一种基于多类型信号的刀具磨损状态监测方法及系统与流程

本发明涉及数据处理，特别是指一种基于多类型信号的刀具磨损状态监测方法及系统。

背景技术：

1、刀具磨损是制造业中加工精度和产品质量的关键因素之一。在精密制造过程中，刀具的磨损状态直接影响到加工质量、生产效率及设备的使用寿命。随着工业自动化和智能制造的不断发展，刀具磨损监测技术逐渐成为提高生产效率和降低成本的重要手段。当前，刀具磨损的监测方法多种多样，涵盖了声学信号、振动信号、温度信号以及电流信号等多种类型。随着技术的发展，单一信号监测逐渐无法满足对高精度、高效率的需求。因此，基于多类型信号的综合监测方法逐渐成为研究热点，能够实现更加全面、准确的刀具磨损状态评估。

2、随着技术的进步，近年来也逐步出现了基于多类型信号融合的监测方法。这些方法通过结合多种信号的特征，如振动、声学、温度和电流等，进行综合分析，从而提高刀具磨损监测的准确性和可靠性。

3、然而，现有的多信号融合方法虽然能弥补单一信号的不足，但仍面临信号处理复杂和计算量大的问题，难以满足实时性需求。此外，由于刀具磨损过程的非线性和不确定性，现有方法在磨损早期阶段信号变化不显著时，监测精度较低。

技术实现思路

1、为了解决现有的多信号融合方法虽然能弥补单一信号的不足，但仍面临信号处理复杂和计算量大的问题，难以满足实时性需求。此外，由于刀具磨损过程的非线性和不确定性，现有方法在磨损早期阶段信号变化不显著时，监测精度较低的技术问题，本发明提供了一种基于多类型信号的刀具磨损状态监测方法及系统。

2、本发明实施例提供的技术方案如下：

3、第一方面：

4、本发明实施例提供的一种基于多类型信号的刀具磨损状态监测方法，包括：

5、s1：获取刀具在加工过程中的切削力数据、声发射信号数据以及振动信号数据；

6、s2：提取所述切削力数据以及所述声发射信号数据的多个统计特征；

7、s3：通过奇异性分析结合小波变换，提取所述振动信号数据的奇异点特征；

8、s4：构建基于随机森林的刀具磨损状态监测模型；

9、s5：以各个所述统计特征以及所述奇异点特征作为输入，对所述刀具磨损状态监测模型进行初步训练，输出初步刀具磨损结果；

10、s6：判断所述初步刀具磨损结果是否满足预设条件；若是，进入s9；否则，进入s7；

11、s7：使用初步训练后的刀具磨损状态监测模型，对各个所述统计特征以及所述奇异点特征进行特征重要性评估，确定影响刀具磨损状态的关键特征；

12、s8：根据所述关键特征，对所述刀具磨损状态监测模型进行精细训练；

13、s9：获取实时切削力数据、实时声发射信号数据以及实时振动信号数据；

14、s10：根据所述实时切削力数据、所述实时声发射信号数据以及所述实时振动信号数据，通过训练后的刀具磨损状态监测模型，对所述刀具的刀具磨损状态进行监测。

15、第二方面：

16、本发明实施例提供的一种基于多类型信号的刀具磨损状态监测系统，包括：

17、处理器；

18、存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如第一方面所述的基于多类型信号的刀具磨损状态监测方法。

19、第三方面：

20、本发明实施例提供的一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的基于多类型信号的刀具磨损状态监测方法。

21、本发明实施例提供的技术方案带来的有益效果至少包括：

22、(1)在本发明实施例中，通过提取统计特征并结合小波变换与奇异性分析，有效简化了原始信号的处理流程，显著减少了计算复杂度。采用随机森林构建的刀具磨损状态监测模型，能够高效地处理大规模特征，从而避免了计算资源的过度消耗，提升了系统实时性和处理效率。

23、(2)在本发明实施例中，通过初步训练模型，能够在信号变化微弱的早期阶段提供有效的磨损判断，确保即使在信号变化不显著时也能进行初步预测。同时，通过对特征重要性进行评估，筛选出影响刀具磨损的关键特征，确保模型集中关注那些在早期阶段信号变化较小时仍能有效区分磨损状态的特征。基于关键特征进行模型精细训练，进一步提升了模型对早期磨损状态的识别能力，从而显著提高了监测精度。

1.一种基于多类型信号的刀具磨损状态监测方法，其特征在于，包括：

2.根据权利要求1所述的基于多类型信号的刀具磨损状态监测方法，其特征在于，所述统计特征具体包括：

3.根据权利要求1所述的基于多类型信号的刀具磨损状态监测方法，其特征在于，所述s3具体包括：

4.根据权利要求1所述的基于多类型信号的刀具磨损状态监测方法，其特征在于，所述s4具体包括：

5.根据权利要求4所述的基于多类型信号的刀具磨损状态监测方法，其特征在于，所述s403具体包括：

6.根据权利要求1所述的基于多类型信号的刀具磨损状态监测方法，其特征在于，所述预设条件具体为：所述初步刀具磨损结果的预测准确度大于百分之八十。

7.根据权利要求1所述的基于多类型信号的刀具磨损状态监测方法，其特征在于，所述s7具体包括：

8.根据权利要求1所述的基于多类型信号的刀具磨损状态监测方法，其特征在于，对所述刀具磨损状态监测模型进行精细训练的方式具体为：

9.根据权利要求1所述的基于多类型信号的刀具磨损状态监测方法，其特征在于，在所述s10之后还包括：

10.一种基于多类型信号的刀具磨损状态监测系统，其特征在于，包括：