基于虚拟测量的智能数控加工刀具剩余可用寿命预测方法与流程

1.本发明涉及机械加工过程信号处理技术领域，主要是刀具性能退化评估，尤其涉及一种基于虚拟测量的智能数控加工刀具剩余可用寿命预测方法。


背景技术：

2.刀具磨损在难加工材料高速数控铣削加工过程中是一种普遍存在的现象，作为数控机床的关键部件，刀具的性能直接影响切削加工的质量、效率、效益和能耗等。在机床实际使用过程中，为了避免刀具性能退化甚至失效等引起的加工零件表面劣化，通常在刀具还未达到使用寿命的时候就更换刀具，增加了换刀次数，提高了使用成本。为了实现对刀具性能的精确管控，必须实现刀具性能退化和剩余寿命的在线、精确、可靠评估。
3.现阶段，实际运用的刀具磨损寿命预测的方法基本上都是通过刀具泰勒模型或其他简单物理模型对刀具性能退化和剩余寿命进行评估和预测。此类简单的模型只能近似地建立刀具退化模型，不能精确地描述复杂的刀具性能退化过程，造成预测精度低下。同时，此类确定性的模型不能适应工况的变化，难以应对日益复杂的金属切削技术。随着传感测量技术、虚拟测量技术、计算机技术等的快速发展，基于数据驱动的刀具性能退化评估方法得到了越来越多的应用和发展。通过结合不同的传感器信号，对传感信号进行数据处理，选择最优特征，最后利用复杂的模型来拟合数据，达到评估刀具性能退化和预测刀具剩余寿命的目的。然而，此类数据驱动的模型大多依赖于带标签的历史测量数据，提供的越多的历史数据作为训练数据，则模型的准确度越高。然而，由于实际使用过程中，作为标签的刀具磨损值往往难以测得，或者需要花费大量的人力物力，因此，无法提供足够的历史刀具磨损数据用于模型训练。同时，此类数据驱动的方法在模型训练完成之后不再根据实际情况更新，造成当工况变化时，模型精度下降等。


