CN112207631A - 刀具检测模型的生成方法、检测方法、系统、设备及介质 - Google Patents
刀具检测模型的生成方法、检测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN112207631A CN112207631A CN202010996448.9A CN202010996448A CN112207631A CN 112207631 A CN112207631 A CN 112207631A CN 202010996448 A CN202010996448 A CN 202010996448A CN 112207631 A CN112207631 A CN 112207631A
- Authority
- CN
- China
- Prior art keywords
- target
- acoustic emission
- characteristic data
- emission signal
- tool
- 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.)
- Granted
Links
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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了刀具检测模型的生成方法、检测方法、系统、设备及介质,生成方法包括:获取不同磨损状态的刀具在加工过程中的声发射信号;对声发射信号进行特征提取以获取至少四种特征数据,将特征数据作为输入及对应的磨损状态作为输出训练机器学习模型以获取刀具检测模型。本发明通过获取声发射信号、提取特征数据并将其输入至机器学习模型中进行训练,可以得到刀具检测模型,通过从不同维度特征数据,可以得到更可靠的训练数据,也可以在样本有限的情况下得到更多有效训练数据,通过训练机器学习模型,建立了加工过程中的声发射信号与刀具磨损状态之间的关系,从而可以实现在实际加工的过程中实现对加工过程中刀具磨损状态的准确检测。
Description
技术领域
本发明涉及刀具磨损状态的检测领域,特别涉及一种刀具检测模型的生成方法、检测方法、系统、设备及介质。
背景技术
CNC(计算机数控)机床通过其配备的刀具对产品进行加工,产品的品质依赖于刀具的健康状态,刀具在加工的过程中会被磨损消耗以至难以达到健康的加工状态。
切削加工是目前最常用的机械加工方法,在工业制造中发挥重要作用。刀具的状态和寿命对加工产品的生产质量产生直接影响,影响生产制造技术水准、成本、效率和经济效益。刀具严重磨损将引起刀具的破坏,从而导致工件报废,损坏机床,严重的会影响机床的正常运行。
目前生产实践及研究中常用到的测量刀具磨损状态的方法大致分为两类,即直接测量和间接测量。直接测量法通过直接观测刀具表面形貌的方法来判断刀具当前的磨损状态,其属于离线监测方法。例如:机械式测量法、刀具工件间距测量法、电阻测量法、光学投影法、射线测量法等。
间接测量法通过切削过程中各种物理信号的变化来确定刀具当前所处的状态,例如:切削力检测法、电流信号测量法、热电压测量法等。
目前刀具磨损状态监测的方法主要是间接法,但通过间接法测量刀具磨损状态主要存在两个方面的问题:一是对于非平稳信号,信号处理提取的特征可靠性不高;二是需要大量的样本数据来保障识别精度,导致刀具磨损状态识别效率低。
发明内容
本发明要解决的技术问题是为了克服现有技术中检测刀具磨损状态的可靠性不高且识别效率低的缺陷,提供一种可靠性高且精度高的刀具检测模型的生成方法、检测方法、系统、设备及介质。
本发明提供了一种刀具检测模型的生成方法,所述生成方法包括:
获取不同磨损状态的刀具在加工过程中的声发射信号;
对所述声发射信号进行特征提取以获取至少四种特征数据,所述特征提取包括傅里叶变换、功率谱密度分析、自相关分析及小波分解;
将所述声发射信号的特征数据作为输入及所述声发射信号对应的磨损状态作为输出训练机器学习模型以获取所述刀具检测模型,所述刀具检测模型用于检测目标刀具的当前磨损状态。
较佳地,所述对所述声发射信号进行特征提取以获取至少四种特征数据的步骤包括:
对所述声发射信号进行傅里叶变换以获取目标频谱图,并从所述目标频谱图中提取第一特征数据;
对所述声发射信号进行功率谱密度分析以获取目标功率谱密度图,并从所述目标功率谱密度图中提取第二特征数据;
对所述声发射信号进行自相关分析以获取目标自相关图,并从所述目标自相关图中提取第三特征数据;
对所述声发射信号进行小波分解以获取目标小波分解图,并从所述目标小波分解图中提取第四特征数据;
所述将所述声发射信号的特征数据作为输入的步骤包括:
将所述声发射信号的所述第一特征数据、所述第二特征数据、所述第三特征数据及所述第四特征数据作为输入。
较佳地,所述第一特征数据包括所述目标频谱图中第一波峰值;
所述第二特征数据包括所述目标自相关图中第二波峰值;
所述第三特征数据包括所述目标小波分解图中第三波峰值;
所述第四特征数据包括所述目标小波分解图中过零率、标准差及熵值。
较佳地,所述获取不同磨损状态的刀具在加工过程中的声发射信号的步骤包括:获取若干预设固定窗口下的所述声发射信号;
所述对所述声发射信号进行傅里叶变换以获取目标频谱图的步骤包括:
对每一所述预设固定窗口下的声发射信号进行傅里叶变换以获取对应的中间频谱图;
获取所有所述中间频谱图中每一频率对应的幅值的目标均值,并根据所述目标均值生成目标频谱图。
较佳地,所述机器学习模型包括梯度提升树模型。
较佳地,所述获取不同磨损状态的刀具在加工过程中的声发射信号的步骤后还包括:
对所述声发射信号进行预处理;
所述对所述声发射信号进行特征提取的步骤中,对预处理后的所述声发射信号进行特征提取。
较佳地,所述对所述声发射信号进行预处理的步骤包括:
提取所述声发射信号中的加工段数据;
和/或,
对所述声发射信号进行数据分段;
和/或,
对所述声发射信号进行降噪处理。
本发明还提供了一种刀具磨损状态的检测方法,所述检测方法包括:
获取当前加工过程中的目标刀具的声发射信号;
对所述声发射信号进行特征提取以获取至少四种特征数据,所述特征提取包括傅里叶变换、功率谱密度分析、自相关分析及小波分解;
将所述特征数据输入至如上所述的刀具检测模型的生成方法生成的刀具检测模型中以获取所述目标刀具对应的当前磨损状态。
较佳地,所述对所述声发射信号进行特征提取以获取至少四种特征数据的步骤包括:
对所述声发射信号进行傅里叶变换以获取目标频谱图,并从所述目标频谱图中提取第一特征数据;
对所述声发射信号进行功率谱密度分析以获取目标功率谱密度图,并从所述目标功率谱密度图中提取第二特征数据;
对所述声发射信号进行自相关分析以获取目标自相关图,并从所述目标自相关图中提取第三特征数据;
对所述声发射信号进行小波分解以获取目标小波分解图,并从所述小波分解图中提取第四特征数据;
所述将所述特征数据输入至如上所述的生成方法生成的刀具检测模型中的步骤包括:
将所述声发射信号的所述第一特征数据、所述第二特征数据、所述第三特征数据及所述第四特征数据输入至如上所述的生成方法生成的刀具检测模型中。
较佳地,所述第一特征数据包括所述目标频谱图的第一波峰值;
所述第二特征数据包括所述目标功率谱密度图的第二波峰值;
