CN109318055B - 一种铣削刀具磨损状态特征提取多目标优化方法 - Google Patents
一种铣削刀具磨损状态特征提取多目标优化方法 Download PDFInfo
- Publication number
- CN109318055B CN109318055B CN201811057698.5A CN201811057698A CN109318055B CN 109318055 B CN109318055 B CN 109318055B CN 201811057698 A CN201811057698 A CN 201811057698A CN 109318055 B CN109318055 B CN 109318055B
- Authority
- CN
- China
- Prior art keywords
- characteristic parameter
- optimization
- characteristic
- algorithm
- calculating
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 13
- 238000003801 milling Methods 0.000 title claims abstract description 12
- 238000000605 extraction Methods 0.000 title claims abstract description 8
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 238000005299 abrasion Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000002068 genetic effect Effects 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 claims 1
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 claims 1
- 210000000299 nuclear matrix Anatomy 0.000 claims 1
- 238000005520 cutting process Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
- B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
- B23Q17/0957—Detection of tool breakage
Abstract
本发明公开了一种铣削刀具磨损状态特征提取多目标优化方法,包括以下步骤:通过多种传感器通道采集多个物理场信号;计算每个传感通道信号的若干时域和频域统计特征参数、以及小波能量,构成特征参数候选集;以刀具状态预测精度和特征参数数量为优化目标,构造多目标优化模型;采用智能优化算法对优化模型进行全局寻优;将优化模型最优解所对应的传感特征参数集作为刀具状态监测所需的特征参数。本发明具有以下优点和效果:本发明从预测精度出发,以预测精度和特征参数个数为优化目标,考察各特征参数组合对应的刀具磨损量预测精度,避免了相关性强但预测精度低的现象。
Description
技术领域
本发明涉及制造过程监测领域,特别涉及一种铣削刀具磨损状态特征提取多目标优化方法。
背景技术
随着市场竞争的日益激烈,制造型企业对生产过程的自动化需求不断增加,数控铣床的自动化是大多数制造过程自动化的重要组成部分。铣削刀具作为数控铣床最易损伤的部件,对其进行及时有效的状态监测与故障识别至关重要。
近年来,基于多传感特征融合的间接式铣削刀具状态监测(TCM)方法受到了国内外学者的广泛关注。基于多传感特征融合的TCM方法是通过多个物理场传感器获取切削加工过程的相关信号,借助信号处理和统计分析技术对刀具状态进行估计,以达到实时监测刀具运行状态的目的。目前,学者们开展了大量TCM研究,已提出了诸多比较有效的TCM的方法,这为高精度、高可靠性的TCM提供了一定的技术基础。然而,目前的大多数相关研究存在如下两个主要问题:
(1)多传感信号的组合分析固然可以提高TCM识别精度,但传感器并非越多越好,冗余信号过多反而会影响TCM的识别精度,亦会导致监测成本和维护成本的增加;
(2)目前众多研究所采用的特征选取算法,均是基于与刀具状态的线性/非线性相关度来考察。然而,相关性强的特征参数并不一定能获得良好的监测性能。
发明内容
本发明针对上述现有技术的不足,提供了一种铣削刀具状态特征提取多目标优化方法。
本发明的上述技术目的是通过以下技术方案得以实现的:一种铣削刀具磨损状态特征提取多目标优化方法,包括以下步骤:
S1、通过多种传感器通道采集多个物理场信号;
S2、计算每个传感通道信号的若干时域和频域统计特征参数、以及小波能量,构成特征参数候选集;
S3、以刀具状态预测精度和特征参数数量为优化目标,构造多目标优化模型;
S4、采用智能优化算法对优化模型进行全局寻优;
S5、将优化模型最优解所对应的传感特征参数集作为刀具状态监测所需的特征参数。
进一步设置是所述的步骤S1具体包括:
周期性采集刀具运行状态下的S个物理场传感通道的时域信号以及对应的刀具磨损量,共分别采集T次,组成训练样本集。
进一步设置是所述的步骤S2具体包括:
S21、计算每个传感通道xit(i=1,…,M)的F个统计特征参数,组成特征参数集fit=(fit-1,fit-2,...,fit-F);
S22、将所有S个传感通道的特征参数集合并,构造特征参数候选集F={fit}。
进一步设置是所述的步骤S3具体包括:构造多目标优化模型
其中,Yt′表示在某种特征参数组合Fδq下通过预测算法得到的Xt的预测值。
进一步设置是所述的预测算法包括如下步骤:
S301、找出{δq}(q=1,…,Q)对应特征参数组合下的样本数据集,即选择{δq}中值为1的位置对应的特征参数;
