CN112372371A - 数控机床刀具磨损状态评估方法 - Google Patents

数控机床刀具磨损状态评估方法 Download PDF

Info

Publication number
CN112372371A
CN112372371A CN202011076025.1A CN202011076025A CN112372371A CN 112372371 A CN112372371 A CN 112372371A CN 202011076025 A CN202011076025 A CN 202011076025A CN 112372371 A CN112372371 A CN 112372371A
Authority
CN
China
Prior art keywords
model
numerical control
algorithm
control machine
cfpso
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
Application number
CN202011076025.1A
Other languages
English (en)
Other versions
CN112372371B (zh
Inventor
黄亦翔
李鹏
夏鹏程
刘成良
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 CN202011076025.1A priority Critical patent/CN112372371B/zh
Publication of CN112372371A publication Critical patent/CN112372371A/zh
Application granted granted Critical
Publication of CN112372371B publication Critical patent/CN112372371B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Numerical Control (AREA)

Abstract

一种数控机床刀具磨损状态评估方法，通过采集数控机床加工过程中的主轴电流信号和振动信号，使用时域分析、频域分析和小波包分解提取特征后，利用主成分分析进行特征降维，并使用多种集成学习算法训练预测；最后使用压缩因子粒子群优化算法获取各集成学习算法的最优权重来构建多决策刀具磨损评估模型，对刀具磨损状态进行评估；本发明以主成分分析和集成学习算法为基础，使用改进粒子群优化算法CFPSO构建多决策刀具磨损评估模型，该方法受加工时工况参数的影响小，具有良好的通用性和准确性。

