CN108520125A - 一种预测刀具磨损状态的方法及系统 - Google Patents

Abstract

一种预测刀具磨损状态的方法，包括以下步骤：步骤一，通过铣削加工实验，采集不同铣削条件下的刀具的实际刀面磨损量M_k和原始振动信号；步骤二，对原始振动信号进行预处理，去除原始振动信号中的冗杂数据，并提取预处理后的信号原始振动信号的有效特征量，获得不同时刻的磨损特征值X_k；步骤三，将不同时刻的磨损特征值作为BP神经网络的输入值，获得第一当前刀具磨损值M_1k；步骤四，将不同时刻的磨损特征值作为SVM支持向量机的输入值，获得第二当前刀具磨损值M_2k；步骤五，将步骤三中的第一当前刀具磨损值M_1k和步骤四中第二当前刀具磨损值M_2k进行数据加权分析，获取的综合刀具磨损值M′_k。

Description

一种预测刀具磨损状态的方法及系统

技术领域

本发明涉及一种对刀具磨损状态进行预测的方法及系统。

背景技术

在机械制造加工过程中，刀具磨损状态将直接影响加工工件的质量，从而导致企业生产成本的提高，生产效率低。据工业统计数据表明，在数控机床故障中，由于刀具过度磨损导致机床故障停机的时间约占总时间1/3。因此，怎样有效的监督刀具磨损状态，对提高生产效率和生产质量有着重要意义。

目前，多数刀具磨损状态监测系统都是通过对各种信号采集、提取有效特征值，然后利用神经网络进行学习，最终识别出刀具磨损状态。但是，一般的监测系统只利用单一网络模型对刀具磨损状态进行识别，如使用BP神经网络、RBF网络、SOM网络等，这样单一的预测方式会导致预测结果过于依赖单一模型，在应对不同环境时，预测结果相差过大。

发明内容

本发明是为了解决一般刀具磨损状态监测系统过于依赖单一模型导致预测结果与实际情况相差过大的问题，目的在于提供一种预测刀具磨损状态的方法及系统。

本发明提供一种预测刀具磨损状态的方法，采用组合预测的方式对加工中心中的刀具的磨损状态进行预测，其特征在于，包括以下步骤：步骤一，通过铣削加工实验，采集不同铣削条件下的刀具的实际刀面磨损量M_k和原始振动信号；步骤二，对原始振动信号进行预处理，去除原始振动信号中的冗杂数据，并提取预处理后的信号原始振动信号的有效特征量，获得不同时刻的磨损特征值X_k；步骤三，将不同时刻的磨损特征值作为BP神经网络的输入值，获得第一当前刀具磨损值M_1k；步骤四，将不同时刻的磨损特征值作为SVM支持向量机的输入值，获得第二当前刀具磨损值M_2k；步骤五，将步骤三中的第一当前刀具磨损值M_1k和步骤四中第二当前刀具磨损值M_2k进行数据加权分析，获取的综合刀具磨损值M＇_k，该综合刀具磨损值M＇_k用于表征刀具的预测刀面磨损量：

M′_k＝ω₁M_1k+ω₂M_2k (1)

式(1)中ω₁和ω₂分别为BP神经网络和SVM支持向量机的非负权重系数。

本发明提供的检测刀具磨损状态的方法，还可以具有这样的特征，其特征在于：其中，步骤五中的数据加权分析的过程还包括如下子步骤：步骤一，M_1k和M_2k分别为BP神经网络和SVM在第k时刻刀具磨损的预测值，刀具的综合刀具磨损值M′_k为：

M′_k＝_ω1M_1k+ω₂M_2k

式中ω₁和ω₂分别为BP神经网络和SVM预测值的非负权重系数，ω₁+ω₂＝1；步骤二，设ε_ik＝(M_k-M_ik)为第i种单一预测方法在第k时刻的预测误差，那么计算第k时刻的组合预测误差ε_k为：

ε_k＝M_k-M′_k＝ω₁ε_1k+ω₂ε_2k

式中M_k为刀具在k时刻的实际磨损值，ω₁和ω₂为非负权重系数；步骤三，组合预测的预测误差平方和Q为：

计算组合预测的最优解：

求得出ω₁、ω₂，刀具的综合刀具磨损值M′_k为：

M′_k＝ω₁M_1k+ω₂M_2k。

本发明提供的检测刀具磨损状态的方法，还可以具有这样的特征，其特征在于：其中，步骤二中的预处理采用如下公式(1)进行计算，

式(1)中，S为预处理后信号，S₀为原始采集信号，mean(S₀)为原始采集信号的均值，std(S₀)为原始采集信号的标准差，在对预处理后信号进行3层小波包分解，即，将预处理后信号根据不同的频带进行了n个尺度的分解，则第i段频带能量E_i为：