所述第三特征数据包括所述目标小波分解图的第三波峰值;
所述第四特征数据包括所述目标小波分解图的过零率、标准差及熵值。
本发明还提供了一种刀具检测模型的生成系统,所述生成系统包括:声信号获取模块、特征数据获取模块及训练模块;
所述声信号获取模块用于获取不同磨损状态的刀具在加工过程中的声发射信号;
所述特征数据获取模块用于对所述声发射信号进行特征提取以获取至少四种特征数据,所述特征提取包括傅里叶变换、功率谱密度分析、自相关分析及小波分解;
所述训练模块用于将所述声发射信号的特征数据作为输入及所述声发射信号对应的磨损状态作为输出训练机器学习模型以获取所述刀具检测模型,所述刀具检测模型用于检测目标刀具的当前磨损状态。
较佳地,所述特征数据获取模块包括:第一特征数据获取单元、第二特征数据获取单元、第三特征数据获取单元及第四特征数据获取单元;
所述第一特征数据获取单元用于对所述声发射信号进行傅里叶变换以获取目标频谱图,并从所述目标频谱图中提取第一特征数据;
所述第二特征数据获取单元用于对所述声发射信号进行功率谱密度分析以获取目标功率谱密度图,并从所述目标功率谱密度图中提取第二特征数据;
所述第三特征数据获取单元用于对所述声发射信号进行自相关分析以获取目标自相关图,并从所述目标自相关图中提取第三特征数据;
所述第四特征数据获取单元用于对所述声发射信号进行小波分解以获取目标小波分解图,并从所述目标小波分解图中提取第四特征数据;
所述训练模块用于将所述声发射信号的所述第一特征数据、所述第二特征数据、所述第三特征数据及所述第四特征数据作为输入。
较佳地,所述第一特征数据包括所述目标频谱图中第一波峰值;
所述第二特征数据包括所述目标自相关图中第二波峰值;
所述第三特征数据包括所述目标小波分解图中第三波峰值;
所述第四特征数据包括所述目标小波分解图中过零率、标准差及熵值。
较佳地,所述声信号获取模块还用于获取若干预设固定窗口下的所述声发射信号;
所述第一特征数据获取单元还包括中间频谱图生成子单元及目标频谱图生成子单元;
所述中间频谱图生成子单元用于
对每一所述预设固定窗口下的声发射信号进行傅里叶变换以获取对应的中间频谱图;
所述目标频谱图生成子单元用于根据所述目标均值生成所述声发射信号的目标频谱图获取所有所述中间频谱图中每一频率对应的幅值的目标均值,并根据所述目标均值生成目标频谱图。
较佳地,所述机器学习模型包括梯度提升树模型。
较佳地,所述生成系统还包括:预处理模块,用于对所述声发射信号进行预处理;
所述特征数据获取模块还用于对预处理后的所述声发射信号进行特征提取。
较佳地,所述预处理模块包括加工段提取单元,用于提取所述声发射信号中的加工段数据;
和/或,
所述预处理模块包括数据分段单元,用于对所述声发射信号进行数据分段;
和/或,
所述预处理模块包括降噪单元,用于对所述声发射信号进行降噪处理。
本发明还提供了一种刀具磨损状态的检测系统,所述检测系统包括:目标信号获取模块、目标特征数据获取模块以及检测模块;
所述目标信号获取模块用于获取当前加工过程中的目标刀具的声发射信号;
所述目标特征数据获取模块用于对所述声发射信号进行特征提取以获取至少四种特征数据,所述特征提取包括傅里叶变换、功率谱密度分析、自相关分析及小波分解;
所述检测模块用于将所述特征数据输入至如上所述的刀具检测模型的生成系统生成的刀具检测模型中以获取所述目标刀具对应的当前磨损状态。
较佳地,所述目标特征数据获取模块包括:第一目标特征数据获取单元、第二目标特征数据获取单元、第三目标特征数据获取单元及第四目标特征数据获取单元;
所述第一目标特征数据获取单元用于对所述声发射信号进行傅里叶变换以获取目标频谱图,并从第一目标特征数据获取单元所述目标频谱图中提取第一特征数据;
所述第二目标特征数据获取单元用于对所述声发射信号进行功率谱密度分析以获取目标功率谱密度图,并从所述目标功率谱密度图中提取第二特征数据;
所述第三目标特征数据获取单元用于对所述声发射信号进行自相关分析以获取目标自相关图,并从所述目标自相关图中提取第三特征数据;
所述第四目标特征数据获取单元用于对所述声发射信号进行小波分解以获取目标小波分解图,并从所述小波分解图中提取第四特征数据;
所述检测模块用于将所述声发射信号的所述第一特征数据、所述第二特征数据、所述第三特征数据及所述第四特征数据输入至如上所述的生成系统生成的刀具检测模型中。
较佳地,所述第一特征数据包括所述目标频谱图的第一波峰值;
所述第二特征数据包括所述目标功率谱密度图的第二波峰值;
所述第三特征数据包括所述目标小波分解图的第三波峰值;
所述第四特征数据包括所述目标小波分解图的过零率、标准差及熵值。
本发明还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的刀具检测模型的生成方法或如上所述的刀具磨损状态的检测方法。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的刀具检测模型的生成方法或如上所述的刀具磨损状态的检测方法的步骤。
本发明是通过下述技术方案来解决上述技术问题:
本发明的积极进步效果在于:本发明通过获取刀具加工过程中声发射信号,通过傅里叶变换、功率谱密度分析、自相关分析及小波分解的方式从不同维度从声发射信号中提取特征数据,通过将特征数据输入至机器学习模型中进行训练,可以得到用于检测刀具磨损状态的刀具检测模型。本发明通过从不同维度提取特征数据,一方面可以得到更可靠的训练数据,另一方面也可以在样本有限的情况下得到更多有效训练数据,通过训练机器学习模型,建立了加工过程中的声发射信号与刀具磨损状态之间的关系,从而可以实现在实际加工的过程中,在面对复杂的加工环境时,可以持续并实时实现对加工过程中刀具磨损状态的准确检测。
附图说明
图1为本发明实施例1的刀具检测模型的生成方法的流程图。
图2为实施例1中步骤102的实现方式的流程图。
图3为实施例1中预处理的步骤的实现方式的流程图。
图4为本发明实施例2的刀具磨损状态的检测方法的流程图。
图5为本发明实施例3的刀具检测模型的生成系统的模块示意图。
图6为实施例3的特征数据获取模块的单元示意图。
图7为实施例3的预处理模块的单元示意图。
图8为本发明实施例4的刀具磨损状态的检测系统的模块示意图。
图9为本发明实施例5的电子设备的模块示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
实施例1
本实施例提供了一种刀具检测模型的生成方法,如图1所示,该生成方法包括:
步骤101、获取不同磨损状态的刀具在加工过程中的声发射信号。
其中,步骤101中,可以在某一预设工况下,使用恒定的切削参数对材料进行加工,测量该过程中的声发射信号,同时测量每次加工后刀具的磨损状态。
下面通过一具体场景对步骤101进行说明:如可以预设刀具的后刀面磨损量为0~0.1时,为初期磨损状态,后刀面磨损量为0.1~0.3时,为中期磨损状态,后刀面磨损量大于0.3时,为后期磨损状态,在既定工况下,通过恒定的切削参数使用磨损状态不同的刀具对同一材料的产品进行加工,在对产品加工的过程中,测量声发射信号,产品加工后,测量每一加工后的产品对应的刀具的当前磨损状态,并将声发射信号及对应的磨损状态作为训练数据。
应当理解,上述具体场景仅作为举例说明,实际情况中,并不限于以上三种刀具磨损状态,对刀具磨损状态的测量也不限于后刀面磨损量,不应以上述举例作为对本实施例的限制。
步骤102、对声发射信号进行特征提取。
本实施例中,可以通过傅里叶变换、功率谱密度分析、自相关分析及小波分解等多种方式来提取声发射信号中的特征数据。
在一种具体的实施方式中,如图2所示,步骤102具体可以包括:
步骤1021、对声发射信号进行傅里叶变换以获取目标频谱图,并从目标频谱图中提取第一特征数据。
本实施例中,可以具体分析目标频谱图的波峰的峰值的分布和位置,如可以将波峰峰值的纵坐标由大到小进行排序,并选择排名前若干波峰的坐标,即频率和幅值,作为第一特征数据。在一种具体的实施方式中,可以先预设需要获得第一特征数据的数量,如在形成的目标频谱图中,波峰的数量未达到预设的第一特征数据的数量,则可以设置一预设补偿值将其它第一特征数据的值补齐。
应当理解,在其它实施例中,第一特征数据中也可以选择其它值,如分位数、均值、波谷等等,本实施例仅作为举例说明,并不以此为限。
在一种具体实施方式中,为了减少信号的波动信,步骤101中可以获取若干预设固定窗口下的声发射信号,应当理解,此处的固定窗口可以以时间为单位,如每5s中获取的目标均值,也可以以声发射信号的条数为单位,如10条声发射信号的目标均值,对应的,步骤1021中,可以对每一预设固定窗口下的声发射信号进行傅里叶变换以获取对应的中间频谱图、获取所有中间频谱图中每一频率对应的幅值的目标均值并根据目标均值生成目标频谱图。
步骤1022、对声发射信号进行功率谱密度分析以获取目标功率谱密度图,并从目标功率谱密度图中提取第二特征数据。
本实施例中,步骤1022与步骤1021类似,将目标功率谱密度图中的波峰对应的坐标,即频率和功率。作为第二特征数据,具体提取第二特征数据的方式可以参考步骤1021,此处便不再赘述。
应当理解,在其它实施例中,第二特征数据中也可以选择其它的值,如分位数、均值、波谷等等,本实施例仅作为举例说明,并不以此为限。
步骤1023、对声发射信号进行自相关分析以获取目标自相关图,并从目标自相关图中提取第三特征数据。
本实施例中,通过自相关分析,可以分析声发射信号的周期性质,同样在形成的自相关图中,将波峰的坐标,即延时值和相关度,作为第三特征数据,具体提取第三特征数据的方式可以参考步骤1021,此处便不再赘述。
应当理解,在其它实施例中,第三特征数据中也可以选择其它的值,如分位数、均值、波谷等等,本实施例仅作为举例说明,并不以此为限。
步骤1024、对声发射信号进行小波分解以获取目标小波分解图,并从目标小波分解图中提取第四特征数据。
本实施例中,使用三层小波对声发射信号进行分解,并分别从分解后的每一层数据中提取第四特征数据,分解后的每一层数据都可以生成一目标小波分解图,具体的,本实施例中,根据每一层的目标小波分解图计算过零率、标准差和熵值。
具体的,可以通过如下公式计算过零率Zl:
可以通过如下公式计算标准差Si:
可以通过如下公式计算熵值Hl:
本实施例中,在得到第一特征数据、第二特征数据、第三特征数据以及第四特征数据后,将第一特征数据、第二特征数据、第三特征数据以及第四特征数据组成一个特征向量。
本实施例中,可以不断重复步骤101-步骤102以获取足够的特征向量。
步骤103、将声发射信号的特征数据作为输入及声发射信号对应的磨损状态作为输出训练机器学习模型以获取刀具检测模型。
其中,本实施例中,可以在各个磨损状态的刀具中都分别抽取一定数目特征数据作为训练样本来训练机器学习模型。
具体的,本实施例中使用的机器学习模型为梯度提升树模型,将训练样本中的步骤102中得到的特征向量及对应的步骤101中获取的声发射信号作为输入,对应的刀具的磨损状态作为输出来训练梯度提升树模型。在模型训练的过程中,不断优化模型参数,如最少分离样本数,最少叶子样本数、最大树深度、树的数目等,选择使得模型误差最小的一组参数,来作为刀具检测模型。
应当理解,本实施例中,在模型训练过程中对梯度提升树模型的优化、参数的调整等过程均可以采用现有技术中公开的手段。
本实施例中,还可以将除了训练样本以外的特征数据作为测试数据,训练出刀具检测模型后,可以将测试样本中的特征数据输入至训练出的刀具检测模型中来判断刀具检测模型输出的对应的刀具磨损状态是否为真实的刀具磨损状态,如当输出的磨损状态符合真实磨损状态的样本数量与总体测试的样本数量的比值达到真实率阈值时,则认为训练出的刀具检测模型为最终的刀具检测模型,若没有达到真实率阈值,则可以通过调整参数、调整训练样本、扩大训练样本等方式来进一步训练模型。
本实施例中,在一种具体的实时方式中,为了得到更有效的训练数据,步骤102前还可以包括预处理的步骤,具体的,如图3所示,预处理的步骤可以包括:
步骤1011、提取声发射信号中的加工段数据。
由于步骤101中获取的声发射信号里既包含对材料加工过程中的加工段的声发射信号,也有可能包含加工过程中的非加工段的声发射信号,而实际需要采集的为加工段的声发射信号,因此,需要提取实际加工段的位置,本实施例中具体可以采用小波分解的方法,通过设定能量阈值来切分加工段。如,使用db5(一种小波的具体实现形式)小波对获取的声发射信号进行7层分解,观察分解后的每一层。
由于非加工段的信号波动较加工段的信号波动较小,因此可以选择非加工段的信号波动最小的一层作为待处理数据,可以使用一个能量值阈值,当待处理数据中声发射信号的能量低于该阈值时,将对应的声发射信号剔除,这样处理后的信号可以认为是加工段的信号。
本实施例中,通过步骤1011,可以剔除加工过程中的非加工段数据,以获取到更有效的训练样本。
步骤1012、对声发射信号进行数据分段。
由于可能获取到的大量的声发射信号,为了方便对数据的处理,可以将声发射信号按时间切分为若干个小段,如每500毫秒、1秒时间为一段,通过对对声发射信号进行数据分段可以减小计算量,提升计算速度。
步骤1013、对声发射信号进行降噪处理。
由于加工过程中的除了需要获取到的刀具加工过程中的声发射信号以外,还存在其他的噪声,如切削液、机台振动等噪声,为了过滤这类噪声,需要采集一段空跑的非加工时的声发射信号,然后将空跑的频谱与加工段的频谱进行对比,选择合适的频率阈值,使得在该阈值之下的非加工段与加工段的频段出现较为明显的区别,而在阈值之上两者差别较少。最后使用低通滤波器,设定截止频率为该阈值,过滤加工信号,通过步骤1013可以剔除噪声的干扰,进一步获取有效的训练数据。
应当理解,本实施例只是对预处理步骤的具体实施方式以举例的形式作为说明,实际中,可以仅选择步骤1011、1012及1013中的任一种执行,或者任意两种执行,且实际中,上述步骤的执行顺序也可以根据需要进行选择,此外,预处理的具体执行方式也并不仅限于上述步骤,也可以采用现有技术中其他的预处理声发射信号数据的方式。
应当理解,当执行了上述预处理的步骤后,步骤102中具体为对预处理后的声发射信号进行特征数据的提取。
本实施例中,通过上述步骤,即可以训练出用于检测刀具磨损状态的刀具检测模型。
本实施例中,通过获取刀具加工过程中声发射信号,通过傅里叶变换、功率谱密度分析、自相关分析及小波分解的方式从不同维度提取特征数据,通过将特征数据输入至机器学习模型中进行训练,可以得到用于检测刀具磨损状态的刀具检测模型。
本实施例中,通过从不同维度提取特征数据,一方面可以得到更可靠的训练数据,另一方面也可以在样本有限的情况下得到更多有效训练数据,通过训练机器学习模型,建立了加工过程中的声发射信号与刀具磨损状态之间的关系并实时实现对加工过程中刀具磨损状态的准确检测。
本实施例中,通过预处理的步骤,可以去除在加工过程中的非加工段数据、剔除加工过程中非刀具产生的噪声以及集中对数据处理,一方面可以获取有效的训练数据,另一方面也可以减少计算量,加快计算速度。
实施例2
本实施例提供了一种刀具磨损状态的检测方法,如图4所示,该检测方法包括:
步骤201、获取当前加工过程中的目标刀具的声发射信号。
本实施例中,在获取声发射信号后,还可以对声发射信号进行预处理,具体预处理的方式可以参考实施例1中预处理步骤中的具体方式,此处便不再赘述。
步骤202、对声发射信号进行特征提取。
本实施例中特征提取的方式可以参考实施例1中步骤102中特征提取的方式,此处便不再赘述。
应当理解,若本实施例中包括对声发射信号进行预处理的步骤,则步骤202中为对预处理后的声发射信号进行特征提取。
步骤203、将特征数据输入至刀具检测模型中以获取目标刀具对应的当前磨损状态。
其中,本实施例使用的刀具检测模型为实施例1中的刀具检测模型的生成方法生成的刀具检测模型。
本实施例中,通过获取声发射信号、从声发射信号中提取的特征数据并将其输入至刀具检测模型中,可以快速高效地检测出对应刀具的当前磨损状态,实现刀具磨损的实时在线监测,保证加工质量,提高生产效率。
本实施例中,可以持续自动的检测加工过程中的刀具磨损状态,摆脱了对大量信号处理知识和诊断工程经验的依赖,并取得了较高的识别精度和运算速度,在面对复杂的加工环境时,可以更准确的识别刀具磨损状态。
实施例3
本实施例中提供了一种刀具检测模型的生成系统,如图5所示,该生成系统包括:声信号获取模块301、特征数据获取模块302及训练模块303。
声信号获取模块301用于获取不同磨损状态的刀具在加工过程中的声发射信号。其中,声信号获取模块301可以在某一预设工况下,使用恒定的切削参数对材料进行加工,测量该过程中的声发射信号,同时测量每次加工后刀具的磨损状态。
下面通过一具体场景对声信号获取模块301进行说明:声信号获取模块301可以预设刀具的后刀面磨损量为0~0.1时,为初期磨损状态,后刀面磨损量为0.1~0.3时,为中期磨损状态,后刀面磨损量大于0.3时,为后期磨损状态,在既定工况下,通过恒定的切削参数使用磨损状态不同的刀具对同一材料的产品进行加工,在对产品加工的过程中,测量声发射信号,产品加工后,测量每一加工后的产品对应的刀具的当前磨损状态,并将声发射信号及对应的磨损状态作为训练数据。
应当理解,上述具体场景仅作为举例说明,实际情况中,声信号获取模块301并不限于预设以上三种刀具磨损状态,对刀具磨损状态的测量也不限于后刀面磨损量,不应以上述举例作为对本实施例的限制。
特征数据获取模块302用于对声发射信号进行特征提取以获取至少四种特征数据,特征提取包括傅里叶变换、功率谱密度分析、自相关分析及小波分解。
在一种具体的实施方式中,如图6所示,特征数据获取模块302包括:第一特征数据获取单元3021、第二特征数据获取单元3022、第三特征数据获取单元3023及第四特征数据获取单元3024。
第一特征数据获取单元3021用于对声发射信号进行傅里叶变换以获取目标频谱图,并从目标频谱图中提取第一特征数据。
本实施例中,第一特征数据获取单元3021可以具体分析目标频谱图的波峰的峰值的分布和位置,如可以将波峰峰值的纵坐标由大到小进行排序,并选择排名前若干波峰的坐标,即频率和幅值,作为第一特征数据。在一种具体的实施方式中,可以先预设需要获得第一特征数据的数量,如在形成的目标频谱图中,波峰的数量未达到预设的第一特征数据的数量,则可以设置一预设补偿值将其它第一特征数据的值补齐。
应当理解,在其它实施例中,第一特征数据中也可以选择其它值,如分位数、均值、波谷等等,本实施例仅作为举例说明,并不以此为限。
在一种具体实施方式中,为了减少信号的波动信,声信号获取模块301可以用于获取若干预设固定窗口下的声发射信号,应当理解,此处的固定窗口可以以时间为单位,如每5s中获取的目标均值,也可以以声发射信号的条数为单位,如10条声发射信号的目标均值,对应的,第一特征数据获取单元3021可以具体用于对每一预设固定窗口下的声发射信号进行傅里叶变换以获取对应的中间频谱图、获取所有中间频谱图中每一频率对应的幅值的目标均值并根据目标均值生成目标频谱图。
第二特征数据获取单元3022用于对声发射信号进行功率谱密度分析以获取目标功率谱密度图,并从目标功率谱密度图中提取第二特征数据。
本实施例中,第二特征数据获取单元3022可以获取目标功率谱密度图中的波峰对应的坐标,即频率和功率,并将该坐标作为第二特征数据,具体提取第二特征数据的方式可以参考第一特征数据获取单元3021提取第一特征数据的方式,此处便不再赘述。
应当理解,在其它实施例中,第二特征数据中也可以选择其它的值,如分位数、均值、波谷等等,本实施例仅作为举例说明,并不以此为限。
第三特征数据获取单元3023用于对声发射信号进行自相关分析以获取目标自相关图,并从目标自相关图中提取第三特征数据。
本实施例中,第三特征数据获取单元3023用于通过自相关分析分析声发射信号的周期性质,同样在形成的自相关图中,将波峰的坐标,即延时值和相关度,作为第三特征数据,具体提取第三特征数据的方式可以参考第一特征数据获取单元3021获取第一特征数据的方式,此处便不再赘述。
应当理解,在其它实施例中,第三特征数据中也可以选择其它的值,如分位数、均值、波谷等等,本实施例仅作为举例说明,并不以此为限。
第四特征数据获取单元3024用于对声发射信号进行小波分解以获取目标小波分解图,并从目标小波分解图中提取第四特征数据。
本实施例中,第四特征数据获取单元3024可以具体用于使用三层小波对声发射信号进行分解,并分别从分解后的每一层数据中提取第四特征数据,分解后的每一层数据都可以生成一目标小波分解图,具体的,本实施例中,第四特征数据获取单元3024可以根据每一层的目标小波分解图计算过零率、标准差和熵值。
具体的,第四特征数据获取单元3024可以通过如下公式计算过零率Zl:
第四特征数据获取单元3024可以通过如下公式计算标准差Si:
第四特征数据获取单元3024可以通过如下公式计算熵值Hl:
本实施例中,第四特征数据获取单元3024可以在得到第一特征数据、第二特征数据、第三特征数据以及第四特征数据后,将第一特征数据、第二特征数据、第三特征数据以及第四特征数据组成一个特征向量。
训练模块303用于将声发射信号的特征数据作为输入及声发射信号对应的磨损状态作为输出训练机器学习模型以获取刀具检测模型,刀具检测模型用于检测目标刀具的当前磨损状态。
其中,本实施例中,可以在各个磨损状态的刀具中都分别抽取一定数目特征数据作为训练样本来训练机器学习模型。
具体的,本实施例中使用的机器学习模型为梯度提升树模型,将特征数据获取模块302得到的特征向量及对应的声信号获取模块301获取的声发射信号作为输入,对应的刀具的磨损状态作为输出来训练梯度提升树模型。在模型训练的过程中,不断优化模型参数,如最少分离样本数,最少叶子样本数、最大树深度、树的数目等,选择使得模型误差最小的一组参数,来作为刀具检测模型。
应当理解,本实施例中,训练模块303在模型训练过程中对梯度提升树模型的优化、参数的调整等过程均可以采用现有技术中公开的手段。
本实施例中,还可以将除了训练样本以外的特征数据作为测试数据,训练出刀具检测模型后,声信号获取模块301可以将测试样本中的特征数据输入至训练出的刀具检测模型中来判断刀具检测模型输出的对应的刀具磨损状态是否为真实的刀具磨损状态,如当输出的磨损状态符合真实磨损状态的样本数量与总体测试的样本数量达到真实率阈值时,则认为训练出的刀具检测模型为最终的刀具检测模型,若没有达到真实率阈值,则可以通过调整参数、调整训练样本、扩大训练样本等方式来进一步训练模型。
本实施例中,在一种具体的实时方式中,为了得到更有效的训练数据,生成系统还可以包括预处理模块,用于对声发射信号进行预处理,具体的,如图7所示,预处理模块可以包括加工段提取单元3041、数据分段单元3042及降噪单元3043。
加工段提取单元3041用于提取声发射信号中的加工段数据。
由于声信号获取模块301获取的声发射信号里既包含对材料加工过程中的加工段的声发射信号,也有可能包含加工过程中的非加工段的声发射信号,而实际需要采集的为加工段的声发射信号,因此,需要提取实际加工段的位置,本实施例中具体可以采用小波分解的方法,通过设定能量阈值来切分加工段。如,使用db5小波对获取的声发射信号进行7层分解,观察分解后的每一层。
由于非加工段的信号波动较加工段的信号波动较小,因此声信号获取模块301可以选择非加工段的信号波动最小的一层作为待处理数据,可以使用一个能量值阈值,当待处理数据中声发射信号的能量低于该阈值时,将对应的声发射信号剔除,这样处理后的信号可以认为是加工段的信号。
数据分段单元3042用于对声发射信号进行数据分段。
由于可能获取到的大量的声发射信号,为了方便对数据的处理,数据分段单元3042可以将声发射信号按时间切分为若干个小段,如每500毫秒、1秒时间为一段,通过对对声发射信号进行数据分段可以减小计算量,提升计算速度。
降噪单元3043用于对声发射信号进行降噪处理。
由于加工过程中的除了需要获取到的刀具加工过程中的声发射信号以外,还存在其他的噪声,如切削液、机台振动等噪声,为了过滤这类噪声,降噪单元3043需要采集一段空跑的非加工时的声发射信号,然后将空跑的频谱与加工段的频谱进行对比,选择合适的频率阈值,使得在该阈值之下的非加工段与加工段的频段出现较为明显的区别,而在阈值之上两者差别较少。最后使用低通滤波器,设定截止频率为该阈值,过滤加工信号,通过降噪单元3043可以剔除噪声的干扰,进一步获取有效的训练数据。
应当理解,本实施例只是对预处理模块的具体实施方式以举例的形式作为说明,实际中,可以仅选择加工段提取单元3041、数据分段单元3042及降噪单元3043中的任一种,或者任意两种,此外,预处理模块的并不仅限于包括以上单元,还可以包括现有技术中其他的可以用于预处理声发射信号数据的单元。
应当理解,当本实施例中的生成系统包括预处理模块时,特征数据提取模块302则用于对预处理后的声发射信号进行特征数据的提取。
本实施例中,通过上述模块,即可以训练出用于检测刀具磨损状态的刀具检测模型。
本实施例中,声信号获取模块通过获取刀具加工过程中声发射信号,特征数据获取模块通过傅里叶变换、功率谱密度分析、自相关分析及小波分解的方式从不同维度提取特征数据,训练模块通过将特征数据输入至机器学习模型中进行训练,可以得到用于检测刀具磨损状态的刀具检测模型。
本实施例中,特征数据获取模块通过从不同维度提取特征数据,一方面可以得到更可靠的训练数据,另一方面也可以在样本有限的情况下得到更多有效训练数据,通过训练机器学习模型,建立了加工过程中的声发射信号与刀具磨损状态之间的关系并实时实现对加工过程中刀具磨损状态的准确检测。
本实施例中,通过预处理模块,可以去除在加工过程中的非加工段数据、剔除加工过程中非刀具产生的噪声以及集中对数据处理,一方面可以获取有效的训练数据,另一方面也可以减少计算量,加快计算速度。
实施例4
本实施例提供了一种刀具磨损状态的检测系统,如图8所示,该检测系统包括:目标信号获取模块401、目标特征数据获取模块402以及检测模块403。
目标信号获取模块401用于获取当前加工过程中的目标刀具的声发射信号。本实施例中,还可以进一步包括预处理模块,用于目标信号获取模块401在获取声发射信号后,对声发射信号进行预处理,具体预处理模块预处理的方式可以参考实施例3中预处理模块中预处理的具体方式,此处便不再赘述。
目标特征数据获取模块402用于对声发射信号进行特征提取以获取至少四种特征数据,特征提取包括傅里叶变换、功率谱密度分析、自相关分析及小波分解。
本实施例中目标特征数据获取模块402进行特征提取的方式可以参考实施例3中特征数据获取模块302提取特征数据的方式,此处便不再赘述。
应当理解,若本实施例中包括预处理模块,则目标特征数据模块具体用于对预处理后的数据进行特征提取。
检测模块403用于将特征数据输入至实施例3中的刀具检测模型的生成系统生成的刀具检测模型中以获取目标刀具对应的当前磨损状态。
本实施例中,目标信号获取模块通过将获取声发射信号、目标特征数据模块通过从声发射信号中提取的特征数据、检测模块通过将特征数据输入至刀具检测模型中,可以快速高效地检测出对应刀具的当前磨损状态,实现刀具磨损的实时在线监测,保证加工质量,提高生产效率。
本实施例中的检测系统可以持续自动的检测加工过程中的刀具磨损状态,摆脱了对大量信号处理知识和诊断工程经验的依赖,并取得了较高的识别精度和运算速度,在面对复杂的加工环境时,可以更准确的识别刀具磨损状态。
实施例5
本发明实施例还提供一种电子设备,电子设备可以通过计算设备的形式表现(例如可以为服务器设备),包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中处理器执行计算机程序时可以实现本发明实施例1中刀具检测模型的生成方法或实施例2中刀具磨损状态的检测方法。
图9示出了本实施例的硬件结构示意图,如图9所示,电子设备9具体包括:
至少一个处理器91、至少一个存储器92以及用于连接不同系统组件(包括处理器91和存储器92)的总线93,其中:
总线93包括数据总线、地址总线和控制总线。
存储器92包括易失性存储器,例如随机存取存储器(RAM)921和/或高速缓存存储器922,还可以进一步包括只读存储器(ROM)923。
存储器92还包括具有一组(至少一个)程序模块924的程序/实用工具925,这样的程序模块924包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器91通过运行存储在存储器92中的计算机程序,从而执行各种功能应用以及数据处理,例如本发明实施例1中刀具检测模型的生成方法或实施例2中刀具磨损状态的检测方法。
电子设备9进一步可以与一个或多个外部设备94(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口95进行。并且,电子设备9还可以通过网络适配器96与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器96通过总线93与电子设备9的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备9使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意,尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例6
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明实施例1中刀具检测模型的生成方法的步骤或实施例2中刀具磨损状态的检测方法的步骤。
其中,可读存储介质可以采用的更具体可以包括但不限于:便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中,本发明还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行实现本发明实施例1中刀具检测模型的生成方法的步骤或实施例2中刀具磨损状态的检测方法的步骤。
其中,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码,所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (22)
1.一种刀具检测模型的生成方法,其特征在于,所述生成方法包括:
获取不同磨损状态的刀具在加工过程中的声发射信号;
对所述声发射信号进行特征提取以获取至少四种特征数据,所述特征提取包括傅里叶变换、功率谱密度分析、自相关分析及小波分解;
将所述声发射信号的特征数据作为输入及所述声发射信号对应的磨损状态作为输出训练机器学习模型以获取所述刀具检测模型,所述刀具检测模型用于检测目标刀具的当前磨损状态。
2.如权利要求1所述的刀具检测模型的生成方法,其特征在于,所述对所述声发射信号进行特征提取以获取至少四种特征数据的步骤包括:
对所述声发射信号进行傅里叶变换以获取目标频谱图,并从所述目标频谱图中提取第一特征数据;
对所述声发射信号进行功率谱密度分析以获取目标功率谱密度图,并从所述目标功率谱密度图中提取第二特征数据;
对所述声发射信号进行自相关分析以获取目标自相关图,并从所述目标自相关图中提取第三特征数据;
对所述声发射信号进行小波分解以获取目标小波分解图,并从所述目标小波分解图中提取第四特征数据;
所述将所述声发射信号的特征数据作为输入的步骤包括:
将所述声发射信号的所述第一特征数据、所述第二特征数据、所述第三特征数据及所述第四特征数据作为输入。
3.如权利要求2所述的刀具检测模型的生成方法,其特征在于,所述第一特征数据包括所述目标频谱图中第一波峰值;
所述第二特征数据包括所述目标自相关图中第二波峰值;
所述第三特征数据包括所述目标小波分解图中第三波峰值;
所述第四特征数据包括所述目标小波分解图中过零率、标准差及熵值。
4.如权利要求2所述的刀具检测模型的生成方法,其特征在于,所述获取不同磨损状态的刀具在加工过程中的声发射信号的步骤包括:获取若干预设固定窗口下的所述声发射信号;
所述对所述声发射信号进行傅里叶变换以获取目标频谱图的步骤包括:
对每一所述预设固定窗口下的声发射信号进行傅里叶变换以获取对应的中间频谱图;
获取所有所述中间频谱图中每一频率对应的幅值的目标均值,并根据所述目标均值生成目标频谱图。
5.如权利要求1所述的刀具检测模型的生成方法,其特征在于,所述机器学习模型包括梯度提升树模型。
6.如权利要求1所述的刀具检测模型的生成方法,其特征在于,所述获取不同磨损状态的刀具在加工过程中的声发射信号的步骤后还包括:
对所述声发射信号进行预处理;
所述对所述声发射信号进行特征提取的步骤中,对预处理后的所述声发射信号进行特征提取。
7.如权利要求6所述的刀具检测模型的生成方法,其特征在于,所述对所述声发射信号进行预处理的步骤包括:
提取所述声发射信号中的加工段数据;
和/或,
对所述声发射信号进行数据分段;
和/或,
对所述声发射信号进行降噪处理。
8.一种刀具磨损状态的检测方法,其特征在于,所述检测方法包括:
获取当前加工过程中的目标刀具的声发射信号;
对所述声发射信号进行特征提取以获取至少四种特征数据,所述特征提取包括傅里叶变换、功率谱密度分析、自相关分析及小波分解;
将所述特征数据输入至如权利要求1-7中任意一项所述的刀具检测模型的生成方法生成的刀具检测模型中以获取所述目标刀具对应的当前磨损状态。
9.如权利要求8所述的刀具磨损状态的检测方法,其特征在于,所述对所述声发射信号进行特征提取以获取至少四种特征数据的步骤包括:
对所述声发射信号进行傅里叶变换以获取目标频谱图,并从所述目标频谱图中提取第一特征数据;
对所述声发射信号进行功率谱密度分析以获取目标功率谱密度图,并从所述目标功率谱密度图中提取第二特征数据;
对所述声发射信号进行自相关分析以获取目标自相关图,并从所述目标自相关图中提取第三特征数据;
对所述声发射信号进行小波分解以获取目标小波分解图,并从所述小波分解图中提取第四特征数据;
所述将所述特征数据输入至如权利要求1-7中任意一项所述的刀具检测模型的生成方法生成的刀具检测模型中的步骤包括:
将所述声发射信号的所述第一特征数据、所述第二特征数据、所述第三特征数据及所述第四特征数据输入至如权利要求1-7中任意一项所述的生成方法生成的刀具检测模型中。
10.如权利要求9所述的刀具磨损状态的检测方法,其特征在于,所述第一特征数据包括所述目标频谱图的第一波峰值;
所述第二特征数据包括所述目标功率谱密度图的第二波峰值;
所述第三特征数据包括所述目标小波分解图的第三波峰值;
所述第四特征数据包括所述目标小波分解图的过零率、标准差及熵值。
11.一种刀具检测模型的生成系统,其特征在于,所述生成系统包括:声信号获取模块、特征数据获取模块及训练模块;
所述声信号获取模块用于获取不同磨损状态的刀具在加工过程中的声发射信号;
所述特征数据获取模块用于对所述声发射信号进行特征提取以获取至少四种特征数据,所述特征提取包括傅里叶变换、功率谱密度分析、自相关分析及小波分解;
所述训练模块用于将所述声发射信号的特征数据作为输入及所述声发射信号对应的磨损状态作为输出训练机器学习模型以获取所述刀具检测模型,所述刀具检测模型用于检测目标刀具的当前磨损状态。
12.如权利要求11所述的刀具检测模型的生成系统,其特征在于,所述特征数据获取模块包括:第一特征数据获取单元、第二特征数据获取单元、第三特征数据获取单元及第四特征数据获取单元;
所述第一特征数据获取单元用于对所述声发射信号进行傅里叶变换以获取目标频谱图,并从所述目标频谱图中提取第一特征数据;
所述第二特征数据获取单元用于对所述声发射信号进行功率谱密度分析以获取目标功率谱密度图,并从所述目标功率谱密度图中提取第二特征数据;
所述第三特征数据获取单元用于对所述声发射信号进行自相关分析以获取目标自相关图,并从所述目标自相关图中提取第三特征数据;
所述第四特征数据获取单元用于对所述声发射信号进行小波分解以获取目标小波分解图,并从所述目标小波分解图中提取第四特征数据;
所述训练模块用于将所述声发射信号的所述第一特征数据、所述第二特征数据、所述第三特征数据及所述第四特征数据作为输入。
13.如权利要求12所述的刀具检测模型的生成系统,其特征在于,所述第一特征数据包括所述目标频谱图中第一波峰值;
所述第二特征数据包括所述目标自相关图中第二波峰值;
所述第三特征数据包括所述目标小波分解图中第三波峰值;
所述第四特征数据包括所述目标小波分解图中过零率、标准差及熵值。
14.如权利要求12所述的刀具检测模型的生成系统,其特征在于,所述声信号获取模块还用于获取若干预设固定窗口下的所述声发射信号;
所述第一特征数据获取单元还包括中间频谱图生成子单元及目标频谱图生成子单元;
所述中间频谱图生成子单元用于对每一所述预设固定窗口下的声发射信号进行傅里叶变换以获取对应的中间频谱图;
所述目标频谱图生成子单元用于根据所述目标均值生成所述声发射信号的目标频谱图获取所有所述中间频谱图中每一频率对应的幅值的目标均值,并根据所述目标均值生成目标频谱图。
15.如权利要求11所述的刀具检测模型的生成系统,其特征在于,所述机器学习模型包括梯度提升树模型。
16.如权利要求11所述的刀具检测模型的生成系统,其特征在于,所述生成系统还包括:预处理模块,用于对所述声发射信号进行预处理;
所述特征数据获取模块还用于对预处理后的所述声发射信号进行特征提取。
17.如权利要求16所述的刀具检测模型的生成系统,其特征在于,所述预处理模块包括加工段提取单元,用于提取所述声发射信号中的加工段数据;
和/或,
所述预处理模块包括数据分段单元,用于对所述声发射信号进行数据分段;
和/或,
所述预处理模块包括降噪单元,用于对所述声发射信号进行降噪处理。
18.一种刀具磨损状态的检测系统,其特征在于,所述检测系统包括:目标信号获取模块、目标特征数据获取模块以及检测模块;
所述目标信号获取模块用于获取当前加工过程中的目标刀具的声发射信号;
所述目标特征数据获取模块用于对所述声发射信号进行特征提取以获取至少四种特征数据,所述特征提取包括傅里叶变换、功率谱密度分析、自相关分析及小波分解;
所述检测模块用于将所述特征数据输入至如权利要求11-17中任意一项所述的刀具检测模型的生成系统生成的刀具检测模型中以获取所述目标刀具对应的当前磨损状态。
19.如权利要求18所述的刀具磨损状态的检测系统,其特征在于,所述目标特征数据获取模块包括:第一目标特征数据获取单元、第二目标特征数据获取单元、第三目标特征数据获取单元及第四目标特征数据获取单元;
所述第一目标特征数据获取单元用于对所述声发射信号进行傅里叶变换以获取目标频谱图,并从第一目标特征数据获取单元所述目标频谱图中提取第一特征数据;
所述第二目标特征数据获取单元用于对所述声发射信号进行功率谱密度分析以获取目标功率谱密度图,并从所述目标功率谱密度图中提取第二特征数据;
所述第三目标特征数据获取单元用于对所述声发射信号进行自相关分析以获取目标自相关图,并从所述目标自相关图中提取第三特征数据;
所述第四目标特征数据获取单元用于对所述声发射信号进行小波分解以获取目标小波分解图,并从所述小波分解图中提取第四特征数据;
所述检测模块用于将所述声发射信号的所述第一特征数据、所述第二特征数据、所述第三特征数据及所述第四特征数据输入至如权利要求11-17中任意一项所述的生成系统生成的刀具检测模型中。
20.如权利要求19所述的刀具磨损状态的检测系统,其特征在于,所述第一特征数据包括所述目标频谱图的第一波峰值;
所述第二特征数据包括所述目标功率谱密度图的第二波峰值;
所述第三特征数据包括所述目标小波分解图的第三波峰值;
所述第四特征数据包括所述目标小波分解图的过零率、标准差及熵值。
21.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的刀具检测模型的生成方法或权利要求8至10任一项所述的刀具磨损状态的检测方法。
22.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7任一项所述的刀具检测模型的生成方法或权利要求8至10任一项所述的刀具磨损状态的检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010996448.9A CN112207631B (zh) | 2020-09-21 | 2020-09-21 | 刀具检测模型的生成方法、检测方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010996448.9A CN112207631B (zh) | 2020-09-21 | 2020-09-21 | 刀具检测模型的生成方法、检测方法、系统、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112207631A true CN112207631A (zh) | 2021-01-12 |
CN112207631B CN112207631B (zh) | 2023-01-24 |
Family
ID=74049885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010996448.9A Active CN112207631B (zh) | 2020-09-21 | 2020-09-21 | 刀具检测模型的生成方法、检测方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112207631B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114273978A (zh) * | 2021-12-27 | 2022-04-05 | 深圳市玄羽科技有限公司 | 刀具的磨损检测方法、电子设备及计算机可读存储介质 |
CN114310488A (zh) * | 2021-12-27 | 2022-04-12 | 深圳市玄羽科技有限公司 | 刀具断裂检测模型的生成方法、检测方法、设备及介质 |
CN114670062A (zh) * | 2022-05-31 | 2022-06-28 | 苏芯物联技术(南京)有限公司 | 一种钻孔刀具磨损状态实时检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4316473A1 (de) * | 1993-05-17 | 1994-11-24 | Klaus Dr Ing Nordmann | Vorrichtung zur Körperschallaufnahme von Werkstücken, Werkzeugen oder deren Spannvorrichtungen für die Werkzeugüberwachung |
CN102689230A (zh) * | 2012-05-09 | 2012-09-26 | 天津大学 | 基于条件随机场模型的刀具磨损状态监测方法 |
CN109158954A (zh) * | 2018-09-10 | 2019-01-08 | 杭州电子科技大学 | 一种基于声信号检测的超声刀具磨损状态识别方法与系统 |
CN109571141A (zh) * | 2018-11-01 | 2019-04-05 | 北京理工大学 | 一种基于机器学习的刀具磨损状态监测方法 |
CN110682159A (zh) * | 2019-09-25 | 2020-01-14 | 武汉誉德节能数据服务有限公司 | 一种刀具磨损状态识别方法及装置 |