S303、按照下式计算Xt的预测值Yt′:
其中,I表示单位矩阵,c表示正则化参数。
进一步设置是所述的步骤S4具体包括:
所述的智能优化算法包括粒子群算法、遗传算法和蚁群算法,并求得最优的特征参数集F*。
进一步设置是所述的步骤S5具体包括:
S52、在线监测,对于未知信号x,其对应的刀具磨损量预测值计算如下:
本发明的有益效果是:
(1)目前,对TCM的研究大多集中于多传感信号的组合分析。多传感信号固然可以提高TCM识别精度,但传感器并非越多越好,冗余信息过多反而会影响TCM的识别精度,亦会导致监测成本和维护成本的增加。本发明通过对“传感器—特征参数”的多目标组合优化分析,结合智能进化算法找出最佳的传感参数配置,如若某一传感通道对应的特征参数无一被选取,则该传感通道可以不予考虑,从而在保证预测精度的基础上获得最少传感数量。
(2)目前众多研究采用的特征选取算法有pearson相关分析、mRMR(最大相关最小冗余)等特征选取算法。但是,上述算法均是基于与刀具状态的线性/非线性相关度来考察,而相关性强的特征参数并不一定能获得良好的监测性能,特别是在切削加工这一复杂的过程中。本发明从预测精度出发,以预测精度和特征参数个数为优化目标,考察各特征参数组合对应的刀具磨损量预测精度,避免了相关性强但预测精度低的现象。
附图说明
图1为本发明的方法流程图;
图2为本发明的整体流程运行图。
具体实施方式
下面结合附图对本发明做进一步详细描述:
如图1和图2所示,为本发明实施例中,提出的一种铣削刀具磨损状态特征提取多目标优化方法,包括以下步骤:
S1、通过多种传感器通道采集多个物理场信号。其主要包含:
针对新切削刀具,周期性采集刀具运行状态下的S个物理场(如振动、电流、声发射、切削力、声音等)传感通道的时域信号以及对应的刀具磨损量,共分别采集T次,组成训练样本集(X,Y)={(Xt,Yt)},Xt∈RN×T,Yt∈R,t=1,2,...,T,Xt=(x1t,…,xSt)表示第t次采集信号时所有S个传感通道的信号,Yt表示第t次采集信号时对应的刀具磨损量,t表示第t次采集的信号,N表示每个传感通道每次采样的信号点数,其中M和N均为大于1的正整数。
S2、计算每个传感通道信号的若干时域和频域统计特征参数、以及小波能量,构成特征参数候选集。其主要包含:
计算每个传感通道xit(i=1,…,M)的F个统计特征参数(可以包含时域、频域、时频域小波能量等统计参数),组成xit的特征参数集fit=(fit-1,fit-2,...,fit-F),并将所有S个通道的特征参数集合并,构造特征参数候选集F={fit}。为描述方便,将Xt对应的候选参数集F记为Ft={ftk,t=1,…,T,k=1,…,Q},Q为候选参数总个数。
S3、以刀具状态预测精度和特征参数数量为优化目标,构造多目标优化模型。其主要包含:构造多目标优化模型
式(1)、(2)和(3)中,Y′t表示在某种特征参数组合Fδq下通过预测算法得到的Xt的预测值,预测算法如下:
a)找出{δq}(q=1,…,Q)对应特征参数组合下的样本数据集,即选择{δq}中值为1的位置对应的特征参数。例如,{δq}={1,0,0,1,1,0......,}表示选择候选集F中第1、4、5个参数,进而提炼出样本数据集(Xδq,Y)={(fδq-t,Yt)}。
c)按照下式计算Xt的预测值Y′t:
式(4)中,I表示单位矩阵,c表示正则化参数(一般取2)。
S4、采用智能优化算法对优化模型进行全局寻优。其主要包含:
采用多目标智能进化算法,如粒子群算法、遗传算法、蚁群算法等,求解上一步骤中优化模型的全局最优解,求得最优的特征参数集F*。
S5、将优化模型最优解所对应的传感特征参数集作为刀具状态监测所需的特征参数。其主要包含:
b)在线监测,对于未知信号x,其对应的刀具磨损量预测值计算如下:
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (1)
1.一种铣削刀具磨损状态特征提取多目标优化方法,其特征在于,包括以下步骤:
S1、通过多种传感器通道采集多个物理场信号;
S2、计算每个传感通道信号的若干时域和频域统计特征参数、以及小波能量,构成特征参数候选集;
S3、以刀具状态预测精度和特征参数数量为优化目标,构造多目标优化模型;
S4、采用智能优化算法对优化模型进行全局寻优;
S5、将优化模型最优解所对应的传感特征参数集作为刀具状态监测所需的特征参数;
所述的步骤S1具体包括:
周期性采集刀具运行状态下的S个物理场传感通道的时域信号以及对应的刀具磨损量,共分别采集T次,组成训练样本集。
所述的步骤S2具体包括:
S21、计算每个传感通道xit(i=1,…,M)的F个统计特征参数,组成特征参数集fit=(fit-1,fit-2,...,fit-F);
S22、将所有S个传感通道的特征参数集合并,构造特征参数候选集F={fit};
所述的步骤S3具体包括:构造多目标优化模型
其中,Yt′表示在某种特征参数组合Fδq下通过预测算法得到的Xt的预测值;
所述的预测算法包括如下步骤:
S301、找出{δq}(q=1,…,Q)对应特征参数组合下的样本数据集,即选择{δq}中值为1的位置对应的特征参数;
S303、按照下式计算Xt的预测值Yt′:
其中,I表示单位矩阵,c表示正则化参数;
所述的步骤S4具体包括:
所述的智能优化算法包括粒子群算法、遗传算法和蚁群算法,并求得最优的特征参数集F*;
所述的步骤S5具体包括:
S52、在线监测,对于未知信号x,其对应的刀具磨损量预测值计算如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811057698.5A CN109318055B (zh) | 2018-09-11 | 2018-09-11 | 一种铣削刀具磨损状态特征提取多目标优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811057698.5A CN109318055B (zh) | 2018-09-11 | 2018-09-11 | 一种铣削刀具磨损状态特征提取多目标优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109318055A CN109318055A (zh) | 2019-02-12 |
