CN108536938A - 一种机床刀具寿命预测系统及预测方法 - Google Patents

一种机床刀具寿命预测系统及预测方法 Download PDF

Info

Publication number
CN108536938A
CN108536938A CN201810268305.9A CN201810268305A CN108536938A CN 108536938 A CN108536938 A CN 108536938A CN 201810268305 A CN201810268305 A CN 201810268305A CN 108536938 A CN108536938 A CN 108536938A
Authority
CN
China
Prior art keywords
prediction
module
spindle motor
motor current
current signal
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.)
Pending
Application number
CN201810268305.9A
Other languages
English (en)
Inventor
刘成良
黄亦翔
李亚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN201810268305.9A priority Critical patent/CN108536938A/zh
Publication of CN108536938A publication Critical patent/CN108536938A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04Ageing analysis or optimisation against ageing

Abstract

本发明公开了一种机床刀具寿命预测系统及预测方法,包括:机床内置传感器、数据采集模块、预处理模块、特征提取模块及预测模块,其中,机床内置传感器与数据采集模块相连,数据采集模块与预处理模块相连,预处理模块与特征提取模块相连,特征提取模块与预测模块相连。该方法包括:测量机床的主轴电流信号及切削工况参数;采集主轴电流信号及切削工况参数;对主轴电流信号进行预处理;对预处理后的主轴电流信号进行特征值提取;根据主轴电流信号特征值及切削工况参数对刀具的剩余使用寿命进行预测。本发明的机床刀具寿命预测系统及预测方法,可以在不影响生产的情况下,以较低的成本得到较好的预测效果。

