一种数值仿真驱动的加工过程刀具状态监测方法与流程

技术特征：

1.一种数值仿真驱动的加工过程刀具状态监测方法，其特征在于，包括以下步骤：

步骤s1、获取机床加工过程中的切削力信号，并根据实验所采用刀具和工件等参数进行建模；

步骤s2、根据数值仿真理论，对相应材料根据实验值进行最佳参数组合的选定；

步骤s3、基于模型材料标准参数，以标准参数数值大小的80％和120％分为三个水平进行正交实验，对实验结果进行分析，得出最佳参数组合；

步骤s4、采用最佳参数组合的模型对刀具进行不同磨损状态下的仿真，获得切削力数据样本，并扩充至实验数据样本中；

步骤s5、选取监测算法，将扩容后的实验数据样本作为训练集对监测算法进行训练，进而对待测刀具状态进行状态监测。

2.根据权利要求1所述的一种数值仿真驱动的加工过程刀具状态监测方法，其特征在于，所述的步骤s1具体包括以下步骤：

步骤s1.1、进行加工过程刀具监测实验，采集c种刀具状态下的切削力信号，记为i＝1,2,...,z,c＝1,2,...,c，z为采集的信号点数，c为第c类刀具状态；

步骤s1.2、基于有限元分析软件对加工实验进行仿真；其主要过程分为前处理设置、生成db数据文件并运算、后处理查看结果这三部分，且在前处理设置中选用j-c本构模型，如下：

在式(1)中，a为初始屈服应力；b为应变硬化常数；c为应变速率系数；n为应变硬化指数；m为温度软化指数。c、n、m为材料特性系数，t，troom，tmelt分别为变形温度、室温和材料熔点。

3.根据权利要求2所述的一种数值仿真驱动的加工过程刀具状态监测方法，其特征在于，所述的步骤s3具体包括以下步骤：

步骤s3.1、以材料j-c本构模型标准参数为基准，分别取其数值大小的80％和120％建立五因素三水平的正交表l18(5³)进行正交实验，对正交实验结果进行比较分析，得到最佳参数组合；

步骤s3.2、计算18组仿真数据的kl散度值和cs值；从仿真切削力信号中截取刀具完全进入工件后的数据点，记为i＝1,2,...,n，n为信号点数；将仿真信号与实验测试信号进行余弦相似度和kl散度比较，用cos(θ)表示余弦相似度值，其计算公式为：

用dkl表示和之间的kl散度值，其计算公式为：

和分别表示仿真信号和实验信号的概率密度，n为信号点数；

步骤s3.3、找出满足cos(θ)大于0.6且dkl最小所对应的参数组合，该组合对应的仿真模型即为与实验条件最匹配的铣削加工仿真模型。

4.根据权利要求3所述的一种数值仿真驱动的加工过程刀具状态监测方法，其特征在于，所述的步骤s4具体为：

在仿真中取c种刀具状态作为补充样本进行建模、仿真，获得每种刀具状态下的切削力信号，记为fsi，i＝1,2,...,n，将实验测试的切削力记为fei，i＝1,2,...,n，n为信号点数；将实验数据和仿真数据合并成新的训练样本fi＝{fsi，fei}，达到样本扩容的目的。

5.根据权利要求4所述的一种数值仿真驱动的加工过程刀具状态监测方法，其特征在于，所述的步骤s5具体包括以下步骤：

步骤s5.1、计算训练样本fi的多域特征参数，构成fi的特征参数集gi＝(gi1,gi2,...,gi25)；

步骤s5.2、选取分类算法对刀具状态进行分类，并将特征参数集f与对应的刀具磨损类别作为分类算法的输入对算法进行训练，获得刀具状态监测模型；

步骤s5.3、定期周期性在线采集加工过程中的切削力时域信号，获得待测刀具的切削力信号样本fui；

步骤s5.4、计算切削力信号样本fui的多域特征参数，构成fui的特征参数集的特征参数集

步骤s5.5、以特征参数集作为输入，采用已训练的状态监测模型对刀具状态进行分类，从而达到识别刀具磨损状态的目的。

技术总结
本发明公开了一种数值仿真驱动的加工过程刀具状态监测方法，包括以下步骤：获取机床加工过程中的切削力信号，并根据实验所采用刀具和工件等参数进行建模；对相应材料根据实验值进行最佳参数组合的选定；基于模型材料标准参数，以标准参数数值大小的80％和120％分为三个水平进行正交实验，对实验结果进行分析，得出最佳参数组合；采用最佳参数组合的模型对刀具进行不同磨损状态下的仿真，获得切削力数据样本，并扩充至实验数据样本中；选取监测算法，将扩容后的实验数据样本作为训练集对监测算法进行训练，进而对待测刀具状态进行状态监测。本发明的提出可以大大减少实验次数，只需少量实验加以验证仿真模型即可，显著降低获取刀具状态样本的成本。

技术研发人员：周余庆;朱钦松;孙兵涛;孙维方
受保护的技术使用者：温州大学
技术研发日：2020.07.08
技术公布日：2020.11.24