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 |
-
2020
- 2020-09-21 CN CN202010996448.9A patent/CN112207631B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4316473A1 (de) * | 1993-05-17 | 1994-11-24 | Klaus Dr Ing Nordmann | Vorrichtung zur Körperschallaufnahme von Werkstücken, Werkzeugen oder deren Spannvorrichtungen für die Werkzeugüberwachung |
CN102689230A (zh) * | 2012-05-09 | 2012-09-26 | 天津大学 | 基于条件随机场模型的刀具磨损状态监测方法 |
CN109158954A (zh) * | 2018-09-10 | 2019-01-08 | 杭州电子科技大学 | 一种基于声信号检测的超声刀具磨损状态识别方法与系统 |
CN109571141A (zh) * | 2018-11-01 | 2019-04-05 | 北京理工大学 | 一种基于机器学习的刀具磨损状态监测方法 |
CN110682159A (zh) * | 2019-09-25 | 2020-01-14 | 武汉誉德节能数据服务有限公司 | 一种刀具磨损状态识别方法及装置 |
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 |
Non-Patent Citations (1)
Title |
---|
周芸梦: "基于声发射技术的刀具磨损监测研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114273978A (zh) * | 2021-12-27 | 2022-04-05 | 深圳市玄羽科技有限公司 | 刀具的磨损检测方法、电子设备及计算机可读存储介质 |
CN114310488A (zh) * | 2021-12-27 | 2022-04-12 | 深圳市玄羽科技有限公司 | 刀具断裂检测模型的生成方法、检测方法、设备及介质 |
CN114310488B (zh) * | 2021-12-27 | 2023-10-27 | 深圳市玄羽科技有限公司 | 刀具断裂检测模型的生成方法、检测方法、设备及介质 |
CN114670062A (zh) * | 2022-05-31 | 2022-06-28 | 苏芯物联技术(南京)有限公司 | 一种钻孔刀具磨损状态实时检测方法及系统 |
CN114670062B (zh) * | 2022-05-31 | 2022-08-23 | 苏芯物联技术(南京)有限公司 | 一种钻孔刀具磨损状态实时检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112207631B (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112207631B (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
Benkedjouh et al. | Tool wear condition monitoring based on continuous wavelet transform and blind source separation | |
Gao et al. | Multi-scale statistical signal processing of cutting force in cutting tool condition monitoring | |
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 | |
CN112692646B (zh) | 一种刀具磨损状态智能评估方法及装置 | |
CN114273977A (zh) | 一种基于mes的刀具磨损检测方法及其系统 | |
CN107350900B (zh) | 一种基于断屑时间提取的刀具状态监测方法 | |
CN113579851B (zh) | 一种基于自适应分段pca的非平稳钻削过程监测方法 | |
Yao et al. | Real-time chatter detection and automatic suppression for intelligent spindles based on wavelet packet energy entropy and local outlier factor algorithm | |
CN110909710A (zh) | 一种基于s试件的自适应主轴性能劣化识别方法 | |
Neef et al. | Tool wear and surface quality monitoring using high frequency CNC machine tool current signature | |
CN112781820B (zh) | 一种滚刀性能退化趋势评估方法 | |
US20220187164A1 (en) | Tool condition monitoring system | |
CN111168471A (zh) | 一种数控机床刀具磨损监测方法 | |
CN111782624A (zh) | 基于人工智能和大数据的机床刀具振动监控和分析方法 | |
Du et al. | Intelligent turning tool monitoring with neural network adaptive learning | |
CN114800040A (zh) | 工艺-状态数据关联的刀具磨损监测方法及系统 | |
CN116787225A (zh) | 一种基于声振信号特征融合图的旋转刀具磨损监测方法 | |
CN114346761A (zh) | 一种基于改进条件生成对抗网络的刀具磨损状况检测方法 | |
CN113485244A (zh) | 一种基于刀具磨损预测的数控机床控制系统及其方法 | |
CN115741235A (zh) | 基于五轴加工中心刀具的磨损预测与健康管理方法 | |
CN113043073A (zh) | 一种刀具磨损及寿命预测方法及装置 | |
Park et al. | Prediction of the CNC tool wear using the machine learning technique | |
Zhao et al. | Tool wear monitoring based on an improved convolutional neural network | |
CN111993158B (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 |
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 |