基于小波包分析与RBF神经网络的刀具磨损在线监测方法

摘要

本发明涉及一种基于小波包分析和RBF神经网络的刀具磨损在线监测方法，利用瞬时切削力系数识别法标定不同刀具磨损状态时切向力和径向力的剪切力系数和刃口力系数；通过分析切削力系数与刀具磨损的相关性，将其作为刀具磨损特征参数，经过归一化处理后输入RBF神经网络模型。RBF神经网络监测模型训练过程的输入层为经过归一化处理的切削力特征、切削振动特征，剪切力系数、刃口力系数；输出层为归一化处理后的刀具后刀面磨损量；隐含层为通过径向基函数迭代优化获得的神经元；通过刀具磨损监测实验验证了RBF神经网络监测模型具有响应速度快，识别精度高的优点。

说明书

技术领域

本发明属于基于小波包分析和径向基神经网络(radial basis function neuralnetwork)的刀具磨损在线监测方法，更具体的说涉及一种采用小波包分析和瞬时切削力系数识别法提取加工过程中的刀具磨损特征值，利用RBF神经网络对特征值进行训练，从而通过已训练的RBF神经网络监测模型准确监测刀具磨损的方法。

背景技术

刀具状态智能在线监测技术作为先进制造技术的重要组成部分，已经成为近年来该研究领域的主题。刀具作为切削过程的直接执行者，在工件的切削加工过程中不可避免地存在着磨损和破损等现象，刀具状态的变化直接导致切削力增加、切削温度升高、工件表面粗糙度上升、工件尺寸超出公差、切削颜色变化以及切削颤振的产生，因此，需要对刀具进行磨损状态监测。刀具磨损状态智能监测技术是指在产品加工过程中，针对检测到的各类传感器信号进行数据处理，采用特征识别模型实时的预测刀具磨损和破损的状态，从而准确提醒刀具更换时间。研究表明，CNC机床配备刀具监测系统后可减少故障停机时间的75％，生产效率提高10-60％，机床利用率提高50％。

刀具磨损状态智能监测一般分为两个过程：刀具磨损相关特征值的训练过程和利用训练模型对刀具磨损进行监测的过程。其中，训练过程中涉及磨损特征的提取，特征提取的方法包括三类：时域分析法、频域分析法、时频域分析法。时域分析法是指直接在时间域内对信号进行处理的方法，利用时域信号作为特征信号提取，经常会受到噪声信号或者由于加工参数变化而使信号发生变化的影响，因而会导致信号提取的准确性下降，并且往往需要大量的实验数据来归纳总结信号规律。频域分析是指通过傅里叶级数或傅里叶变换将信号由时间域转换到频率域进行分析和处理。但是利用傅里叶变换进行时域向频域的转换时存在着一定的缺点，即该方法用于提取信号频谱时，需要利用信号的全部时域信息，由于该方法是一种整体变换，缺少时域定位的功能，因此需要对这种变换方法加以改进。时频域分析法能够把信号的时间域和频率域联系起来，从而能够清楚地描述信号频率随时间的变化，使信号在时域和频域内都可以达到高的分辨率。近年来，神经网络在特征识别方面应用广泛，能够快速准确地对特征值进行训练与识别。

发明专利(CN104723171A)一种基于电流与声发射复合信号的刀具磨损监测方法提出了通过检测切削加工中的主轴电机的电流信号及车刀磨损状态的声发射信号，并通过小波包分析、主成分分析判断刀具的磨损程度。但该方法需测量电流与声发射两种信号，增加了设备成本和装夹的复杂度；同时，利用主成分判断刀具磨损程度并不能准确地预测刀具的后刀面磨损量。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于小波包分析与RBF神经网络的刀具磨损在线监测方法，解决时域法与频域法处理信号时分别在频域和时域上分辨率低的问题。

技术方案

一种基于小波包分析与RBF神经网络的刀具磨损在线监测方法，其特征在于步骤如下：

步骤1：在某一工况下，使用恒定的切削参数对材料进行加工，刀具在工件上侧边铣削加工，测量该过程中的切削力信号，同时测量每次加工后刀具的后刀面磨损量，并将归一化处理后的刀面磨损量作为RBF神经网络的输出值；