Description

数控机床刀具磨损状态评估方法
技术领域
本发明涉及的是一种机械加工领域的技术，具体是一种数控机床刀具磨损状态评估方法。
背景技术
现有刀具磨状态监测方法主要包括直接法和间接法两类。直接监测法是通过电阻法、放射法、视觉图像法等对刀具表面的几何形状参数进行测量进而获取刀具的磨损状态；间接监测法是通过测量分析与刀具磨损相关联的信号如切削力、振动、声发射、主轴电流/功率等对刀具磨损状态进行评估。
间接监测法相比于直接监测法，其准确度较低，但可实现实时在线测量，更适于实际的生产应用，因此学者们的研究大部分都基于间接监测法。由于刀具的磨损速度与加工时的工况条件有关，因此现有的方法模型大多为在某一种特定工况下训练得到，且使用的算法一般为单一决策算法，在不同工况条件下模型预测性能波动较大，通用性不强。
发明内容
本发明针对现有技术存在的上述不足，提出一种数控机床刀具磨损状态评估方法，以主成分分析和集成学习算法为基础，使用改进粒子群优化算法CFPSO构建多决策刀具磨损评估模型，该方法受加工时工况参数的影响小，具有良好的通用性和准确性。
本发明是通过以下技术方案实现的：
本发明涉及一种数控机床刀具磨损状态评估方法，通过采集数控机床加工过程中的主轴电流信号和振动信号，使用时域分析、频域分析和小波包分解提取特征后，利用主成分分析进行特征降维，并使用多种集成学习算法训练预测；最后使用压缩因子粒子群优化算法(CFPSO)获取各集成学习算法的最优权重来构建多决策刀具磨损评估模型，对刀具磨损状态进行评估。
所述的采集是指：通过设置于主轴上的电流传感器和振动传感器采集数控机床加工过程中的电流信号的振动信号。
优先地，采集得到的电流信号的振动信号分别划分为空转阶段、接触工件阶段、正常切削阶段和离开工件阶段。
由于正常切削阶段刀具与工件完全接触，按照设定切削参数稳定切削，该阶段信号包含的信息可有效反映刀具磨损状态，因此选取正常切削阶段的信号进行分析。
所述的提取特征，包括：时域的均值、标准差、有效值、峰度、峭度因子、波形因子，频域的峰值频率、重心频率、频率均方根、频率标准差，以及小波包分解后的各子频带的小波包能量特征，组成84维的高维信号特征。
所述的刀具磨损评估模型，以降维后的特征作为训练数据，以刀具后刀面磨损带宽度VB为标签，使用多种集成学习算法Adaboost、Random Forest、GBDT、XGBoost分别进行训练预测，根据各集成学习算法预测结果使用CFPSO构建多决策刀具磨损评估模型。
所述的最优权重，通过定义CFPSO的适应度函数为加权结合得到的预测值与真实值的平均绝对误差，粒子群的各粒子位置和速度采用均匀分布初始化，通过不断迭代寻找各集成学习算法的最优权重。
所述的对刀具磨损状态进行评估是指：根据各单一集成学习算法得到对应的预测值后，采用最优权重将多个预测值加权求和得到最终的刀具磨损量预测结果，即y＝ω1yad+ω2yrf+ω3ygbdt+ω3yxg，其中：ωi，i＝1,2,3,4为各集成学习算法的最优权重，yad为AdaBoost算法模型的预测值，yrf为Random Forest算法模型的预测值，ygbdt为GBDT算法模型的预测值，yxg为XGBoost算法模型的预测值。
技术效果
本发明整体解决了多工况条件下现有刀具磨损评估模型预测效果不稳定，通用性不好的技术问题；与现有技术相比，本发明结合了主成分分析，集成学习算法和改进粒子群优化算法CFPSO，预测效果更准确且更稳定，通用性更好；由主成分分析对信号分析得到的高维特征进行降维得到低维信号特征；使用四种集成学习算法分别训练得到四个独立的回归预测子模型；利用CFPSO寻找最优权重对上述的四种集成学习算法模型进行最优加权结合。所提出的CFPSO多决策刀具磨损评估模型一定程度上解决了刀具磨损评估中，由于模型受工况参数影响较大而多工况下的通用性较差，需要针对每种工况单独训练模型的问题，通用性和准确性更好，在单一工况和多工况条件下都获得了更好的预测精度。即，可以提高刀具磨损状态评估精度和稳定性，提高生产效率，降低生产成本。
附图说明
图1为本发明数控机床刀具磨损状态评估方法的流程图；
图2为本发明数控机床刀具磨损状态评估方法的一种实施实施例在各单一工况下与各单一算法的预测精度对比；
图3为本发明数控机床刀具磨损状态评估方法的一种实施实施例在多工况下与各单一算法的预测精度对比。
具体实施方式
本实施例在Matsuura MC-510V型加工中心进行实测，在8种不同的工况条件下进行了铣削试验，其中切削深度、进给速度和工件材质为可变工况参数，切削深度设为1.5mm和0.75mm，进给速度设为0.5mm/r和0.25mm/r，工件材质分别为不锈钢和铸铁。每种工况条件下试验使用全新刀具进行多次加工，加工时采集主轴电流信号和振动信号，每次加工后记录刀具VB值，直到刀具VB值超出阈值后该组试验结束。
如图1所示，为本实施例涉及一种数控机床刀具磨损状态评估方法，具体步骤包括：
步骤1)处理分析采集的主轴电流信号和振动信号，选取其正常切削阶段信号，提取时域，频域和小波包分解后子频带能量特征；
步骤2)使用主成分分析进行特征降维，降维后的特征维度取为4；
步骤3)首先研究各单一工况：以各单一工况下信号的降维特征为训练数据，刀具VB值为标签，分别使用AdaBoost、Random Forest、GBDT和XGBoost四种集成学习算法训练预测。
步骤4)以加权结合得到的预测值与真实值的平均绝对误差作为CFPSO的适应度函数，粒子群的群体大小设为40，最大迭代次数设为200，各粒子的位置和速度采用均匀分布初始化，通过不断迭代得到步骤3)中各单一工况下各集成学习算法的最优权重，对各算法模型进行加权结合得到CFPSO多决策刀具磨损评估模型。
步骤5)使用各单一工况下的测试数据对各集成学习算法模型和CFPSO多决策模型进行测试，以模型预测值与真实VB值的平均绝对误差作为模型评价标准，结果如图2所示，可见CFPSO多决策模型比各单一集成学习算法模型具有更低的预测误差，且预测精度波动更小。
步骤6)再将各工况作为一个整体，研究多工况：将各单一工况下的数据汇总作为一个数据集，使用AdaBoost，Random Forest，GBDT和XGBoost四种集成学习算法训练预测。
步骤7)使用CFPSO寻找多工况下各集成学习算法的最优权重，进行加权结合得到多工况下的CFPSO多决策刀具磨损评估模型。
步骤8)使用多工况下的测试数据对各集成学习算法模型和CFPSO多决策模型进行测试，以模型预测值与真实VB值的平均绝对误差作为模型评价标准，结果如图3所示，可见决策融合模型在多工况下的预测精度明显优于各单一集成学习算法模型。
通过本实施例可以发现，本实施例在进行刀具磨损评估时，通过改进粒子群优化算法CFPSO对各单一算法模型进行最优加权结合，在单一工况和多工况下均有效提高了刀具磨损评估的精度和稳定性，预测性能明显优于各单一算法模型。
本实施例的刀具磨损评估方法很好地解决了单一决策算法受工况参数影响较大，通用性不好的问题，可在多工况下直接训练模型同时获得较好的预测精度，避免了每种工况下需要单独训练模型的问题，极大地节省了计算资源。
综上，本方法在多工况条件下CFPSO多决策评估模型具有更准确和更稳定的预测性能，通用性更好。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。

