一种数控机床切削加工的刀具磨损状态识别方法

摘要

本发明公开了一种数控机床切削加工的刀具磨损状态识别方法，具体包括如下步骤：（1）数据采集（2）采集数据区间化，获得区间数据集（3）对采集信号进行小波包分解，获得各频段的能量百分比和相应各频段的上界小波包系数和下界小波包系数；（4）获取多观察序列（5）求取广义隐马尔科夫初始模型λ=（A,B,π）；（6）模型训练获得最优模型库λ＝(λ₁,...,λ_n)；（7）把待识别磨损状态的刀具磨损信号数据作为多观察输入代入上述最优模型库，识别刀具磨损状态。本发明通过广义区间概率来解决数据机床加工中研究刀具磨损状态时，信息处理中出现的不确定性问题，识别准确率显著提高。

主权项

1.一种数控机床切削加工的刀具磨损状态识别方法，具体包括如下步骤：(1)数据采集测量获取数控机床切削加工中刀具在各种磨损状态下的测量数据，形成刀具磨损信号数据集X＝{x₁，x₂，...，x_k}，其中k＝1，2，...，m，m为测量数据的个数；(2)采集数据区间化将所述数据集X中的每个元素转换成区间形式，即则数据集X转换为区间数据集$X^{\prime }=\left\{\right[{\underset{‾}{x}}_1,{\bar{x}}_1],[{\underset{‾}{x}}_2,{\bar{x}}_2],...,[{\underset{‾}{x}}_k,{\bar{x}}_k\left]\right\};$(3)对采集信号进行小波包分解，具体为：对所述数据集X＝{x₁，x₂，...，x_k}进行小波包分解，获得各频段的能量百分比；对区间数据集X′进行小波包分解，即分别对X′各元素的上下界分别进行小波包分解，得到相应各频段的上界小波包系数和下界小波包系数；(4)获取多观察序列(4.1对数据集X进行小波包分解后得到各频段能量百分比进行区间化，然后将区间化了的各频段的能量百分比的上下界分别进行量化和编码，得到编码后的能量百分比的上界序列O₁和下界序列(4.2)对各频段的上界小波包系数和下界小波包系数，求得相应的上界小波包系数的均方根值和下界小波包系数的均方根值，从而得到上界的均方根值序列O₂和下界的均方根值序列(4.3)组合步骤(4.1)和(4.2)的序列，得到多观察序列$O=[{\underset{‾}{O}}_1,{\bar{O}}_1,{\underset{‾}{O}}_2,{\bar{O}}_2];$(5)模型训练将所述多观察序列作为输入，代入数控机床的广义隐马尔科夫初始模型中，逐步训练改进初始模型参数，直至多观察序列在模型中的区间概率p(O|λ)的上、下界都收敛为止，即可得到刀具在各个磨损状态相应的最优广义隐马尔科夫模型并构成最优模型库其中，i为最优广义隐马尔科夫模型序号，代表刀具磨损状态类型，且i＝1，2，...，n，n为刀具磨损状态数；(6)刀具磨损状态识别把待识别磨损状态的刀具的磨损信号数据，经过步骤(2)～(4)的处理，得到多观察序列将其划分为上界观测序列O′＝[O′₁，O′₂]和下界观测序列分别作为多观察输入，代入所述最优模型库中，分别计算得到区间概率和进一步得到区间概率的对数似然值其中$p\left(O^{\prime }\right|{\tilde{\lambda }}_i):=p\left({\underset{‾}{O}}^{\prime }\right|{\tilde{\lambda }}_i)\times p\left({\bar{O}}^{\prime }\right|{\tilde{\lambda }}_i),$由区间比较法求出最大的此时，i对应的状态即为待识别样本的刀具磨损状态。