Description

一种机床刀具寿命预测系统及预测方法
技术领域
[0001] 本发明涉及机床刀具寿命预测技术领域,特别涉及一种机床刀具寿命预测系统及 预测方法。
背景技术
[0002] 刀具是机床最重要的部件之一,其性能直接影响着加工结果的好坏。使用过度磨 损或者超出寿命预期的刀具不但会增加能量消耗,降低加工精度,还会有刀刃断裂的危险, 带来生产安全问题。因此,对于大批量的生产,刀具的寿命管理是不可或缺的,它会直接影 响到生产成本控制,产品质量控制和生产安全等问题。
[0003] 当前存在的一些刀具预测方法大都需要外接传感器,这不但在操作上难以操作, 还会增加成本,甚至有可能影响到机床本身的生产。
[0004] 因此,急需提供一种操作方便、成本低且不影响机床本身的刀具寿命预测技术。
发明内容
[0005] 本发明针对上述现有技术中存在的问题,提出一种机床刀具寿命预测系统及预测 方法,采用内置传感器采集机床的主轴电流信号及切削工况参数数据,可以在不影响生产 的情况下,以较低的成本得到较好的预测效果,具有非常重要的意义。
[0006] 为解决上述技术问题,本发明是通过如下技术方案实现的:
[0007] 本发明提供一种机床刀具寿命预测系统,其包括:机床内置传感器、数据采集模 块、预处理模块、特征提取模块以及预测模块,其中,
[0008] 所述机床内置传感器与所述数据采集模块相连,所述数据采集模块与所述预处理 模块相连,所述预处理模块与所述特征提取模块相连,所述特征提取模块与所述预测模块 相连;
[0009] 所述机床内置传感器用于测量机床的主轴电流信号以及切削工况参数;
[0010] 所述数据采集模块用于采集所述机床内置传感器测量的所述主轴电流信号以及 切削工况参数;
[0011] 所述预处理模块用于对所述数据采集模块采集的所述主轴电流信号进行预处理, 找出平稳的信号,对平稳的信号进行切分;
[0012] 所述特征提取模块用于对所述预处理模块预处理后的所述主轴电流信号进行特 征值提取;
[0013] 所述预测模块用于根据所述特征提取模块提取的主轴电流信号特征值以及切削 工况参数对刀具的剩余使用寿命进行预测。
[0014] 较佳地,所述特征提取模块包括:时域特征提取子模块、频域特征提取子模块以及 小波特征提取子模块;其中,
[0015] 所述时域信号提取子模块用于提取预处理后的主轴电流信号的时域特征;
[0016] 所述频域特征提取子模块用于提取预处理后的主轴电流信号的频域特征;
[0017] 所述小波特征提取子模块用于将所预处理后的主轴电流信号进行小波分解,获取 不同频段的小波包。
[0018] 较佳地,所述预测模块包括刀具磨损量预测子模块以及刀具寿命预测子模块;其 中,
[0019] 所述刀具磨损量预测子模块用于根据所述主轴电流信号特征值和切削工况参数 对刀具磨损量进行预测;
[0020] 所述刀具寿命预测子模块用于根据所述刀具磨损量对刀具的剩余使用寿命进行 预测。
[0021] 较佳地,所述刀具磨损量预测子模块所采用的刀具磨损量预测模型为预先训练好 的刀具磨损量预测模型,所述刀具磨损量预测模型为以所述主轴电流信号特征值和切削工 况参数作为特征,以所述刀具磨损量作为标签建立训练样本,采用梯度提升树的算法训练 得到的。
[0022] 现有的机床刀具预测方法所采用的算法不能很好的应对数据集不平衡的问题,因 为刀具处于正常生产阶段的数据要远远高于刀具处于初期磨损和急剧磨损阶段的数据,常 见的算法(如BP神经网络)可能会降低甚至忽略初期磨损和剧急剧磨损阶段的数据带来的 影响,而梯度提升树算法则可以减少数据集不平衡带来的问题。
[0023] 较佳地,还包括:结果显示模块,所述结果显示模块与所述预测模块相连;
[0024] 所述结果显示模块用于将所述预测模块预测的刀具的剩余使用寿命显示出来。将 结果直接显示出来,方便查看。
[0025] 本发明提供一种机床刀具寿命预测方法,其包括以下步骤:
[0026] SI 1:测量机床的主轴电流信号以及切削工况参数;
[0027] S12:采集所述主轴电流信号以及切削工况参数;
[0028] S13:对所述主轴电流信号进行预处理,找出平稳的信号,对平稳的信号进行切分;
[0029] S14:对预处理后的所述主轴电流信号进行特征值提取;
[0030] S15:根据主轴电流信号特征值以及切削工况参数对刀具的剩余使用寿命进行预 测。
[0031] 较佳地,所述步骤Sl 4包括以下流程:
[0032] S141:提取预处理后的主轴电流信号的时域特征;
[0033] S142:提取预处理后的主轴电流信号的频域特征;