Claims (5)

1.一种数控机床刀具磨损状态评估方法，其特征在于，通过采集数控机床加工过程中的主轴电流信号和振动信号，使用时域分析、频域分析和小波包分解提取特征后，利用主成分分析进行特征降维，并使用多种集成学习算法训练预测；最后使用压缩因子粒子群优化算法获取各集成学习算法的最优权重来构建多决策刀具磨损评估模型，对刀具磨损状态进行评估；
所述的提取特征，包括：时域的均值、标准差、有效值、峰度、峭度因子、波形因子，频域的峰值频率、重心频率、频率均方根、频率标准差，以及小波包分解后的各子频带的小波包能量特征，组成84维的高维信号特征；
所述的最优权重，通过定义压缩因子粒子群优化算法CFPSO的适应度函数为加权结合得到的预测值与真实值的平均绝对误差，粒子群的各粒子位置和速度采用均匀分布初始化，通过不断迭代寻找多种集成学习算法中各集成学习算法的最优权重。
2.根据权利要求1所述的数控机床刀具磨损状态评估方法，其特征是，所述的采集是指：通过设置于主轴上的电流传感器和振动传感器采集数控机床加工过程中的电流信号的振动信号；采集得到的电流信号的振动信号分别划分为空转阶段、接触工件阶段、正常切削阶段和离开工件阶段，选取正常切削阶段的信号进行分析。
3.根据权利要求1所述的数控机床刀具磨损状态评估方法，其特征是，所述的刀具磨损评估模型，以降维后的特征作为训练数据，以刀具后刀面磨损带宽度VB为标签，使用多种集成学习算法Adaboost、Random Forest、GBDT、XGBoost分别进行训练预测，根据各集成学习算法预测结果使用CFPSO构建多决策刀具磨损评估模型。
4.根据权利要求1所述的数控机床刀具磨损状态评估方法，其特征是，所述的对刀具磨损状态进行评估是指：根据各单一集成学习算法得到对应的预测值后，采用最优权重将多个预测值加权求和得到最终的刀具磨损量预测结果，即y＝ω1yad+ω2yrf+ω3ygbdt+ω3yxg，其中：ωi，i＝1,2,3,4为各集成学习算法的最优权重，yad为AdaBoost算法模型的预测值，yrf为RandomForest算法模型的预测值，ygbdt为GBDT算法模型的预测值，yxg为XGBoost算法模型的预测值。
5.根据权利要求1～4中任一所述的数控机床刀具磨损状态评估方法，其特征是，具体步骤包括：
步骤1)处理分析采集的主轴电流信号和振动信号，选取其正常切削阶段信号，提取时域，频域和小波包分解后子频带能量特征；
步骤2)使用主成分分析进行特征降维，降维后的特征维度取为4；
步骤3)首先研究各单一工况：以各单一工况下信号的降维特征为训练数据，刀具VB值为标签，分别使用AdaBoost、Random Forest、GBDT和XGBoost四种集成学习算法训练预测；
步骤4)以加权结合得到的预测值与真实值的平均绝对误差作为CFPSO的适应度函数，粒子群的群体大小设为40，最大迭代次数设为200，各粒子的位置和速度采用均匀分布初始化，通过不断迭代得到步骤3)中各单一工况下各集成学习算法的最优权重，对各算法模型进行加权结合得到CFPSO多决策刀具磨损评估模型；
步骤5)使用各单一工况下的测试数据对各集成学习算法模型和CFPSO多决策模型进行测试，以模型预测值与真实VB值的平均绝对误差作为模型评价标准；
步骤6)再将各工况作为一个整体，研究多工况：将各单一工况下的数据汇总作为一个数据集，使用AdaBoost，Random Forest，GBDT和XGBoost四种集成学习算法训练预测；
步骤7)使用CFPSO寻找多工况下各集成学习算法的最优权重，进行加权结合得到多工况下的CFPSO多决策刀具磨损评估模型；
步骤8)使用多工况下的测试数据对各集成学习算法模型和CFPSO多决策模型进行测试，以模型预测值与真实VB值的平均绝对误差作为模型评价标准。
CN202011076025.1A 2020-10-10 2020-10-10 数控机床刀具磨损状态评估方法 Active CN112372371B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011076025.1A CN112372371B (zh) 2020-10-10 2020-10-10 数控机床刀具磨损状态评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011076025.1A CN112372371B (zh) 2020-10-10 2020-10-10 数控机床刀具磨损状态评估方法