式(2)中x_ij为原始采集信号中的各采样点，

i＝1，2，...，n；j＝1，2，...，n。

第i段频带能量E_i在总能量中的比值ψ_i为：

则不同时刻的磨损特征值X_k为：

X_k＝{ψ_1k，ψ_2k，...，ψ_8k} (4)

式(4)中k∈{1，2，...，N}，N为特征值样本数量。

本发明提供的检测刀具磨损状态的方法，还可以具有这样的特征，其特征在于：其中，尺度的个数为八个，八个尺度对应的应频带分别为：

0～625Hz、625Hz～1250Hz、1250Hz～1875Hz、1875Hz～2500Hz、2500Hz～3125Hz、3125Hz～3750Hz、3750Hz～4375Hz、4375Hz～5000Hz。

本发明提供的检测刀具磨损状态的方法，还可以具有这样的特征，其特征在于：其中，实际刀面磨损量由电子显微镜测量获得。

本发明提供的检测刀具磨损状态的方法，还可以具有这样的特征，其特征在于：其中，原始振动信号由加速度传感器采集获得。

本发明提供一种预测刀具磨损状态的系统，用于对加工中心中刀具的磨损状态进行预测，其特征在于，包括：至少两个加速度传感器，安装在加工中心的主轴上，用于采集铣削加工实验中不同铣削条件下的刀具的原始振动信号，电子显微镜，用于测量铣削加工实验中不同铣削条件下刀具的实际刀面磨损量，预测装置，与加速传感器连接，用于根据来自加速度传感器的原始振动信号和实际刀面磨损量对刀具的磨损状态进行预测，其中，预测装置具有：原始振动信号获取单元，用于从加速度传感器中获取原始振动信号；实际刀面磨损量获取单元，用于从电子显微镜中获取实际刀面磨损量；预处理单元，用于对原始振动信号进行预处理，去除原始振动信号中的冗杂数据，并提取预处理后的信号原始振动信号的有效特征量，获得不同时刻的磨损特征值X_k；第一当前刀具磨损值计算单元，用于将不同时刻的磨损特征值作为BP神经网络的输入值，获得第一当前刀具磨损值M_1k；第二当前刀具磨损值计算单元，用于将不同时刻的磨损特征值作为SVM支持向量机的输入值，获得第二当前刀具磨损值M_2k；综合刀具磨损值计算单元，用于将第一当前刀具磨损值M_1k和第二当前刀具磨损值M_2k进行数据加权分析，获取的综合刀具磨损值M′_k，该综合刀具磨损值M′_k用于表征刀具的预测刀面磨损量：

M′_k＝ω₁M_1k+ω₂M_2k (1)

式(1)中ω₁和ω₂分别为BP神经网络和SVM支持向量机的非负权重系数。

本发明提供的测刀具磨损状态的系统，还可以具有这样的特征，其特征在于：其中，加速度传感器为两个，分别安装在主轴外侧的垂直方向和水平方向，用于采集刀具在垂直方向和水平方向上的原始振动信号。

发明的作用与效果

由于本发明中的预测刀具磨损状态的方法将不同铣削条件下刀具的实际刀面磨损量和原始振动信号进行预处理获得不同时刻的磨损特征值，再将不同时刻的磨损特征值分别使用BP神经网络和SVM支持向量机获取选取两组前刀具磨损值，最后将两组前刀具磨损值进行加权分析，获取的综合刀具磨损值用以表征刀具的预测刀面磨损量，因此，这样的组合式预测方法结合了两种不同的预测模型，大大的提升了预测精度和系统稳定性，使得最终的预测结果不依赖于单一模型，很好的适应了不同的使用环境。并且，由于本发明中使用了权重系数对两种预测模型的结果进行调整，将两种模型的优势结合在一起，提高预测精度高的模型输出权重值，降低预测精度低模型输出权重值，使得加权分析后获得的预测结果更贴近真实情况，预测更为准确。

