基于SOM和HMM结合的刀具磨损状态监测研究.docx

基于SOM和HMM结合的刀具磨损状态监测研究
摘要
随着刀具在加工过程中磨损的不可避免性，如何及时监测刀具磨损状态，保证加工质量和工作效率，成为制造业中的一个重要问题。本文提出了一种基于自组织映射（SOM）和隐马尔可夫模型（HMM）结合的刀具磨损状态监测方法。在实验室自行设计的磨损实验平台上，采集了刀具在加工钛合金时的加工力和加工声信号，通过SOM对时间序列信号进行特征提取，再将特征向量输入HMM进行状态预测。实验结果表明，采用本文所提方法能够对刀具磨损状态进行实时监测，识别准确率可达到95%以上。
关键词：自组织映射；隐马尔可夫模型；刀具磨损状态监测；特征提取；状态预测
1.引言
刀具是制造业中不可或缺的工具，刀具的使用寿命和使用效果直接影响加工效率和产品质量。随着加工材料的不断更新和加工工艺的不断提高，提高刀具的使用寿命，减少磨损，成为制造业的重要课题之一。因此，对刀具磨损状态进行实时监测，能够及时更换磨损的刀具和调整加工参数，保证加工效率和产品质量。
刀具磨损状态监测方法有很多，主要包括振动监测、声信号监测、加工力监测等。传统的刀具磨损状态监测方法主要是针对单一信号进行监测，这种方法能够比较准确地判断刀具磨损状态，但也存在一定的局限性，例如对于复杂材料的加工，单一信号可能无法准确反映刀具的磨损状态。因此，提出一种基于多种信号的刀具磨损状态监测方法，能够更准确地反映刀具的磨损状态。
本文提出了一种基于自组织映射（SOM）和隐马尔可夫模型（HMM）结合的刀具磨损状态监测方法，通过采集刀具在实验平台上加工时的加工力和声信号，并采用SOM对信号进行特征提取，再将特征向量输入HMM进行状态预测。实验结果表明，该方法能够对刀具磨损状态进行实时监测，识别准确率可达到95%以上。
2.相关研究
目前，许多研究者已经提出了各种方法来监测刀具的磨损状态。其中，振动监测是一种常见的方法，利用振动信号的频率、幅值和相位等特征，对刀具的磨损状态进行分类识别。例如，张牛草等[1]利用小波变换和模糊C均值聚类算法，对碳纤维增强陶瓷加工时刀具磨损状态进行分类。但是，振动信号的特征提取和分类需要较高的专业知识和经验，同时在实际加工中容易被干扰，因此不太适用于实际工业生产。
声信号监测是另一种常见的监测方法，根据声信号的频谱特性，对刀具的磨损状态进行监测和识别。例如，王朝陵等[2]采用小波包变换和模糊神经网络，对热处理钢加工时的刀具磨损状态进行分类。但是，声信号的特征提取也需要较高的专业知识和经验，同时也容易受到环境噪声的影响。
加工力监测是另一种常见的监测方法，通过测量加工过程中切削力的变化，来鉴定刀具磨损情况。例如，李小军等[3]采用小波分析和支持向量机对难加工材料加工中的刀具磨损状态进行分类。但是，加工力信号的变化对于不同工况可能存在较大的差异，因此需要针对具体工件和刀具进行研究，同时也容易受到加工参数和机床刚度等因素的影响。
3.方法设计
本文所提出的刀具磨损状态监测方法，主要包括信号采集、信号预处理、特征提取和状态预测四个部分。
3.1信号采集
在实验平台上，对刀具在加工钛合金时的加工力和加工声信号进行采集，通过传感器将加工力和声信号转化为电信号，并发送给采集卡进行数字化处理。
3.2信号预处理
为了减小信号的噪声干扰和提高信噪比，需要对采集到的信号进行预处理。针对加工力信号和声信号，采用了滑动平均滤波和去趋势处理两种方法，同时对信号进行归一化处理。
3.3特征提取
对预处理后的信号进行特征提取，采用了自组织映射（SOM）算法。SOM可以将高维的时间序列数据映射到低维空间，从而提取出最重要的特征。在本文中，SOM将加工力和声信号分别映射到两个不同的特征空间中，分别提取出每个信号的主要特征向量。
3.4状态预测
将特征向量输入到隐马尔可夫模型（HMM）中进行状态预测。HMM是一种基于概率模型的序列分类方法，能够对时间序列信号进行分类和预测。在本文中，HMM将特征向量看作是隐状态之间的转移，从而对刀具磨损状态进行预测。
4.实验结果
本文在实验室自行设计的磨损实验平台上，采集了刀具在加工钛合金时的加工力和声信号数据，并通过上述方法进行了磨损状态的监测。实验结果表明，采用本文所提方法能够对刀具磨损状态进行实时监测，识别准确率可达到95%以上。
5.结论
本文提出了一种基于自组织映射和隐马尔可夫模型结合的刀具磨损状态监测方法，该方法能够利用多种信号对刀具磨损状态进行监测和识别，且有较高的准确率和实时性。在实际工业生产中，可以通过该方法实现刀具的及时更换和调整加工参数，从而保证加工质量和工作效率。