CN109318055B true CN109318055B (zh) | 2021-03-30 |
Family
ID=65264959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811057698.5A Active CN109318055B (zh) | 2018-09-11 | 2018-09-11 | 一种铣削刀具磨损状态特征提取多目标优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109318055B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11592499B2 (en) | 2019-12-10 | 2023-02-28 | Barnes Group Inc. | Wireless sensor with beacon technology |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110561193B (zh) * | 2019-09-18 | 2020-09-29 | 杭州友机技术有限公司 | 一种基于特征融合的刀具磨损评估及监控的方法与系统 |
CN111085898A (zh) * | 2019-12-30 | 2020-05-01 | 南京航空航天大学 | 一种工况自适应的高速铣削加工过程刀具监测方法及系统 |
CN111783544B (zh) * | 2020-06-02 | 2023-09-01 | 华侨大学 | 加工陶瓷手机背板的金刚石铣磨头状态监测系统搭建方法 |
CN112372371B (zh) * | 2020-10-10 | 2021-10-19 | 上海交通大学 | 数控机床刀具磨损状态评估方法 |
CN113369994A (zh) * | 2021-06-30 | 2021-09-10 | 温州大学 | 一种高速铣削过程刀具状态监测方法 |
CN113618491A (zh) * | 2021-08-23 | 2021-11-09 | 浙江工业大学 | 一种拉刀磨损状态识别模型建立方法 |
CN113688534B (zh) * | 2021-09-02 | 2024-04-05 | 苏州莱库航空装备科技有限公司 | 一种基于多特征融合模型寻找最优铣削参数的研究方法 |
CN114800039B (zh) * | 2022-04-08 | 2023-03-14 | 山东大学 | 一种在线监测薄壁件铣削刀具状态的特征强化方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156584A (zh) * | 2014-08-04 | 2014-11-19 | 中国船舶重工集团公司第七0九研究所 | 多目标优化差分进化算法的传感器目标分配方法及系统 |
CN105488282A (zh) * | 2015-11-30 | 2016-04-13 | 南京航空航天大学 | 一种基于动态加工特征的切削参数分段和变切深优化方法 |
CN106563972A (zh) * | 2015-10-13 | 2017-04-19 | 颜均泰 | 刀具状态监测及预测方法 |
CN107976956A (zh) * | 2017-11-22 | 2018-05-01 | 沈阳机床股份有限公司 | 数控机床的多目标切削数据生成算法及切割参数优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10040224A1 (de) * | 2000-08-17 | 2002-03-07 | Index Werke Kg Hahn & Tessky | Werkzeugmaschine |
-
2018
- 2018-09-11 CN CN201811057698.5A patent/CN109318055B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156584A (zh) * | 2014-08-04 | 2014-11-19 | 中国船舶重工集团公司第七0九研究所 | 多目标优化差分进化算法的传感器目标分配方法及系统 |
CN106563972A (zh) * | 2015-10-13 | 2017-04-19 | 颜均泰 | 刀具状态监测及预测方法 |
CN105488282A (zh) * | 2015-11-30 | 2016-04-13 | 南京航空航天大学 | 一种基于动态加工特征的切削参数分段和变切深优化方法 |
CN107976956A (zh) * | 2017-11-22 | 2018-05-01 | 沈阳机床股份有限公司 | 数控机床的多目标切削数据生成算法及切割参数优化方法 |
Non-Patent Citations (4)
Title |
---|
刀具磨损的人工神经网络估计;李旗号等;《天津大学学报(自然科学与工程技术版)》;20000425(第04期);447-450 * |
基于改进人工蜂群算法和极限学习机的刀具磨损监测;郭一君等;《重庆大学学报》;20180630(第06期);1-8 * |
基于遗传算法的BP神经网络在刀具磨损状态监测中的应用;周缓婧;《西安交通大学硕士论文》;20100401;1-79 * |
结构件数控编程切削参数优化;李铁钢等;《工具技术》;20110920(第09期);23-25 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11592499B2 (en) | 2019-12-10 | 2023-02-28 | Barnes Group Inc. | Wireless sensor with beacon technology |
