(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211310124.0 (22)申请日 2022.10.25 (71)申请人 大连民族大 学 地址 116600 辽宁省大连市金州区辽河西 路18号 (72)发明人 张添慈　陈兴文　张开乐　刘威　 杜芃森　 (74)专利代理 机构 南京源古知识产权代理事务 所(普通合伙) 32300 专利代理师 毕景峰 (51)Int.Cl. B23Q 17/09(2006.01) G06K 9/00(2022.01) G06N 3/04(2006.01) (54)发明名称 一种基于变分模态分解和神经网络的刀具 磨损预测方法 (57)摘要 本发明提供了一种基于变分模态分解和神 经网络的刀具磨损预测方法， 包括以下步骤： 步 骤1： 在机械加工铣床工件的夹具处安装力传感 器和加速度传感器， 获取铣削加工过程中刀具切 削的传感器信号， 通过光学图像测量刀具真实磨 损量； 步骤2： 将传感器信号按照刀具真实磨损量 划分为初期磨损阶段、 正常磨损阶段和急剧磨损 阶段。 通过变 分模态分解分解方法预处理刀具铣 削过程中的传感器信号， 去除传感器信号中存在 的噪声干扰。 在时域特征和频域特征的基础上增 加了子模态的VMD特征向量， 拓展了 特征维度， 提 升了刀具真实磨损量预测精度。 权利要求书2页 说明书4页 附图2页 CN 115488696 A 2022.12.20 CN 115488696 A 1.一种基于变分模态分解和神经网络的刀具磨损预测方法， 其特征在于， 包括以下步 骤： 步骤1： 在机械加工铣床工件的夹具处安装力传感器和加速度传感器， 获取铣削加工过 程中刀具切削的传感器信号， 通过光学图像测量刀具真实磨损量； 步骤2： 将传感器信号按照刀具真实磨损量划分为初期磨损阶段、 正常磨损阶段和急剧 磨损阶段， 使用变分模态分解 （VMD） 将三个阶段的传感器信号分解为子模态分量， 计算子模 态分量的能量熵， 将能量熵大的子模态分量重组为 新的重构信号； 步骤3： 使用时域、 频域分析方法提取重构信号的时域特征和频域特征； 并使用相关性 分析法筛选得到和刀具真实磨损量相关性高的时域特征和频域特征； 组合子模态分量的能 量熵和频率 为VMD特征向量； 步骤4： 将筛选得到的时域特征和频域特征以及VMD特征向量归一化处理； 建立三层BP 神经网络， 将归一化处理后的数据划分为训练集和测试集； 将训练集输入到BP神经网络的 输入层， 将训练集对应的刀具真实磨损量输入到BP神经网络的输出层， 训练BP神经网络； 构 建刀具磨损预测 神经网络模型； 步骤5： 将测试集输入到步骤4构建的刀具磨损预测神经网络模型的输入层并输出刀具 磨损预测结果； 将测试集的刀具磨损预测结果和测试集对应的刀具真实磨损量进 行对比确 认预测精度； 在预测精度满足要求后， 实现刀具磨损预测方法。 2.根据权利要求1所述的一种基于变分模态分解和神经网络的刀具磨损预测方法， 其 特征在于， 步骤1中力传感器和加速度传感器的采集通道均为3， 即通过力传感器和加速度 传感器可分别测出 X、 Y、 Z三个方向上的力 信号和振动信号。 3.根据权利要求1所述的一种基于变分模态分解和神经网络的刀具磨损预测方法， 其 特征在于， 所述刀具真实磨损量划分方式是按照刀具铣削操作中， 随着走刀次数的增加， 刀 具真实磨损量是否出现明显的转折点而确定的； 具体的， 以刀具真实磨损量为 纵坐标， 走刀 次数为横坐标作刀具真实磨损量 曲线； 第一次出现明显转折点之前记为初期磨损阶段； 第 一次出现明显转折点和第二次出现明显转折点之间记为正常磨损阶段； 第三次出现明显转 折点之后记为急剧磨损阶段。 4.根据权利要求1所述的一种基于变分模态分解和神经网络的刀具磨损预测方法， 其 特征在于， 步骤2 中变分模态分解的分解模态数K为8， 惩罚因子α 为2000， 计算得到8个子模 态分量。 5.根据权利要求3所述的一种基于变分模态分解和神经网络的刀具磨损预测方法， 其 特征在于， 步骤3中的时域特征包括均值、 方差、 均方差、 峰 ‑峰值、 波形因子、 峰值因子、 峭 度、 偏度、 脉冲因子、 裕度因子和能量比； 步骤3中的频域特征包括重心频率、 均方频率和均 方根频率。 6.根据权利要求3所述的一种基于变分模态分解和神经网络的刀具磨损预测方法， 其 特征在于， 步骤3中的相关性分析法包括： 将时域特征和频域特征与刀具真实磨损量相关性 高的得以保留， 相关性低的特征去除； 具体的， 以刀具真实磨损量曲线作为参考， 查看时域 特征和频域特征是否与刀具真实磨损量呈正相关而确定， 呈正相关的时域特征和频域特征 进行保留。 7.根据权利要求6所述的一种基于变分模态分解和神经网络的刀具磨损预测方法， 其权　利　要　求　书 1/2 页 2 CN 115488696 A 2特征在于， 步骤4中， 时域特征和频域特征以及VMD特征向量归一化处理采用最大最小归一 化方法， 将时域特 征和频域特 征以及VMD特 征向量的数值变换到区间0~1范围内。 8.根据权利要求7所述的一种基于变分模态分解和神经网络的刀具磨损预测方法， 其 特征在于， 所述三层BP神经网络构建方法为： 第一层输入层设置为与步骤3筛选的时域特征 和频域特征以及VMD特征向量三者的总特征参数相同的节点数24， 第二层隐含层维数设置 为24和48， 第三层输出层设置节点数为1， 节点激活函数设置为tanh 。 9.根据权利要求8所述的一种基于变分模态分解和神经网络的刀具磨损预测方法， 其 特征在于， 训练集和 测试集的比例为 4： 1。 10.根据权利要求9所述的一种基于变分模态分解和神经网络的刀具磨损预测方法， 其 特征在于， 步骤5中， 所述预测精度的方法包括： 以测试集的样 本号为横坐标， 测试集的刀具 磨损预测结果和测试集对应的刀具真实磨损量为 纵坐标作对比曲线图； 通过平均绝对误差 计算方法来反映预测精度。权　利　要　求　书 2/2 页 3 CN 115488696 A 3