[0034] S143:将预处理后的主轴电流信号进行小波分解,获取不同频段的小波包;
[0035] 以上流程不分先后顺序。
[0036] 较佳地,所述步骤S15包括:
[0037] S151:根据所述主轴电流信号特征值和切削工况参数对刀具磨损量进行预测;
[0038] S152:根据所述刀具磨损量对刀具的剩余使用寿命进行预测。
[0039] 较佳地,所述步骤S151中的所述刀具磨损量所采用的刀具磨损量预测模型为预先 训练好的刀具磨损量预测模型,所述刀具磨损量预测模型为以所述主轴电流信号特征值和 切削工况参数作为特征,以所述刀具磨损量作为标签建立训练样本,采用梯度提升树的算 法训练得到的。
[0040] 较佳地,所述步骤Sl 5之后还包括:
[0041] S16:将预测的刀具的剩余使用寿命显示出来。
[0042] 相较于现有技术,本发明具有以下优点:
[0043] (1)本发明提供的机床刀具寿命预测系统及方法,采用内置传感器来采集主轴电 流信号及切削工况参数,操作简单,安装方便,降低了成本,可以在不影响生产的情况下,以 较低的成本得到较好的预测效果;
[0044] (2)本发明的机床刀具寿命预测系统及方法,刀具磨损量采用梯度提升树算法,可 以减少数据集不平衡带来的问题。
[0045] 当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
[0046] 下面结合附图对本发明的实施方式作进一步说明:
[0047] 图1为本发明的一实施例的机床刀具寿命预测系统的结构示意图;
[0048] 图2为本发明的较佳实施例的机床刀具寿命预测系统的简单示意图;
[0049] 图3为本发明的较佳实施例的机床刀具寿命预测系统的结构示意图;
[0050] 图4为本发明的一实施例的机床刀具寿命预测方法的流程图;
[0051] 标号说明:1_机床内置传感器,2-数据采集模块,3-预处理模块,4-特征提取模块, 5-预测模块,6-结果显示模块。
具体实施方式
[0052] 下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术 人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术 人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明 的保护范围。
[0053] 结合图1,对本发明的机床刀具寿命预测系统的一实施例进行详细描述,如图1所 示,其包括:机床内置传感器1、数据采集模块2、预处理模块3、特征提取模块4以及预测模块 5,其中,机床内置传感器1与数据采集模块2相连,数据采集模块2与预处理模块3相连,预 处理模块3与特征提取模块4相连,特征提取模块4与预测模块5相连,本实施例的数据采集 模块2、预处理模块3、特征提取模块4以及预测模块5集成在同一块嵌入模块中,不同实施例 中也可以有其他设置,可以不集成在一起。机床内置传感器1用于测量机床的主轴电流信号 以及切削工况参数(如进给速度等);数据采集模块2用于采集机床内置传感器1测量的主 轴电流信号以及切削工况参数;预处理模块3用于对数据采集模块2采集的主轴电流信号进 行预处理;特征提取模块4用于对预处理模块3预处理后的主轴电流信号进行特征值提取; 预测模块5用于根据特征提取模块4提取的主轴电流信号特征值以及切削工况参数对刀具 的剩余使用寿命进行预测。除内置传感器外,其他模块可以整合在嵌入式设备中安装在机 床上。
[0054] 本实施例的预处理模块3,其预处理包括两点,一是提取机床平稳运行时的数据, 对于启动、停止过程中的不平稳的信号进行剔除,因为这种信号提取出的特征无法用于刀 具磨损量的判断;二是进行数据的切分,将平稳运行中的信号每隔一定时长(比如每10秒, 15秒等)的数据打包作为一个整体,发送给后续模块进行数据处理。
[0055] 本实施例的机床刀具寿命检测系统采用内置传感器来采集主轴电流信号及切削 工况参数,相较于现有的需要外接传感器,操作简单,安装方便,降低了成本,可以在不影响 生产的情况下,以较低的成本得到较好的预测效果。
