SAEs和K-means的刀具破损监测方法 | |
CN109446243B (zh) | 一种基于大数据分析检测光伏电站发电异常的方法 | |
CN108734359B (zh) | 一种风电功率预测数据预处理方法 | |
CN110434676A (zh) | 一种多传感器时频特征融合的镗削颤振监测方法 | |
CN111230740B (zh) | 一种航空发动机叶片机器人磨削烧伤预测方法及装置 | |
CN111136509A (zh) | 一种基于elm-sdae算法的刀具状态监测方法 | |
CN105956798A (zh) | 一种基于稀疏随机森林的配网设备运行状态评估方法 | |
CN108596158A (zh) | 一种基于能耗的车削表面粗糙度预测方法 | |
CN111496786A (zh) | 一种基于点云模型规划机械臂作业加工轨迹方法 | |
Shaban et al. | Cutting tool wear detection using multiclass logical analysis of data | |
CN115221973A (zh) | 一种基于增强加权异质集成学习的航空轴承故障诊断方法 | |
Zegarra et al. | Comparison of CNN and CNN-LSTM architectures for tool wear estimation | |
Gangadhar et al. | Condition monitoring of single point cutting tools based on machine learning approach | |
CN116993711A (zh) | 一种基于自蒸馏的刀具损伤智能检测方法 | |
CN109614584B (zh) | 一种资源测井数据的重建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C41 | Transfer of patent application or patent right or utility model | ||
TR01 | Transfer of patent right |
Effective date of registration: 20161229 Address after: 110000 Huanggu District, Liaoning City, Dongxiang mausoleum Guanyin village, Shenyang Patentee after: Shenyang Baixiang Mechanical Processing Co., Ltd. Address before: 110034 Shenbei New Area, Liaoning, justice Road, No. four, No. 3, Shenyang Patentee before: Shenyang Lisheng Electronic Technology Co., Ltd. |