基于功率传感器的刀具磨损量预测方法

• 作者: 段明雷 谢楠 郑蓓蓉 高英强
• 来源期刊: 同济大学学报（自然科学版）
• 学科: 工学
• 关键词: 刀具磨损 预测 特征后处理 稀疏贝叶斯学习 非支配排序遗传算法
• 年，卷（期）: 2017,（3）
• 所属期刊栏目: 机械、车辆与能源工程
• 页码范围: 420-426
• 页数: 7页
• 分类号: TH17
• 字数: 4223字
• 语种: 中文
• DOI: 10.11908/j.issn.0253-374x.2017.03.017

摘要

使用功率传感器监测机床加工功率,和切削力、声发射等传感器相比,功率传感器具有实用性强、对加工过程无影响等优点.针对采集到的功率信号,在分析信号特征相关性的基础上,提出了一个多目标优化RP-SBL的刀具磨损量预测方法,对信号特征进行后处理(Re-processing,RP)消除电网波动和切削中其他偶然因素的影响,进一步提高特征对刀具磨损敏感性.基于处理后的特征,运用稀疏贝叶斯学习(Sparse Bayesian Learning,SBL)方法建立刀具磨损量预测模型.此外,使用非支配排序遗传算法(Non-dominatedSorting Genetic Algorithm Ⅱ,NSGA-Ⅱ)对SBL模型相关参数进行优化以提高预测精度.实验研究表明,该方法能够实现刀具磨损量的准确预测.不同预测方法的对比表明,通过特征后处理提高信号特征对刀具磨损的敏感性,保证了刀具磨损量的准确预测,对SBL模型参数进行优化可进一步提高预测精度,减小预测误差的最大值.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	谢楠	同济大学中德工程学院	37	395	12.0	17.0
2	郑蓓蓉	温州大学机电工程学院	27	239	10.0	14.0
3	段明雷	同济大学机械与能源工程学院	2	39	2.0	2.0
4	高英强	同济大学中德工程学院	1	10	1.0	1.0