[0056] 较佳实施例中,预测模块5包括刀具磨损量预测子模块以及刀具寿命预测子模块; 其中,刀具磨损量预测子模块用于根据主轴电流信号特征值和切削工况参数对刀具磨损量 进行预测;刀具寿命预测子模块用于根据刀具磨损量对刀具的剩余使用寿命进行预测。较 佳地,刀具磨损量预测子模块的核心算法采用的是预先训练好的刀具磨损量预测模型,该 模型以电流信号特征和切削工况参数作为特征,以刀具磨损量作为标签,采用梯度提升树 的算法训练得到,其简单示意图如图2所示。之所以采用梯度提升树算法,是因为现有的机 床刀具预测技术中采用的算法有诸多缺陷,例如不能很好的应对数据集不平衡的问题,因 为刀具处于正常生产阶段的数据要远远高于刀具处于初期磨损和急剧磨损阶段的数据,常 见的算法(如BP神经网络)可能会降低甚至忽略初期磨损和剧急剧磨损阶段的数据带来的 影响,而实施例采用的梯度提升树算法则可以减少数据集不平衡带来的问题。
[0057] 具体地,梯度提升树是一种使用了前向分布算法的迭代算法,但是只能使用分类 回归树模型(Classification and Regression Tree,CART),用f (X)代表回归树,假设前一 轮的迭代得到强学习器ft-iOO,相应的损失函数为LGjHOO),那么在本轮的迭代中只 需要找到一棵CART回归树模型的弱学习器ht(x),使得本次迭代的损失函数L (y,ft(x)) =L (y,ft-i (X)) +ht (X)最小,也就是说每次的迭代都是在上一次的基础上进一步减小损失,上 述的t表示第t轮迭代,i表示第i个样本。
[0058] 关于损失函数的选择,可以采用损失函数的负梯度拟合本轮的损失的近似值。第t 轮拟合的第i个样本的损失函数的负梯度rti为
Figure CN108536938AD00071
[0060] Xl表示第i个样本的所有特征,包括前述的电流信号特征以及切削工况参数;f (X1) 表示根据第i个样本的特征计算得到的刀具磨损量的预测值;yi表示第i个样本的刀具实际 磨损量;
[0061] 利用(Xl,rtl)可以拟合一棵CART回归树,得到第t棵回归树,其对应的叶子节点区 域为Rtj,j = 1,2,···,】,其中J为叶子节点的个数。对于每一个叶子节点里的样本,求出使拟 合叶子节点最好的输出值CtJ:
Figure CN108536938AD00072
[0063] yi表示第i个样本的刀具实际磨损量;c可以理解为用来拟合之前的学习器学习后 所剩下的残差,假设之前梯度提升树的拟合值与真实值差为1,那么C在考虑节点其它样本 误差的同时希望能够尽量地接近1。
[0064] 所以本轮的决策树拟合函数就是:
Figure CN108536938AD00081
[0066] I ( ·)为指示函数,最终的强学习器表达式为:
Figure CN108536938AD00082
[0068] 梯度提升树的优势在于在相对较少的调参时间情况下,预测的准确率也比较高, 而且如果使用一些健壮的损失函数,对异常值的鲁棒性也很强。
[0069] 较佳实施例中,特征提取模块4包括时域特征提取子模块、频域特征提取子模块以 及小波特征提取子模块;时域信号提取子模块用于提取预处理后的主轴电流信号的峰值、 均值、均方根值等时域特征;频域特征提取子模块用于提取预处理后的主轴电流信号的频 率、相位等频域特征;小波特征提取子模块用于将预处理后的主轴电流信号进行小波分解, 获取不同频段的小波包。
[0070] 较佳实施例中,机床刀具寿命预测系统还包括:结果显示单元6,其结构示意图如 图3所示,其是在实施例1的基础上增加了结构显示单元6,其与预测模块5相连,用于将预测 模块所预测的刀具的剩余使用寿命显示出来,使结构一目了然,更方便查看。
[0071] 结合图4,对本发明的机床刀具寿命预测方法的实施例进行详细描述,如图4所示, 其包括以下步骤:
[0072] S11:采用机床内置传感器测量机床的主轴电流信号以及切削工况参数;
[0073] S12:采用数据采集模块采集机床内置传感器所测量的主轴电流信号以及切削工 况参数;
[0074] S13:采用预处理模块对数据采集模块所采集的主轴电流信号进行预处理;
[0075] S14:采用特征提取模块对预处理模块预处理后的主轴电流信号进行特征值提取;
[0076] S15:采用预测模块根据主轴电流信号特征值以及切削工况参数对刀具的剩余使 用寿命进行预测。
[0077] 上述的S13中,预处理目的有两个,找出平稳的信号和对平稳的信号进行切分,方 便后续的处理。
[0078] 具体的,为了判断是否是平稳信号,可以对幅值的变化量进行分析,比如,信号幅 值在一定时间内的波动量(比如,1秒内幅值最大值和最小值的差)超出设定的阈值,则可 以认为当前信号为非平稳状态,则信号不可用,如果信号的变化量波动范围较小,则可以认 为处于平稳状态,信号可用。
[0079] 对信号进行打包切分,比如,如果连续的10秒内信号都是处于平稳状态,即信号可 用,则可以将这10秒的信号打包给后续模块进行处理。
[0080] 当然,上述的时长是为了实施例叙述方便,并不表示只能采用上述的1秒内、10秒 内,具体可以根据实际情况设定,上述的阈值也是如此。
[0081] 较佳实施例中,步骤S15具体包括:
[0082] S151:根据主轴电流信号特征值和切削工况参数对刀具磨损量进行预测;
[0083] S152:根据刀具磨损量对刀具的剩余使用寿命进行预测。
[0084] 较佳地,步骤S151中的刀具磨损量所采用的刀具磨损量预测模型为预先训练好的 刀具磨损量预测模型,刀具磨损量预测模型为以主轴电流信号特征值和切削工况参数作为 特征,以刀具磨损量作为标签建立训练样本,采用梯度提升树的算法训练得到的。
[0085] 具体地,首先将前述时域信号特征、频域信号特征、小波变换得到的特征以及切削 工况参数等作为自变量,刀具磨损量作为因变量,得到一个多特征、单标签的训练样本集S, 设S中共有N个样本;
[0086] 初始化回归树f(x):
Figure CN108536938AD00091
[0088]第一步只是预估一个使损失函数最小的常数值,它是一个只有根节点的树,之后 的每轮迭代中,都是对之前所有树迭代结果和的残差进行学习,这个残差就是一个加预测 值之后能得到真实值的累加量,也就是说,对于每个样本,计算其负梯度作为残差的估计:
Figure CN108536938AD00092
[0090] t表示第t轮迭代,i表示第i个样本,对所有rtl拟合得到一个回归树,得到第t棵树 的叶节点区域Rtj (j = 1,2,…,J),
Figure CN108536938AD00093
对于j = 1,2,…,J,计算
[0092] c可以理解为用来拟合之前的学习器学习后所剩下的残差,假设之前梯度提升树 的拟合值与真实值差为1,那么C在考虑节点其它样本误差的同时希望能够尽量地接近1,此 处其实是利用线性搜索估计叶节点区域的值,使损失函数极小化,然后更新回归树:
Figure CN108536938AD00094
[0094] I (·)为指示函数,假设经过T轮迭代后回归模型达到预定精度,也就是残差符合 预定要求,则最终的回归树为:
Figure CN108536938AD00095
[0096] 由此,fT(x)即为训练得到的刀具磨损量预测模型,它可以简单的理解为一个以主 轴电流特征和切削加工参数作为输入,以刀具磨损量作为输出的函数,将其导入刀具磨损 量预测模块即可根据输入的若干特征进行预测。
[0097] 较佳实施例中,步骤S14包括以下流程:
[0098] S141:提取预处理后的主轴电流信号的时域特征;
[0099] S142:提取预处理后的主轴电流信号的频域特征;
[0100] S143:将预处理后的主轴电流信号进行小波分解,获取不同频段的小波包;以上流 程不分先后顺序。
[0101] 较佳实施例中,步骤S15之后还包括:
[0102] S16:将预测的刀具的剩余使用寿命显示出来。
[0103] 综上,本发明的机床刀具寿命预测系统及预测方法,可以在不影响生产的情况下, 以较低的成本得到较好的预测效果。
[0104] 需要说明的是,本发明提供的所述预测方法中的步骤,可以利用所述预测系统中 对应的模块、装置、单元等予以实现,本领域技术人员可以参照所述系统的技术方案实现所 述方法的步骤流程,即,所述系统中的实施例可理解为实现所述方法的优选例,在此不予赘 述。
[0105] 本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统 及其各个装置以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其 各个装置以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式 来实现相同功能。所以,本发明提供的系统及其各项装置可以被认为是一种硬件部件,而对 其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构;也可以将用于实现各 种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
[0106] 此处公开的仅为本发明的优选实施例,本说明书选取并具体描述这些实施例,是 为了更好地解释本发明的原理和实际应用,并不是对本发明的限定。任何本领域技术人员 在说明书范围内所做的修改和变化,均应落在本发明所保护的范围内。

Claims (10)

1. 一种机床刀具寿命预测系统,其特征在于,包括:机床内置传感器、数据采集模块、预 处理模块、特征提取模块以及预测模块,其中: 所述机床内置传感器用于测量机床的主轴电流信号以及切削工况参数; 所述数据采集模块用于采集所述机床内置传感器测量的所述主轴电流信号以及切削 工况参数; 所述预处理模块用于对所述数据采集模块采集的所述主轴电流信号进行预处理,找出 平稳的信号,并对平稳的信号进行切分; 所述特征提取模块用于对所述预处理模块预处理后的所述主轴电流信号进行特征值 提取; 所述预测模块用于根据所述特征提取模块提取的主轴电流信号特征值以及切削工况 参数对刀具的剩余使用寿命进行预测。
2. 根据权利要求1所述的机床刀具寿命预测系统,其特征在于,所述特征提取模块包 括:时域特征提取子模块、频域特征提取子模块以及小波特征提取子模块;其中, 所述时域信号提取子模块用于提取预处理后的主轴电流信号的时域特征; 所述频域特征提取子模块用于提取预处理后的主轴电流信号的频域特征; 所述小波特征提取子模块用于将预处理后的主轴电流信号进行小波分解,获取不同频 段的小波包。
3. 根据权利要求1所述的机床刀具寿命预测系统,其特征在于,所述预测模块包括刀具 磨损量预测子模块以及刀具寿命预测子模块;其中, 所述刀具磨损量预测子模块用于根据所述主轴电流信号特征值和切削工况参数对刀 具磨损量进行预测; 所述刀具寿命预测子模块用于根据所述刀具磨损量对刀具的剩余使用寿命进行预测。
4. 根据权利要求3所述的机床刀具寿命预测系统,其特征在于,所述刀具磨损量预测子 模块所采用的刀具磨损量预测模型为预先训练好的刀具磨损量预测模型,所述刀具磨损量 预测模型为以所述主轴电流信号特征值和切削工况参数作为特征,以所述刀具磨损量作为 标签建立训练样本,采用梯度提升树的算法训练得到的。
5. 根据权利要求4所述的机床刀具寿命预测系统,其特征在于,所述梯度提升树是一种 使用了前向分布算法的迭代算法,使用分类回归树模型,其中:
Figure CN108536938AC00021
其中:fT(x)为训练得到的刀具磨损量预测模型,I (·)为指示函数,T为迭代次数,J为 CART回归树的叶子节点的个数,ctj为每一个叶子节点里的样本,拟合的叶子节点最好的输 出值;将fT(x)导入刀具磨损量预测模块即可根据输入的若干特征进行预测。
6. 根据权利要求1-4任一项所述的机床刀具寿命预测系统,其特征在于,还包括:结果 显示模块,所述结果显示模块与所述预测模块相连; 所述结果显示模块用于将所述预测模块预测的刀具的剩余使用寿命显示出来。
7. —种机床刀具寿命预测方法,其特征在于,包括以下步骤: SI 1:测量机床的主轴电流信号以及切削工况参数; S12:采集所述主轴电流信号以及切削工况参数; S13:对所述主轴电流信号进行预处理,找出平稳的信号,对平稳的信号进行切分; S14:对预处理后的所述主轴电流信号进行特征值提取; S15:根据主轴电流信号特征值以及切削工况参数对刀具的剩余使用寿命进行预测。
8. 根据权利要求7所述的机床刀具寿命预测方法,其特征在于,所述步骤S14包括以下 流程: S141:提取预处理后的主轴电流信号的时域特征; S142:提取预处理后的主轴电流信号的频域特征; S143:将预处理后的主轴电流信号进行小波分解,获取不同频段的小波包; 以上流程不分先后顺序。
9. 根据权利要求7所述的机床刀具寿命预测方法,其特征在于,所述步骤S15包括: S151:根据所述主轴电流信号特征值和切削工况参数对刀具磨损量进行预测; S152:根据所述刀具磨损量对刀具的剩余使用寿命进行预测。
10. 根据权利要求9所述的机床刀具寿命预测方法,其特征在于,所述步骤S151中的所 述刀具磨损量所采用的刀具磨损量预测模型为预先训练好的刀具磨损量预测模型,所述刀 具磨损量预测模型为以所述主轴电流信号特征值和切削工况参数作为特征,以所述刀具磨 损量作为标签建立训练样本,采用梯度提升树的算法训练得到的; 所述梯度提升树是一种使用了前向分布算法的迭代算法,使用分类回归树模型,其中:
Figure CN108536938AC00031
其中:fT(x)为训练得到的刀具磨损量预测模型,I (·)为指示函数,T为迭代次数,J为 CART回归树的叶子节点的个数,ctj为每一个叶子节点里的样本,拟合的叶子节点最好的输 出值。
CN201810268305.9A 2018-03-29 2018-03-29 一种机床刀具寿命预测系统及预测方法 Pending CN108536938A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810268305.9A CN108536938A (zh) 2018-03-29 2018-03-29 一种机床刀具寿命预测系统及预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810268305.9A CN108536938A (zh) 2018-03-29 2018-03-29 一种机床刀具寿命预测系统及预测方法