步骤2：

1、利用MATLAB中的小波包函数工具箱将切削力信号在时频域下进行三层分解重构，得到各个频段的小波包系数；将第一个频段的重构小波包系数作为切削力特征，第二个频段的重构小波包系数作为切削振动特征；

2、利用MATLAB设计滤波器对原始切削力信号进行滤波处理；利用瞬时切削力系数识别法标定不同刀具磨损状态时的剪切力系数和刃口力系数作为刀具磨损特征值；

步骤3：将步骤2处理的切削力特征、切削振动特征、剪切力系数、刃口力系数进行归一化处理，然后作为RBF神经网络输入端，将步骤1归一化处理后的刀具后刀面磨损量作为网络输出段进行训练，得到训练完成的RBF神经网络监测模型；

步骤4：在同一工况下，测量实时加工的过程中的切削力信号；利用步骤2的方法提取切削力特征、切削振动特征、剪切力系数、刃口力系数并进行归一化处理，将归一化处理后的数据输入RBF神经网络监测模型，RBF神经网络监测模型的输出为刀具后刀面磨损量的预测值。

采用Kistler9123C旋转式测力计测量该过程中的切削力信号。

有益效果

本发明提出的一种基于小波包分析与RBF神经网络的刀具磨损在线监测方法，在特征信号提取方面，本发明提出采用小波包分析对切削过程中的原始切削力信号进行数据处理，该方法使信号在低频和高频处均有较高的时间和频率分辨率：通过在频域下细分信号，时域下重构信号，提取出原始切削力信号中与刀具磨损相关的切削力特征和切削振动特征，再根据瞬时切削力系数识别法标定不同磨损状态下的剪切力系数和刃口力系数，得到四类与刀具磨损相关的特征值向量。在特征识别方面，通过分析现有模式识别方法，结合响应速度和识别精度的优劣，本发明专利选用RBF神经网络作为数据融合与特征识别的方法，将提取的四类与刀具磨损相关的特征向量导入RBF神经网络进行训练，将用于刀具磨损监测的信号特征参数导入已训练的神经网络监测模型，从而快速准确地预测刀具后刀面磨损量，达到在线监测的目的。

本发明所提出的基于小波包分析和RBF神经网络的刀具磨损在线监测方法具有以下优点：

1、由于传统的直接测量法需要停机测量刀具磨损，使生产中断，不利于加工效率的提高。因此本方法采用间接测量与刀具磨损相关的信号特征值，使刀具磨损可以达到在线监测的效果。

2、刀具在实际加工过程中，随着磨损量的增加，切削力、刀具振动、声发射等信号会发生显著变化，然而，如果将所有相关信号进行采集则会增加设备成本和装夹的复杂度。因此，本发明专利提出只采集切削过程中切削力信号，通过对切削过程中的原始切向和径向切削力信号进行小波包分析，剥离出与刀具磨损相关的切削力特征和切削振动特征，用于后续的刀具磨损特征的训练和监测。

3、本发明采用瞬时切削力系数识别法标定不同刀具磨损状态下切削力系数，通过分析不同磨损阶段的瞬时切削力系数与刀具磨损的相关性，将切削时的剪切力系数和刃口力系数作为刀具磨损特征用于刀具磨损在线监测。

4、本发明采用径向基神经网络(RBFNN)作为针对刀具磨损特征值训练和监测的模型。由于当输入信号靠近径向基函数的中央范围时，隐层节点将产生较大的输出，所以该网络具有局部逼近能力，响应速度和识别精度也优于BP神经网络。