技术实现要素：

4.本发明的目的是提供一种基于虚拟测量的智能数控加工刀具剩余可用寿命预测方法，实现了对刀具性能退化和剩余寿命的在线评估和预测，从而实现对刀具性能的有效管控，有效的降低了生产成本、提高了刀具利用率、生产效率和生产质量。
5.在一个方面，提供一种基于虚拟测量的智能数控加工刀具剩余可用寿命预测方法，它包括如下步骤：
6.步骤一：基于虚拟测量技术，构建刀具性能退化指标，其中，提取原始传感测量数据的特征信号，并从中选择最相关的特征信号用于特征融合，融合后的特征数据进行数值滤波，得到刀具性能退化指标；
7.步骤二：依据刀具磨损历史数据建立刀具性能退化模型并估计其初始参数，其中，基于历史刀具磨损数据，建立刀具性能退化非线性模型及观测方程；
8.步骤三：采用基于实时监测数据建立的性能退化指标进行模型参数的在线自适应更新，其中，基于非线性模型，建立刀具性能退化状态空间方程，以实时监测数据的性能退
化指标作为输入，结合扩展卡尔曼平滑滤波和最大期望算法在线更新模型参数；以及
9.步骤四：基于实时数据进行刀具性能退化在线评估及剩余寿命预测。
10.根据一些示例性实施例，所述步骤一包括：利用电子显微镜测量刀具磨损值作为数据标签，基于传感特征数据和数据标签，采用最小二乘估计法计算特征融合系数，根据融合系数将实时监测系数融合为刀具性能退化指标。
11.根据一些示例性实施例，所述步骤一具体包括：
12.步骤1.1：特征提取，从时域、频域和基于小波分析的时频域中提取传感(切削力、振动和声发射)特征信号，共计得到63维特征信号；
13.步骤1.2：特征选择，基于特征间相关支持度，从提取到的63维特征信号中选择最相关特征信号，共计得到17维最相关特征信号；
14.步骤1.3：特征融合系数估计，采用最小二乘估计计算17维特征信号的融合系数；
15.步骤1.4：特征融合与刀具性能退化指标构建，基于步骤1.3中计算的融合系数，融合特征数据，得到一维的刀具性能退化指标；以及
16.步骤1.5：数值滤波，步骤1.4中所得刀具性能退化指标含有噪声干扰，数值波动较大，采用数值滤波得到平滑的刀具性能退化指标。
17.根据一些示例性实施例，所述步骤二包括：基于刀具磨损历史标签数据和刀具性能退化指标，建立融合指数函数和幂函数的退化非线性模型及观测方程，并且采用极大似然估计计算模型初始参数。
18.根据一些示例性实施例，所述步骤三包括：基于所述步骤二中建立的退化非线性模型和观测方程，建立刀具性能退化状态空间方程，并以实时监测数据的刀具性能退化指标作为输入，采用基于em算法实时更新状态空间方程的参数。
19.根据一些示例性实施例，所述步骤三具体包括：
20.建立刀具性能退化状态空间方程；
21.基于扩展卡尔曼平滑估计隐藏刀具磨损状态；
22.基于em算法实时更新退化非线性模型参数及观测方程参数；以及
23.利用卡尔曼滤波更新刀具磨损状态及其方差。
24.根据一些示例性实施例，在所述步骤三中，刀具性能退化状态空间方程包括状态方程和观测方程，所述观测方程为依据历史刀具磨损数据标签建立的刀具磨损退化非线性模型，所述观测方程为依据可观测的刀具性能退化指标与刀具隐藏退化状态之间的函数关系所建立的方程。
25.根据一些示例性实施例，在所述步骤三中，扩展卡尔曼平滑包括两部分：卡尔曼滤波和rts平滑，卡尔曼滤波的输出结果作为rts平滑的输入。
26.根据一些示例性实施例，所述步骤四包括：根据在线实时监测数据，采用上述非线性模型和状态空间方程在线评估刀具性能退化情况并预测当前情况下剩余寿命。
27.根据一些示例性实施例，在所述步骤四中，所述刀具性能退化在线评估包括刀具寿命的估计、刀具剩余寿命估计及刀具磨损值的单步预测和多步预测。
28.与现有技术相比，本发明的有益效果至少包括如下几个方面：
29.(1)本发明采用虚拟测量技术，对于无法直接测量的刀具磨损数据，采用多传感器进行间接测量，无需机床停机即可在线实时地对刀具进行性能退化评估和剩余寿命预测。
30.(2)基本发明采集刀具磨损的多种传感器信号，提取并选择其中最相关的传感特征信号，然后将多维特征信号融合为刀具性能退化指标，避免了单一传感器精度低，监测稳定性差的问题，有效地提高了刀具性能评估及剩余寿命预测的准确定和可靠性。
31.(3)本发明仅需要少量的历史刀具磨损数据用来建立刀具性能退化模型及模型的初始参数，大大减少了数据测量成本及工作量。
32.(4)本发明采用采用扩展卡尔曼平滑和em算法对模型参数进行在线更新，提高了刀具性能退化评估及寿命预测的准确性，同时，由于模型参数随着实时监测数据不断更新，本方法可以适应工况变化，在切削参数等变化的情况下，本方法依据可以稳定可靠地对刀具性能退化进行评估。
33.(5)相对于其他数据驱动模型的“黑盒”操作，本发明建立的非线性刀具性能退化模型和状态空间模型可以显式地、精确地描述刀具性能退化过程，为刀具的性能管控和预测性维修提供技术支持。
附图说明
34.下面结合附图说明对本发明的实施例作进一步说明。
35.图1为本发明实施例提供的一种基于虚拟测量的智能数控加工刀具剩余可用寿命预测方法流程图；
36.图2为本发明实施例提供的基于虚拟测量技术的刀具性能退化指标构建流程图；以及
37.图3为本发明实施例提供的基于扩展卡尔曼平滑和em算法的在线自适应更新方法流程图。
具体实施方式
38.为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例的附图，对本公开实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