Publications (1)

Publication Number Publication Date
CN108536938A true CN108536938A (zh) 2018-09-14

Family

ID=63481661

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810268305.9A Pending CN108536938A (zh) 2018-03-29 2018-03-29 一种机床刀具寿命预测系统及预测方法

Country Status (1)

Country Link
CN (1) CN108536938A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109285156A (zh) * 2018-11-16 2019-01-29 厦门大学 离线预测拖拉机变速箱加工用整体立铣刀寿命的方法
CN109277882A (zh) * 2018-09-25 2019-01-29 江苏西格数据科技有限公司 一种机床刀具监测系统
CN109648397A (zh) * 2018-12-07 2019-04-19 杭州电子科技大学 基于刀齿刃带宽度与拉削负载相关性的拉刀寿命预测方法
CN109753923A (zh) * 2018-12-29 2019-05-14 晋西车轴股份有限公司 刀具磨损量的监测方法、系统、设备及计算机可读存储介质
CN109877650A (zh) * 2019-04-15 2019-06-14 重庆大学 一种棒料剪切刀具寿命预测方法
CN110116335A (zh) * 2019-05-14 2019-08-13 哈尔滨理工大学 一种确定重型切削硬质合金刀具破损寿命方法
CN110208705A (zh) * 2019-05-09 2019-09-06 赛尔网络有限公司 一种锂电池剩余寿命预测方法及装置
CN110303380A (zh) * 2019-07-05 2019-10-08 重庆邮电大学 一种数控机床刀具剩余寿命预测方法
CN110488753A (zh) * 2019-08-29 2019-11-22 山东大学 旋风铣削刀具用潜望式检测机构、预测系统及方法
CN110598299A (zh) * 2019-09-04 2019-12-20 北京理工大学 一种基于传感器融合与深度学习的表面完整性评价方法
CN111215966A (zh) * 2018-11-26 2020-06-02 财团法人资讯工业策进会 刀具寿命估测装置及方法
CN111390647A (zh) * 2019-01-02 2020-07-10 财团法人工业技术研究院 刀具寿命预测系统及其方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090106232A1 (en) * 2007-10-19 2009-04-23 Microsoft Corporation Boosting a ranker for improved ranking accuracy
CN106021796A (zh) * 2016-06-03 2016-10-12 上海工具厂有限公司 一种铬钢叶片型面加工用球头铣刀的剩余寿命预测方法
CN106203523A (zh) * 2016-07-17 2016-12-07 西安电子科技大学 基于梯度提升决策树半监督算法融合的高光谱图像分类
CN107220732A (zh) * 2017-05-31 2017-09-29 福州大学 一种基于梯度提升树的停电投诉风险预测方法
CN107563539A (zh) * 2017-07-24 2018-01-09 佛山市顺德区中山大学研究院 基于机器学习模型的短期和中长期电力负荷预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090106232A1 (en) * 2007-10-19 2009-04-23 Microsoft Corporation Boosting a ranker for improved ranking accuracy
CN106021796A (zh) * 2016-06-03 2016-10-12 上海工具厂有限公司 一种铬钢叶片型面加工用球头铣刀的剩余寿命预测方法
CN106203523A (zh) * 2016-07-17 2016-12-07 西安电子科技大学 基于梯度提升决策树半监督算法融合的高光谱图像分类
CN107220732A (zh) * 2017-05-31 2017-09-29 福州大学 一种基于梯度提升树的停电投诉风险预测方法
CN107563539A (zh) * 2017-07-24 2018-01-09 佛山市顺德区中山大学研究院 基于机器学习模型的短期和中长期电力负荷预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘顺兰 等: "《数字信号处理》", 31 July 2015 *
吴军 等: "基于信息融合的刀具剩余寿命在线预测方法", 《华中科技大学学报(自然科学版)》 *
鲁庆: "基于数据挖掘的材料自然环境腐蚀预测研究", 《中国博士学位论文全文数据库(电子期刊)》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109277882A (zh) * 2018-09-25 2019-01-29 江苏西格数据科技有限公司 一种机床刀具监测系统
CN109285156A (zh) * 2018-11-16 2019-01-29 厦门大学 离线预测拖拉机变速箱加工用整体立铣刀寿命的方法
CN111215966A (zh) * 2018-11-26 2020-06-02 财团法人资讯工业策进会 刀具寿命估测装置及方法
CN109648397A (zh) * 2018-12-07 2019-04-19 杭州电子科技大学 基于刀齿刃带宽度与拉削负载相关性的拉刀寿命预测方法
CN109753923A (zh) * 2018-12-29 2019-05-14 晋西车轴股份有限公司 刀具磨损量的监测方法、系统、设备及计算机可读存储介质
CN111390647A (zh) * 2019-01-02 2020-07-10 财团法人工业技术研究院 刀具寿命预测系统及其方法
US10983501B2 (en) 2019-01-02 2021-04-20 Industrial Technology Research Institute Tool-life prediction system and method thereof
CN109877650B (zh) * 2019-04-15 2021-01-29 重庆大学 一种棒料剪切刀具寿命预测方法
CN109877650A (zh) * 2019-04-15 2019-06-14 重庆大学 一种棒料剪切刀具寿命预测方法
CN110208705A (zh) * 2019-05-09 2019-09-06 赛尔网络有限公司 一种锂电池剩余寿命预测方法及装置
CN110116335A (zh) * 2019-05-14 2019-08-13 哈尔滨理工大学 一种确定重型切削硬质合金刀具破损寿命方法
CN110303380A (zh) * 2019-07-05 2019-10-08 重庆邮电大学 一种数控机床刀具剩余寿命预测方法
CN110488753A (zh) * 2019-08-29 2019-11-22 山东大学 旋风铣削刀具用潜望式检测机构、预测系统及方法
CN110598299A (zh) * 2019-09-04 2019-12-20 北京理工大学 一种基于传感器融合与深度学习的表面完整性评价方法
CN110598299B (zh) * 2019-09-04 2021-04-30 北京理工大学 一种基于传感器融合与深度学习的表面完整性评价方法