附图说明

图1为刀具磨损在线监测方法流程图。

图2为刀具磨损特征提取过程。

图3为三层小波包分解结构图。

图4为切向切削力系数拟合图。

图5为径向切削力系数拟合图。

图6为RBF神经网络结构图。

具体实施方式

现结合实施例、附图对本发明作进一步描述：

本发明基于小波包分析与RBF神经网络的刀具磨损在线监测方法的步骤为：步骤一：在某一工况下，使用恒定的切削参数对钛合金材料进行加工，刀具在工件上侧边铣削加工58次，采用Kistler9123C旋转式测力计测量该过程中的切削力信号，同时测量每次加工后刀具的后刀面磨损量，提取其中50组刀具磨损测量值作为神经网络的输出用于训练。步骤二：1.利用三层小波包分析将滤波后的切削力信号在时频域下进行分解重构，重构信号中第一个频段和第二个频段信号的能量值与刀具磨损相关性较高，因此，可以将第一个频段信号作为切削力特征，第二个频段信号作为切削振动特征用于后续神经网络的训练。2.利用MATLAB设计滤波器对原始切削力信号进行滤波处理，利用瞬时切削力系数识别法标定不同磨损状态时的剪切力系数和刃口力系数作为刀具磨损特征值；步骤三：将归一化处理后的50组与刀具磨损相关的切削力特征、切削振动特征、剪切力系数、刃口力系数作为RBF神经网络的输入端，将测量的50组刀具后刀面磨损量径归一化处理后作为RBF神经网络的输出端对网络进行训练，得到RBF神经网络监测模型；步骤四：将采集的58组切削力信号中的其余8组用于刀具磨损监测实验，采用步骤二中的数据提取方法提取切削力信号中与刀具磨损相关的切削力特征、切削振动特征、剪切力系数与刃口力系数，归一化处理后作为RBF神经网络监测模型的输入端，此监测模型的输出端即为刀具后刀面磨损量，结果表明，此刀具磨损监测模型响应速度和识别精度均满足在线监测的要求。

RBF神经网络输入端神经元节点数通过特征值种类来确定，隐含层神经元节点数可以通过经验公式确定，输出神经元节点数由期望输出值确定。输入节点是与刀具磨损相关的特征量，共有四类特征向量，分别为切向和径向的切削力特征与切削振动特征，以及不同磨损状态下的剪切力系数和刃口力系数，输出节点是刀具的后刀面磨损量。为了便于RBF神经网络模型训练和监测，需要先对神经网络的输入输出特征值作归一化处理。

具体实施方式：

参照附图1-6，以铣削通用航空材料钛合金加工过程为例，对本发明的具体实施方式进行描述。

本发明提出一种基于小波包分析与RBF神经网络的刀具磨损在线监测方法，附图1-2表示该刀具磨损在线监测方法流程及特征提取过程，主要包括6个步骤：

步骤一：在某一工况下，使用恒定的切削参数对零件进行加工，刀具在钛合金工件上铣削加工径向距离1mm，轴向切深2mm的侧边58次，刀具从初始磨损变为磨钝磨损，测量每次加工后刀具的后刀面磨损量，提取其中50组刀具磨损测量值作为神经网络的输出值进行训练。同时，采用Kistler 9123C旋转式测力计测量该过程中的切削力；其作用是：使用恒定的切削参数可以减少变量，降低计算难度，根据旋转测力仪测量的三向切削力和扭矩计算出刀具切向与径向切削力，旋转测力仪具有测力信号稳定，抗干扰能力强，安装方便等优点。

步骤二：

1.利用三层小波包分析将测量的原始切削力信号在时频域下进行分解重构，离散正交小波包变换定义为观测信号s(t)在正交小波包基{w_n，j，k(t)}_{n∈Z/Z-，j∈Z，k∈Z}上的投影系数，即：

其中，n为频率指标，k为位置指标，j为尺度指标，w_n称为关于ψ(t)的正交小波包基，由一个标准正交化的尺度函数ψ(t)，其中w₀＝ψ(t)，借助双尺度差分递归方程组，生成的函数组：

