申请/专利权人：福州大学

申请日：2021-12-28

公开（公告）日：2024-05-03

公开（公告）号：CN114161227B

主分类号：B23Q17/09

分类号：B23Q17/09

优先权：

专利状态码：有效-授权

法律状态：2024.05.03#授权;2022.03.29#实质审查的生效;2022.03.11#公开

摘要：本发明涉及一种基于仿真特征和信号特征融合的刀具磨损量监控方法，S1：获取原始振动信号，同时测量后刀面磨损量；S2：对原始振动信号进行信号预处理并提取信号特征;S3:进行基于拉伸、压缩和霍普金森压杆实验的第一状态材料的J‑C本构模型参数标定；S4：进行基于硬度实验的除第一状态材料外的其他状态材料的J‑C本构模型修正；S5：获取同种材料不同状态的仿真特征；S6:对信号特征和仿真特征进行特征选择和特征降维，得到融合后的低维度特征；S7：将每次走刀得到的降维后的特征和相应的后刀面磨损量来训练LSTM模型；S8：通过输入每次走刀得到的特征后得到后刀面的磨损量。本发明减少模型修正的工作量，避免了重复的实验，同时还能提高模型的精度。

主权项：1.一种基于仿真特征和信号特征融合的刀具磨损量监控方法，其特征在于：包括以下步骤：步骤S1：设计铣削实验，并搭建刀具磨损量在位测量平台，获取原始振动信号，同时测量刀具的后刀面磨损量；步骤S2：对原始振动信号进行信号预处理后提取振动信号的信号特征；步骤S3:进行基于拉伸、压缩和霍普金森压杆实验的第一状态材料的J-C本构模型参数标定；步骤S4：进行基于硬度实验的除第一状态材料外的其他状态材料的J-C本构模型修正；步骤S5：获取同种材料不同状态退火、回火、正火态的仿真特征；步骤S6:对信号特征和仿真特征进行特征选择和特征降维，得到融合后的低维度特征；步骤S7：将每次走刀得到的降维后的特征和相应的后刀面磨损量来训练LSTM模型；步骤S8：得到训练好的模型后，通过输入每次走刀得到的特征后得到后刀面的磨损量，达到刀具磨损量监控的目的；所述步骤S1的具体内容为：首先通过安装在机床主轴上的X轴和Y轴的加速度传感器获取每次走刀的加速度信号或通过信号采集卡或信号采集软件进行加速度信号采集，对得到的原始振动信号采用hampel滤波法进行异常值去除，采用均值补齐法进行缺失值补齐，采用小波去噪进行去除噪声操作后，对振动信号进行时域、频域、时频域的特征提取，提取时域特征包括最大值、最小值、绝对值的平均值、峰-峰值、均方根、波形因子、脉冲因子、偏度因子、峰值因子、裕度因子和峭度因子；频域特征是对信号进行快速傅里叶变换之后，得到加速度信号的频谱后，就能够得到加速度信号的频域信息，包括重心频率、频率方差、均方频率和均方根频率；最后再对信号以db10小波为基底进行3层小波包分解法，得到8个小波包的节点能量熵，从而得到振动信号的时频域特征；所述时域特征、频域特征和小波包的节点能量熵的具体内容为：时域特征公式：均值峰值XpeakXpeak＝Xmax峰-峰值Xp-pXp-p＝Xmax-Xmim均方根值xRMS波形因子Sf脉冲因子If峰值因子Cf偏度因子CS裕度因子Clf峭度因子K频域特征公式：设原信号经FFT变换后的频率域信号pi重心频率fc频率方差vf均方频率msf均方根频率rmsf小波包能量熵公式：假设有一段长度为N的原始加速度信号经过m层小波包分解，那么总共可以分成2m个小波包节点，每一个小波包节点信号的长度为N2m，每一个小波包节点对应一个频率区间，第m层第j个小波包节点的系数可以表示其所对应的频率区间为[fsj-12m+1fsj2m+1]，其中,fs为采样频率,j＝1,2,…,2m，这里引入小波能量熵的概念：定义第m层第j个节点的小波包能量熵为： 其中，n＝0,1,2,…,N2m，同理可以得到第m层的小波包总能量熵: 其中，M＝1,2,3,…,2m，为表示m层每个节点的小波包能量熵在小波包总能量熵的占比，定义第m层第j个节点的小波包能量熵比为：

全文数据：

权利要求：

百度查询： 福州大学 一种基于仿真特征和信号特征融合的刀具磨损量监控方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD