基于机器学习的数控机床铣刀磨损状态监测及磨损量预测.pdf

摘要

摘要

随着科技不断的发展，数控机床智能化已成为国家工业化水平的体现。铣刀作为

数控加工过程中的关键部件，其磨损程度对加工产品的品质、生产效率及安全有着重

大影响。当使用磨损达到一定程度的铣刀进行加工时，不仅会增加生产成本，同时还

会导致加工成品报废和机床损坏等。因此，对铣刀磨损进行研究具有重要意义，可以

提高产品质量以及提升设备生产效率。基于此背景下，本文重点探究了铣刀磨损信号

预处理与特征提取、铣刀磨损状态监测以及磨损量预测三个关键问题。主要研究内容

如下：

（1）针对铣刀磨损状态特征因受强噪声的干扰而造成特征难以提取以及提取精

度不高的问题，构建一种改进变分模态分解（VMD）的能量权重法和多域特征提取

方法。首先将原始信号用改进的VMD算法进行分解得到多个模态分量后，通过能量

权重法筛选出最优模态分量进行重构，其次对重构信号提取时域、频域以及时频域多

域特征，并对提取到的多域特征向量运用主成分分析进行降维，从而实现铣刀磨损状

态特征提取。最后通过PHM2010高速铣削刀具数据集进行验证，进一步证明所提方

法的有效性。

（2）构建优化支持向量机（SVM）铣刀磨损状态监测模型。传统的支持向量机

在进行识别时常常会出现由于核心参数选取不准确而导致最终识别精度不高的问题。

因此为了避免传统支持向量机的弊端，引入黑寡妇智能优化算法（BWO）对其核心

参数进行自适应的选取，以此来提高支持向量机对铣刀磨损状态监测的准确率。最终

与常用的机器学习方法进行磨损状态监测结果对比分析，对比结果显示优化后的支持

向量机具有更高的监测精度。

（3）构建改进的长短期记忆神经网络（LSTM）与AdaBoost结合的铣刀磨损量

预测模型。在简要概述传统长短期记忆神经网络后，点明其迭代时间过长、参数组合

确定困难等缺陷，引入黑寡妇算法对网络的隐藏层神经元数以及学习率进行优化，同

时使用AdaBoost算法将改进后的多个长短期记忆神经网络组合成强预测器，进一步

提高所构建模型对铣刀磨损量预测的精度，并将所提取的多域特征对模型进行训练及

测试，证明了所提模型的有效性。最后通过多组数据交叉验证的结果进行对比分析，

进一步验证了所构建模型的准确性。

关键词：铣刀磨损状态监测；磨损量预测；黑寡妇优化算法；支持向量机；长短期记

忆神经网络

论文类型：应用研究

I

目录

目录

第1章绪论1

1.1研究背景及意义1

1.2国内外研究现状2

1.2.1数控机床铣刀磨损状态监测研究现状2

1.2.2数控机床铣刀磨损量预测研究现状5

1.3论文研究内容和结构框架6

第2章相关基础理论9

2.1铣刀磨损机理9

2.1.1铣刀磨损原理9

2.1.2铣刀磨损分类9

2.2铣刀磨损过程和磨钝标准11

2.2.1铣刀的磨损过程11

2.2.2铣刀的磨钝标准12

2.3相关机器学习方法13

2.3.1黑寡妇算法13

2.3.2长短期记忆神经网络15

2.3.3AdaBoost集成学习16

2.4本章小结18

第3章铣刀磨损状态信号预处理及特征提取19

3.1铣刀磨损状态信号预处理及特征提取问题描述19

3.1.1