附图说明

图1为本发明的预测刀具磨损状态的系统的结构框图；

图2为本发明的预测装置的结构框图；

图3为本发明的预测刀具磨损状态的系统的流程图；

图4为刀具磨损不同状态下时域信号图；以及

图5为刀具磨损不同状态下各频带能量比示意图。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下实施例结合附图对本发明提供的预测刀具磨损状态的方法及系统的组成、工作原理以及有益效果作具体阐述。

本实施例提供了一种预测刀具磨损状态的方法，包括以下步骤：

步骤一，通过铣削加工实验，采集不同铣削条件下的刀具的实际刀面磨损量M_k和原始振动信号；

步骤二，对原始振动信号进行预处理，去除原始振动信号中的冗杂数据，并提取预处理后的信号原始振动信号的有效特征量，获得不同时刻的磨损特征值X_k；

预处理采用如下公式(1)进行计算，

式(1)中，S为预处理后信号，S₀为原始采集信号，mean(S₀)为原始采集信号的均值，std(S₀)为原始采集信号的标准差，

对预处理后信号进行三层小波包分解，即，将预处理后信号根据不同的频带进行了八个尺度的分解，

八个尺度对应的应频带分别为：

0～625Hz、625Hz～1250Hz、1250Hz～1875Hz、1875Hz～2500Hz、250Hz～3125Hz、3125Hz～3750Hz、3750Hz～4375Hz、4375Hz～5000Hz

则第i段频带能量E_i为：

式(2)中x_ij为原始采集信号中的各采样点，

i＝1，2，...，n；j＝1，2，...，n。

第i段频带能量E_i在总能量中的比值ψ_i为：

则不同时刻的磨损特征值X_k为：

X_k＝{ψ_1k，ψ_2k，...，ψ_8k} (4)

式(4)中k∈{1，2，...，N}，N为特征值样本数量。

步骤三，将不同时刻的磨损特征值作为BP神经网络的输入值，获得第一当前刀具磨损值M_1k；

步骤四，将不同时刻的磨损特征值作为SVM支持向量机的输入值，获得第二当前刀具磨损值M_2k；

步骤五，将步骤三中的第一当前刀具磨损值M_1k和步骤四中第二当前刀具磨损值M_2k进行数据加权分析，获取的综合刀具磨损值M′_k，该综合刀具磨损值M′_k用于表征刀具的预测刀面磨损量，

设ε_ik＝(M_k-M_ik)为第i种单一预测方法在第k时刻的预测误差，那么计算第k时刻的组合预测误差ε_k为：

ε_k＝M_k-M′_k＝ω₁ε_1k+ω₂ε_2k

式中M_k为刀具在k时刻的实际磨损值，ω₁和ω₂分别为BP神经网络和SVM支持向量机的非负权重系数，ω₁+ω₂＝1；

组合预测的预测误差平方和Q为：

计算组合预测的最优解：

求得出ω₁、ω₂，刀具的综合刀具磨损值M＇_k为：

M＇_k＝ω₁M_1k+ω₂M_2k。

本实施例还提供一种预测刀具磨损状态的系统。

图1为本发明的预测刀具磨损状态的系统的结构框图。

如图1所示，本实施例提供的预测刀具磨损状态的系统100用于对加工中心中刀具的磨损状态进行预测，包括预测装置10、电子显微镜20以及两个加速度传感器30。

两个加速度传感器30分别安装在主轴外侧的垂直方向和水平方向，用于采集刀具在垂直方向和水平方向上的原始振动信号。

电子显微镜20用于测量铣削加工实验中不同铣削条件下刀具的实际刀面磨损量。

图2为本发明的预测装置的结构框图

如图2所示，预测装置10与两个加速传感器10和电子显微镜20分别连接，用于根据来自加速度传感器的原始振动信号和实际刀面磨损量对刀具的磨损状态进行预测，包括：原始振动信号获取单元11、实际刀面磨损量获取单元12、预处理单元13、第一当前刀具磨损值计算单元14、第二当前刀具磨损值计算单元15、综合刀具磨损值计算单元16、输入显示单元17、通信单元18以及控制单元19。