39.除非另外定义，本公开使用的技术术语或者科学术语应当为本领域普通技术人员所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。
40.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
41.如图1所示，本发明的实施例提供一种基于虚拟测量的智能数控加工刀具剩余可用寿命预测方法，它可以包括以下步骤。
42.在步骤1中，基于虚拟测量技术，构建刀具性能退化指标。
43.例如，可以提取原始传感特征数据，利用电子显微镜测量刀具磨损值作为数据标签，基于传感特征数据和数据标签，采用最小二乘估计法计算特征融合系数，根据融合系数将实时监测系数融合为刀具性能退化指标。
44.如图2所示，基于虚拟测量技术构建刀具性能退化指标可以包括如下步骤：
45.步骤1.1：特征提取，从时域、频域和基于小波分析的时频域中提取传感(切削力、振动和声发射)特征信号，共计得到63维特征信号；
46.步骤1.2：特征选择，基于特征间相关支持度，从提取到的63维特征信号中选择最相关特征信号，共计得到17维最相关特征信号，两个特征间相关支持度用如下表达式计算：
[0047][0048]
其中，y
i
，σ
i
表示第i个特征数据的均值和方差；
[0049]
步骤1.3：特征融合系数估计，采用下式最小二乘估计计算17维特征信号的融合系数：
[0050]
β＝(y
t
y)
‑1y
t
s
[0051]
其中，y，s，β分别表示特征信号向量、标签数据向量和融合系数向量；
[0052]
步骤1.4：特征融合与刀具性能退化指标构建，基于步骤1.3中计算的融合系数，融合特征数据，得到一维的刀具性能退化指标。
[0053]
步骤1.5：数值滤波，步骤1.4中所得刀具性能退化指标含有噪声干扰，数值波动较大，采用数值滤波得到平滑的刀具性能退化指标。
[0054]
需要说明的是，本文中的“特征信号”与“传感特征数据”可以表示相同的数据或信号。在本文中，特征信号和传感特征数据用来间接预测刀具的磨损值及剩余寿命，数据标签是直接用来表征刀具磨损程度的指标，可以通过电子显微镜直接观测到的。
[0055]
此处的“特征信号向量”是由多个特征信号组成的一个向量，类似的，“标签数据向量”由多个数据标签组成的一个向量。
[0056]
在步骤2中，依据刀具磨损历史数据建立刀具性能退化模型并估计其初始参数基于刀具磨损历史标签数据和刀具性能退化指标建立融合指数函数和幂函数的退化非线性模型及观测方程，采用极大似然估计计算模型初始参数。刀具性能退化非线性模型表示如下：
[0057][0058]
其中，s
k
为k时刻刀具磨损退化状态，为漂移项，σ
b
为扩散系数，观测方程表示如下：
[0059]
φ(s(t)；ξ)＝β0 β1s(t)
[0060]
其中，β0和β1为观测方程的系数，基于历史标签数据的极大似然函数表示如下：
[0061][0062]
其中，n为历史磨损刀具个数，m为单个刀具磨损测量数据的数目。采用极大似然估计，可以估算出模型初始参数θ＝[a，b，c，d，σ
b
]，其中，a，b，c，d为刀具磨损退化非线性模
型的系数。
[0063]
在步骤3中，采用基于实时监测数据的建立的性能退化指标进行模型参数的在线自适应更新。
[0064]
基于步骤2中建立的退化非线性模型和观测方程，建立如下刀具性能退化状态空间方程：并以实时监测数据的刀具性能退化指标作为输入，采用基于em算法实时更新状态空间方程的参数。如图3所示，参数在线自适应更新包括如下步骤：
[0065]
步骤3.1：建立如下刀具性能退化状态空间方程：
[0066][0067]
其中，为系统白噪声。
[0068]
步骤3.2：基于扩展卡尔曼平滑估计隐藏刀具磨损状态；
[0069]
步骤3.3：基于em算法实时更新退化非线性模型参数及观测方程参数，基于实时数据的状态空间方程极大似然函数表示如下：
[0070][0071]
根据em算法可以实现状态方程参数φ1＝[a，b，c，d，σ
b
]
t
和观测方程参数φ2＝[β0，β1，γ]
t
的实时更新；
[0072]
步骤3.4：利用卡尔曼滤波更新刀具磨损状态及其方差。
[0073]
其中，步骤3.1中刀具性能退化状态空间方程包括状态方程和观测方程，所述观测方程为依据历史刀具磨损数据标签建立的刀具磨损退化非线性模型，所述观测方程为依据可观测的刀具性能退化指标与刀具隐藏退化状态之间的函数关系所建立的方程。
[0074]
其中，步骤3.2中扩展卡尔曼平滑包括两部分：卡尔曼滤波和rts平滑，卡尔曼滤波的输出结果作为rts平滑的输入。
[0075]
其中，步骤3.3中em算法包括e
‑
step和m
‑
step两步，通过不断迭代求解，可得到当前状态下最优参数。
[0076]
在步骤4中，基于实时数据进行刀具性能退化在线评估及剩余寿命预测。
[0077]
根据在线实时监测数据，采用上述非线性模型和状态空间方程，在线评估刀具性能退化情况。
[0078]
其中，刀具性能退化评估包括刀具寿命的估计、刀具剩余寿命估计及刀具磨损值的单步、多步预测。
[0079]
上述说明示出并描述了本发明的实施方式，如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利
要求的保护范围内。