Publications (2)

Publication Number Publication Date
CN112372371A true CN112372371A (zh) 2021-02-19
CN112372371B CN112372371B (zh) 2021-10-19

Family

ID=74581140

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011076025.1A Active CN112372371B (zh) 2020-10-10 2020-10-10 数控机床刀具磨损状态评估方法

Country Status (1)

Country Link
CN (1) CN112372371B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114248152A (zh) * 2021-12-31 2022-03-29 江苏洵谷智能科技有限公司 一种基于优选特征和狮群优化svm的刀具磨损状态评估方法
CN114952419A (zh) * 2022-05-11 2022-08-30 深圳吉兰丁智能科技有限公司 一种基于多特征融合的断刀监控方法及电子设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ES2119583B1 (es) * 1994-03-29 1999-05-16 Consejo Superior Investigacion Sistema multivariable para regeneracion automatica de muelas de rectificadoras sin centros.
CN105894125A (zh) * 2016-04-22 2016-08-24 牛东晓 一种输变电工程造价预测方法
DE102016002995B3 (de) * 2016-03-14 2017-03-02 Gebr. Heller Maschinenfabrik Gmbh Verfahren zur Überwachung eines Antriebssytems einer Werkzeugmaschine
CN107358253A (zh) * 2017-06-12 2017-11-17 中国地质大学（武汉） 一种基于差分演化的自适应集成学习方法及系统
CN109015111A (zh) * 2018-07-06 2018-12-18 华中科技大学 一种基于信息融合及支持向量机的刀具状态在线监测方法
CN109318055A (zh) * 2018-09-11 2019-02-12 温州大学苍南研究院 一种铣削刀具磨损状态特征提取多目标优化方法
CN109732406A (zh) * 2019-01-07 2019-05-10 北京信息科技大学 一种智能刀具故障诊断方法
CN110647943A (zh) * 2019-09-26 2020-01-03 西北工业大学 基于演化数据聚类分析的切削刀具磨损监测方法
CN111300146A (zh) * 2019-11-29 2020-06-19 上海交通大学 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