原始振动信号获取单元11，用于从加速度传感器中获取原始振动信号。

实际刀面磨损量获取单元12，用于从电子显微镜中获取实际刀面磨损量。

预处理单元13，用于对原始振动信号进行预处理，去除原始振动信号中的冗杂数据，并提取预处理后的信号原始振动信号的有效特征量，获得不同时刻的磨损特征值X_k。

步骤二，对原始振动信号进行预处理，去除原始振动信号中的冗杂数据，并提取预处理后的信号原始振动信号的有效特征量，获得不同时刻的磨损特征值X_k；

预处理采用如下公式(1)进行计算，

式(1)中，S为预处理后信号，S₀为原始采集信号，mean(S₀)为原始采集信号的均值，std(S₀)为原始采集信号的标准差，

对预处理后信号进行三层小波包分解，即，将预处理后信号根据不同的频带进行了八个尺度的分解，

八个尺度对应的应频带分别为：

0～625Hz、625Hz～1250Hz、1250Hz～1875Hz、1875Hz～2500Hz、2500Hz～3125Hz、3125Hz～3750Hz、3750Hz～4375Hz、4375Hz～5000Hz

则第i段频带能量E_i为：

式(2)中x_ij为原始采集信号中的各采样点，

i＝1，2，...，n；j＝1，2，...，n。

第i段频带能量E_i在总能量中的比值ψ_i为：

则不同时刻的磨损特征值X_k为：

X_k＝{ψ_1k，ψ_2k，...，ψ_8k} (4)

式(4)中k∈{1，2，...，N}，N为特征值样本数量。

第一当前刀具磨损值计算单元14，用于将不同时刻的磨损特征值作为BP神经网络的输入值，获得第一当前刀具磨损值M_1k。

第二当前刀具磨损值计算单元15，用于将不同时刻的磨损特征值作为SVM支持向量机的输入值，获得第二当前刀具磨损值M_2k。

综合刀具磨损值计算单元16，用于将第一当前刀具磨损值M_1k和第二当前刀具磨损值M_2k进行数据加权分析，获取的综合刀具磨损值M′_k，该综合刀具磨损值M′_k用于表征刀具的预测刀面磨损量：

M′_k＝ω₁M_1k+ω₂M_2k (1)

式(1)中ω₁和ω₂分别为BP神经网络和SVM支持向量机的非负权重系数。

设ε_ik＝(M_k-M_ik)为第i种单一预测方法在第k时刻的预测误差，那么计算第k时刻的组合预测误差ε_k为：

ε_k＝M_k-M′_k＝ω₁ε_1k+ω₂ε_2k

式中M_k为刀具在k时刻的实际磨损值，ω₁和ω₂分别为BP神经网络和SVM支持向量机的非负权重系数，ω₁+ω₂＝1；

组合预测的预测误差平方和Q为：

计算组合预测的最优解：

求得出ω₁、ω₂，刀具的综合刀具磨损值M′_k为：

M′_k＝ω₁M_1k+ω₂M_2k。

输入显示单元17用于显示刀具的综合刀具磨损值。

通信单元18用于进行预测装置10中的各个组成部分以及预测装置10与加速度传感器30之间的数据信息交换，控制单元19用于控制预测装置10中的各个组成部分的工作。

图3为本发明的预测刀具磨损状态的系统的流程图。

如图3所示，本实施例中预测刀具磨损状态的系统100的运行流程如下：

步骤S1，采集铣削加工实验中不同铣削条件下刀具在垂直方向和水平方向上的原始振动信号，然后进入步骤S2。

步骤S2，测量铣削加工实验中不同铣削条件下刀具的实际刀面磨损量，然后进入步骤S3。

步骤S3，对原始振动信号进行预处理，去除冗杂数据提取有效特征量，获得不同时刻的磨损特征值X_k，然后进入步骤S4。

步骤S4，将不同时刻的磨损特征值作为BP神经网络的输入值，获得第一当前刀具磨损值M_1k，然后进入步骤S5。

步骤S5，将不同时刻的磨损特征值作为SVM支持向量机的输入值，获得第二当前刀具磨损值M_2k，然后进入步骤S6。

步骤S6，将第一当前刀具磨损值M_1k和第二当前刀具磨损值M_2k进行数据加权分析，获取的综合刀具磨损值M′_k，然后进入步骤S7。

步骤S7，输出显示综合刀具磨损值M＇_k，然后进入结束状态。

本实施例中，为了有效的表征刀具的磨损状态同时减少不必要的计算，对预处理后信号进行三层小波包分解。

图4为刀具磨损不同状态下时域信号图。

图5为刀具磨损不同状态下各频带能量比示意图。

如图4所示，通过刀具磨损不同状态下的振动信号分析发现，在时域方面，仅从振动信号幅值上很难看出刀具磨损的不同状态。

如图5所示，通过小波包变换，将刀具磨损不同状态下的振动信号分解成八个频带，获得刀具磨损不同状态下各频带能量比示意图，从图5中我们可以看到，随着刀具磨损程度的增大，第1、3、4、7频带的能量占总能量的比重逐渐减小，而第2、5、6其比重逐渐增大。因此认为分解出的8个频带能量：