Also Published As
Publication number | Publication date |
---|---|
CN109318055A (zh) | 2019-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109318055B (zh) | 一种铣削刀具磨损状态特征提取多目标优化方法 | |
CN111300146B (zh) | 基于主轴电流和振动信号的数控机床刀具磨损量在线预测方法 | |
Madhusudana et al. | Condition monitoring of face milling tool using K-star algorithm and histogram features of vibration signal | |
CN110059442B (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 | |
CN108581633B (zh) | 一种基于遗传算法优化多传感监测刀具状态的方法 | |
CN104914723B (zh) | 基于协同训练偏最小二乘模型的工业过程软测量建模方法 | |
CN103488561B (zh) | 一种在线升级主样本模型的kNN故障检测方法 | |
CN114619292B (zh) | 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法 | |
Duan et al. | MS-SSPCANet: A powerful deep learning framework for tool wear prediction | |
CN106980761A (zh) | 一种滚动轴承运行状态退化趋势预测方法 | |
CN116070527B (zh) | 基于退化模型的铣削刀具剩余寿命预测方法 | |
CN116415127A (zh) | 用于造纸质量评估的方法、系统及介质 | |
Kumar et al. | Performance evaluation for tool wear prediction based on Bi-directional, Encoder–Decoder and Hybrid Long Short-Term Memory models | |
Liu et al. | Automatically designing network-based deep transfer learning architectures based on genetic algorithm for in-situ tool condition monitoring | |
CN111730412A (zh) | 一种基于蚁群优化算法的支持向量机的微铣刀磨损状态监测方法 | |
Jesuthanam et al. | Surface roughness prediction using hybrid neural networks | |
CN114905335A (zh) | 一种结合域对抗和卷积神经网络的刀具磨损预测方法 | |
Wen et al. | A new multi-sensor fusion with hybrid Convolutional Neural Network with Wiener model for remaining useful life estimation | |
CN106599391B (zh) | 基于三角形角度值动态加权的关联向量机软测量建模方法 | |
CN109396956B (zh) | 一种数控滚齿机滚刀状态智能监测方法 | |
CN108427375B (zh) | 一种基于带通滤波处理多传感监测刀具状态的方法 | |
Zhang et al. | Tool wear monitoring using a novel parallel BiLSTM model with multi-domain features for robotic milling Al7050-T7451 workpiece | |
CN112884027B (zh) | 一种基于模式识别的切削过程实时状态监测方法及装置 | |
Li et al. | A multiple signals fusing framework for tool condition monitoring based on deep learning | |
Wei et al. | Research on tool wear state identification method driven by multi-source information fusion and multi-dimension attention mechanism |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240102 Address after: 034302 south side of national highway 108, Nanguan village, Shahe Town, Fanshi County, Xinzhou City, Shanxi Province Patentee after: Shanxi Anxin Casting Technology Co.,Ltd. Address before: 325000 Room 203, 2nd floor, area D, building 14, changhaixi e-commerce Science Park, Lingxi Town, Cangnan County, Wenzhou City, Zhejiang Province Patentee before: WENZHOU UNIVERSITY CANGNAN Research Institute |