其中，h_k、g_k为ψ(t)导出的一对共轭正交滤波器系数。

小波包可以随着分辨率2j的增加，其变宽的频谱窗口具有进一步分割变细的优良品质，对于给定的信号，通过一组低高通组合正交滤波器h_k、g_k，可以将信号划分至任意频段上，使其在低频和高频上都具有较高的时间和频率分辨率，本发明专利首先通过对加工过程中的切削力信号进行三层小波包分解，从小波包系数重构图中提取与磨损相关的切削力特征和切削振动特征，图3表示三层小波包分解具体划分过程，j表示分解层数；其作用是：三层小波包分解可以将采样频率2kHZ的切削力信号，在频域上细分为8段，在时域上将每个频段的小波包系数进行重构，通过求解重构信号能量值，提取出与刀具磨损相关的频段信号，并将此信号的能量值作为刀具磨损特征值。

2.利用MATLAB设计滤波器对原始切削力信号进行滤波处理，再利用瞬时切削力系数识别法标定不同磨损状态时的切削力系数作为刀具磨损特征值，由于剪切力系数与刃口力系数在刀具磨损变化较小的时候基本保持不变，根据瞬时切削力公式(4)可知，瞬时切削力随刀具切削厚度的变化而变化，剪切力系数与刃口力系数可利用线性拟合求得。

其中，F_q表示瞬时切削力，K_c表示剪切力系数，K_e表示刃口力系数，a_p表示轴向切深，表示切削厚度，其表达式如下式(5)所示：

其中，c表示每齿进给量，表示刀具齿位角，本文实验中由于刀具对材料逆铣加工，刀具切入角且径向切深为a_e＝1mm，根据刀具齿位角计算公式(6)知，刀具切出角：

实际拟合过程中，当刀具齿位角自切入角至切出角变化时，切削力的变化由零逐渐达到峰值结束，利用公式(7)线性拟合出不同刀具磨损状态时的剪切力系数和刃口力系数，图4-5表示利用MATLAB线性拟合剪切力系数和刃口力系数的过程。

根据数据分析知，切向力与径向力的剪切力系数K_c和刃口力系数K_e与刀具磨损状态相关性较大，因此可以作为一种刀具磨损特征值；其作用是：通过标定各个刀具磨损状态下的切削力系数，判断切削力系数与刀具磨损的关系并将切削力系数作为刀具磨损特征值。

步骤三：将归一化处理后的50组与刀具磨损相关的切削力特征、切削振动特征、剪切力系数、刃口力系数作为特征向量输入RBF神经网络进行训练，图6表示RBF神经网络结构图，RBF神经网络输入层为提取到的刀具磨损特征参数，隐含层采用高斯函数，其节点的作用是对输入信号的某些局部区域进行分析，决定隐含层节点的重要参数是径向基函数的中心和宽度，分别用c和σ表示，如下式所示：

其中，x为输入向量，c_j为n维矢量中第j个高斯函数的聚类中心，根据输入向量随机选取，是归一化尺度参数，相当于方差。R_j表示隐含层函数输出。

当输入矢量与某隐含层节点的中心最接近时，此隐含层节点的输出最大，随着矢量与径向基中心的远离，隐含层节点的输出也会单调下降，隐含层节点的输出通过权值ω线性传递至输出层，相应的函数表达式如下所示：

w_i为输出权值，Y为RBF神经网络期望值输出，本文以采用小波包分析提取的与刀具磨损相关的切削力特征和切削振动特征，以及利用瞬时切削力系数识别法标定的剪切力系数和刃口力系数作为输入特征向量，输出层为刀具后刀面的磨损量；其作用是：径向基神经网络(RBFNN)由于当输入信号靠近径向基函数的中央范围时，隐含层节点将产生较大的输出，所以该网络具有局部逼近能力，响应速度和识别精度也优于BP神经网络，因此将其作为特征识别模型。

步骤四：将采集的58组切削力信号中的其余8组用于刀具磨损监测实验，采用步骤二中的数据提取方法提取出切削力信号中与刀具磨损相关的切削力特征、切削振动特征、剪切力系数与刃口力系数，归一化处理后作为RBF神经网络监测模型的输入端，此监测模型的输出端即为监测的刀具后刀面磨损量，结果表明，此刀具磨损监测模型响应速度和识别精度均满足在线监测的要求。