0～625Hz、625Hz～1250Hz、1250Hz～1875Hz、1875Hz～2500Hz、2500Hz～3125Hz、3125Hz～3750Hz、3750Hz～4375Hz、4375Hz～5000Hz

对刀具磨损较具有很好的敏感性，可以作为刀具磨损振动信号的特征值。

实施例的作用与效果

由于本发明中的预测刀具磨损状态的方法将不同铣削条件下刀具的实际刀面磨损量和原始振动信号进行预处理获得不同时刻的磨损特征值，再将不同时刻的磨损特征值分别使用BP神经网络和SVM支持向量机获取选取两组前刀具磨损值，最后将两组前刀具磨损值进行加权分析，获取的综合刀具磨损值用以表征刀具的预测刀面磨损量，因此，这样的组合式预测方法结合了两种不同的预测模型，大大的提升了预测精度和系统稳定性，使得最终的预测结果不依赖于单一模型，很好的适应了不同的使用环境。并且，由于本发明中使用了权重系数对两种预测模型的结果进行调整，将两种模型的优势结合在一起，提高预测精度高的模型输出权重值，降低预测精度低模型输出权重值，使得加权分析后获得的预测结果更贴近真实情况，预测更为准确。

由于本实施例中磨损特征值的提取过程中使用了八个应频带来对数据进行分析处理，这八个频带能量对刀具的磨损具有很好的敏感性，能够有效的表征刀具的磨损状态同时还能够减少不必要的计算，提高运算效率。

进一步的，由于本实施例中预测刀具磨损状态的系统具有加速度传感器能够采集不同铣削条件下刀具在垂直方向和水平方向上的原始振动信号，具有电子显微镜能够采集不同铣削条件下刀具的实际刀面磨损量，具有预测装置能够根据原始振动信号和实际刀面磨损量使用BP神经网络和SVM支持向量机，加权分析获取的综合刀具磨损值，进而对刀具的磨损进行预测，因此，很好的解决了预测结果赖于单一模型导致预测结果与实际结果偏差较大的问题，同时解决了复杂使用环境下预测结果不准确的问题。

述实施方式为本发明的优选案例，并不用来限制本发明的保护范围。

Claims (8)

1.一种预测刀具磨损状态的方法，采用组合预测的方式对加工中心中的刀具的磨损状态进行预测，其特征在于，包括以下步骤：

步骤一，通过铣削加工实验，采集不同铣削条件下的所述刀具的实际刀面磨损量M_k和原始振动信号；

步骤二，对所述原始振动信号进行预处理，去除所述原始振动信号中的冗杂数据，并提取预处理后的所述信号原始振动信号的有效特征量，获得不同时刻的磨损特征值X_k；

步骤三，将不同时刻的所述磨损特征值作为BP神经网络的输入值，获得第一当前刀具磨损值M_1k；

步骤四，将不同时刻的所述磨损特征值作为SVM支持向量机的输入值，获得第二当前刀具磨损值M_2k；

步骤五，将所述步骤三中的所述第一当前刀具磨损值M_1k和所述步骤四中所述第二当前刀具磨损值M_2k进行数据加权分析，获取的综合刀具磨损值M′_k，该综合刀具磨损值M′_k用于表征所述刀具的预测刀面磨损量：

M′_k＝ω₁M_1k+ω₂M_2k (1)