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ES2119583B1 (es) * 1994-03-29 1999-05-16 Consejo Superior Investigacion Sistema multivariable para regeneracion automatica de muelas de rectificadoras sin centros.
DE102016002995B3 (de) * 2016-03-14 2017-03-02 Gebr. Heller Maschinenfabrik Gmbh Verfahren zur Überwachung eines Antriebssytems einer Werkzeugmaschine
CN105894125A (zh) * 2016-04-22 2016-08-24 牛东晓 一种输变电工程造价预测方法
CN107358253A (zh) * 2017-06-12 2017-11-17 中国地质大学（武汉） 一种基于差分演化的自适应集成学习方法及系统
CN109015111A (zh) * 2018-07-06 2018-12-18 华中科技大学 一种基于信息融合及支持向量机的刀具状态在线监测方法
CN109318055A (zh) * 2018-09-11 2019-02-12 温州大学苍南研究院 一种铣削刀具磨损状态特征提取多目标优化方法
CN109732406A (zh) * 2019-01-07 2019-05-10 北京信息科技大学 一种智能刀具故障诊断方法
CN110647943A (zh) * 2019-09-26 2020-01-03 西北工业大学 基于演化数据聚类分析的切削刀具磨损监测方法
CN111300146A (zh) * 2019-11-29 2020-06-19 上海交通大学 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

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114248152A (zh) * 2021-12-31 2022-03-29 江苏洵谷智能科技有限公司 一种基于优选特征和狮群优化svm的刀具磨损状态评估方法
CN114248152B (zh) * 2021-12-31 2024-05-10 江苏洵谷智能科技有限公司 一种基于优选特征和狮群优化svm的刀具磨损状态评估方法
CN114952419A (zh) * 2022-05-11 2022-08-30 深圳吉兰丁智能科技有限公司 一种基于多特征融合的断刀监控方法及电子设备
CN114952419B (zh) * 2022-05-11 2023-12-22 深圳吉兰丁智能科技有限公司 一种基于多特征融合的断刀监控方法及电子设备

Also Published As

Publication number Publication date
CN112372371B (zh) 2021-10-19

Similar Documents

Publication Publication Date Title
CN111366123B (zh) 一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法
CN109822399B (zh) 基于并行深度神经网络的数控机床刀具磨损状态预测方法
CN110153801B (zh) 一种基于多特征融合的刀具磨损状态辨识方法
Madhusudana et al. Condition monitoring of face milling tool using K-star algorithm and histogram features of vibration signal
CN109571141A (zh) 一种基于机器学习的刀具磨损状态监测方法
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
CN111687689A (zh) 一种基于lstm和cnn的刀具磨损状态预测方法及装置
CN112372371B (zh) 数控机床刀具磨损状态评估方法
CN108942409A (zh) 基于残差卷积神经网络的刀具磨损量的建模和监测方法
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
CN110647943A (zh) 基于演化数据聚类分析的切削刀具磨损监测方法
JP6752866B2 (ja) 刃具状態検査システム及び方法
CN112692646B (zh) 一种刀具磨损状态智能评估方法及装置
CN112192319A (zh) 无监督模型的刀具磨损监测方法及系统
CN110346130A (zh) 一种基于经验模态分解和时频多特征的镗削颤振检测方法
CN112781820A (zh) 一种滚刀性能退化趋势评估方法
CN112757052A (zh) 不同磨损刀具的车削热与多元影响因子的相关性分析方法
CN112207631A (zh) 刀具检测模型的生成方法、检测方法、系统、设备及介质
CN113369994A (zh) 一种高速铣削过程刀具状态监测方法
CN114021443B (zh) 基于多传感器的cfrp钻削出口分层损伤预测方法
TW202019612A (zh) 應用於自動加工機的刀具磨耗預測方法
CN112475410A (zh) 一种铣削温度与多元影响因子的关联分析系统及方法
CN115564338A (zh) 面向多工况的数控机床关键部件集群性能评估方法
CN115496107A (zh) 基于数字孪生的航空发动机主轴轴承全生命周期分析方法
CN114235043A (zh) 外圆磨削颤振识别与尾架顶尖力在线监控测量装置及方法

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