Similar Documents

Publication Publication Date Title
CN108536938A (zh) 一种机床刀具寿命预测系统及预测方法
Romero-Troncoso et al. FPGA-based online detection of multiple combined faults in induction motors through information entropy and fuzzy inference
CN103264317B (zh) 一种铣削加工刀具运行可靠性的评估方法
CN103646167A (zh) 一种基于遥测数据的卫星异常状态检测系统
CN103597417A (zh) 状态监测方法及装置
CN105974223B (zh) 一种用于在线检测用电设备工作状态的方法及系统
CN110678816B (zh) 用于控制技术系统的方法和控制机构
CN108011367B (zh) 一种基于深度决策树算法的电力负荷特性挖掘方法
Xiao et al. A multichannel fusion approach based on coupled hidden Markov models for rolling element bearing fault diagnosis
CN105139287A (zh) 一种融合安全域的综合性电能计量装置评估方法
EP3405842A1 (en) Value addition dependent data mining techniques for assembly lines
Zan et al. Research on early fault diagnosis of rolling bearing based on VMD
US20140200686A1 (en) Systems and Methods for Monitoring of Equipment Using a Configurable Rule Base
US9613316B2 (en) Method for improving efficiency in an optimizing predictive model using stochastic gradient descent
CN110928237B (zh) 一种基于振动信号的数控加工中心颤振在线辨识方法
CN112052871A (zh) 一种基于支持向量机的火箭发动机健康诊断方法及系统
CN108920863B (zh) 一种机器人伺服系统能耗估计模型的建立方法
CN104458923B (zh) 一种检测变压器内油中各气体含量示警值的方法和系统
CN110516659A (zh) 滚珠丝杠退化阶段识别方法、装置、设备及存储介质
CN106796157A (zh) 检测配送网络、特别是饮用水配送网络中的异常的方法
CN105572503A (zh) 一种基于多尺度采样的抽油机电参数数据预处理方法
CN107679089B (zh) 一种用于电力传感数据的清洗方法、装置和系统
CN105469318A (zh) 一种直流输电阀冷系统循环泵电机参数辨识算法
CN109459399A (zh) 一种光谱水质cod、浊度检测方法
Sarkar et al. Acquisition and pre-processing of three phase induction motor stator current signal for fault diagnosis using FPGA, NI Compact-RIO real time controller

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180914