式(1)中ω₁和ω₂分别为所述BP神经网络和所述SVM支持向量机的非负权重系数。

2.根据权利要求1所述的检测刀具磨损状态的方法，其特征在于：

其中，所述步骤五中的所述数据加权分析的过程还包括如下子步骤：

步骤一，M_1k和M_2k分别为BP神经网络和SVM在第k时刻刀具磨损的预测值，所述刀具的所述综合刀具磨损值M′_k为：

M′_k＝ω₁M_1k+ω₂M_2k

式中ω₁和ω₂分别为所述BP神经网络和所述SVM预测值的非负权重系数，ω₁+ω₂＝1；

步骤二，设ε_ik＝(M_k-M_ik)为第i种单一预测方法在第k时刻的预测误差，那么计算第k时刻的组合预测误差ε_k为：

ε_k＝M_k-M′_k＝ω₁ε_1k+ω₂ε_2k

式中M_k为刀具在k时刻的实际磨损值，ω₁和ω₂为非负权重系数；

步骤三，所述组合预测的预测误差平方和Q为：

计算所述组合预测的最优解：

求得出ω₁、ω₂，所述刀具的所述综合刀具磨损值M′_k为：

M′_k＝ω₁M_1k+ω₂M_2k

3.根据权利要求1所述的检测刀具磨损状态的方法，其特征在于：

其中，所述步骤二中的所述预处理采用如下公式(1)进行计算，

式(1)中，S为预处理后信号，S₀为所述原始采集信号，mean(S₀)为所述原始采集信号的均值，std(S₀)为所述原始采集信号的标准差，

在对所述预处理后信号进行3层小波包分解，即，将所述预处理后信号根据不同的频带进行了n个尺度的分解，

则第i段频带能量E_i为：

式(2)中x_ij为所述原始采集信号中的各采样点，

i＝1，2，...，n；j＝1，2，...，。

第i段频带能量E_i在总能量中的比值ψ_i为：

则不同时刻的磨损特征值X_k为：

X_k＝{ψ_1k，ψ_2k，...，ψ_8k} (4)

式(4)中k∈{1，2，...，N}，N为特征值样本数量。

4.根据权利要求3所述的检测刀具磨损状态的方法，其特征在于：

其中，所述尺度的个数为八个，

八个所述尺度对应的应频带分别为：

0～625Hz、625Hz～1250Hz、1250Hz～1875Hz、1875Hz～2500Hz、2500Hz～3125Hz、3125Hz～3750Hz、3750Hz～4375Hz、4375Hz～50000Hz。

5.根据权利要求1所述的检测刀具磨损状态的方法，其特征在于：

其中，所述实际刀面磨损量由电子显微镜测量获得。

6.根据权利要求1所述的检测刀具磨损状态的方法，其特征在于：

其中，所述原始振动信号由加速度传感器采集获得。

7.一种预测刀具磨损状态的系统，用于对加工中心中刀具的磨损状态进行预测，其特征在于，包括：

至少两个加速度传感器，安装在所述加工中心的主轴上，用于采集铣削加工实验中不同铣削条件下的所述刀具的原始振动信号，

电子显微镜，用于测量铣削加工实验中不同铣削条件下所述刀具的实际刀面磨损量，

预测装置，与所述加速传感器连接，用于根据来自所述加速度传感器的原始振动信号和所述实际刀面磨损量对所述刀具的磨损状态进行预测，

其中，所述预测装置具有：

原始振动信号获取单元，用于从所述加速度传感器中获取所述原始振动信号；

实际刀面磨损量获取单元，用于从所述电子显微镜中获取所述实际刀面磨损量；

预处理单元，用于对所述原始振动信号进行预处理，去除所述原始振动信号中的冗杂数据，并提取预处理后的所述信号原始振动信号的有效特征量，获得不同时刻的磨损特征值M_k；

第一当前刀具磨损值计算单元，用于将不同时刻的所述磨损特征值作为BP神经网络的输入值，获得第一当前刀具磨损值M_1k；

第二当前刀具磨损值计算单元，用于将不同时刻的所述磨损特征值作为SVM支持向量机的输入值，获得第二当前刀具磨损值M_2k；

综合刀具磨损值计算单元，用于将所述第一当前刀具磨损值M_1k和所述第二当前刀具磨损值M_2k进行数据加权分析，获取的综合刀具磨损值M′_k，该综合刀具磨损值M＇_k用于表征所述刀具的预测刀面磨损量：

M′_k＝ω₁M_1k+ω₂M_2k (1)

式(1)中ω₁和ω₂分别为所述BP神经网络和所述SVM支持向量机的非负权重系数。

8.根据权利要求7所述的预测刀具磨损状态的系统，其特征在于：

其中，所述加速度传感器为两个，分别安装在所述主轴外侧的垂直方向和水平方向，用于采集所述刀具在垂直方向和水平方向上的所述原始振动信号。