买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京航空航天大学;南京晨光集团有限责任公司

摘要：本发明公开了一种基于LM算法的钻削加工刀具堵屑智能监测方法，包括：进行钻削过程中主轴功率信号的数据采集；提取峰值特征，计算最大峰值阈值；生成样本数据集；构建基于主轴功率信号、主轴转速、进给速率、设定孔深和刀具参数预测后续主轴功率信号的堵屑监测模型；对当前钻削过程中的主轴功率信号进行采集和降噪、滤波处理，并基于构建的堵屑监测模型预测钻削过程中后续的主轴功率信号的峰值；对预测的主轴功率信号的峰值进行判断，调整主轴转速和进给速率，完成钻孔。本发明能够降低堵屑、缠屑等加工异常对所加工深孔的尺寸精度和表面质量的影响，保证深孔钻削工件表面质量的一致性，提高钻削的加工效率。

主权项：1.一种基于LM算法的钻削加工刀具堵屑智能监测方法，其特征在于，所述钻削加工刀具堵屑智能监测方法包括以下步骤：S1：在选定的工艺范围内进行深孔钻削试验，在规划好的每组钻削参数下，分别采用一把全新未磨损的刀具进行钻削试验，采集钻削过程中的主轴功率信号，每连续钻削多个孔后通过刀具测量仪测量并记录钻头的磨损值，直至钻头磨损失效，或者发生异常的钻削情况；S2：对采集的钻削过程中的主轴功率信号进行降噪和滤波处理，并对经过处理的钻削过程中的主轴功率信号集按照钻孔数进行划分，提取主轴功率信号的峰值特征，根据主轴功率信号的峰值特征和异常的钻削情况的关系数据，计算得到正常钻孔允许的主轴功率信号的最大峰值阈值；S3：将步骤S2中经过划分的钻削过程中的主轴功率信号集与主轴转速、进给速率、设定孔深、刀具初始参数以及当次钻孔过程中的主轴功率信号的峰值作为一组样本数据，生成样本数据集；S4：基于MATLAB中的神经网络工具箱NeuralNetFitting的Levenberg-Marquardt算法构建用于预测后续钻削过程功率信号的神经网络模型，神经网络模型的输入为：单次钻孔的设定孔深、初始刀具参数、以及单次钻孔过程中的主轴转速、进给速率和经过处理的主轴功率信号，输出为该次钻孔过程中对应的主轴功率信号的峰值，采用样本数据集对神经网络模型进行训练，得到堵屑监测模型；S5：对当前钻削过程中的主轴功率信号进行采集和降噪、滤波处理，将处理后的主轴功率信号和钻削过程中的主轴转速、进给速率、设定孔深、刀具参数一起输入到堵屑监测模型，对本次钻削过程中后续的主轴功率信号的峰值进行预测；S6：对预测的主轴功率信号的峰值进行判断，如果小于最大峰值阈值，则正常完成钻孔，如果预测的主轴功率信号的峰值超出最大峰值阈值，则调整主轴转速和进给速率，使主轴功率信号的峰值始终低于最大峰值阈值，并完成钻孔，直至钻头磨损失效；步骤S4中，构建的神经网络模型的隐藏层为1层且神经元的数量为5，输出层为预测的主轴功率信号的峰值，神经网络模型的构建过程包括以下步骤：S41，为处理过的主轴功率信号集设置对应标签，Xp＝max{|xi|}，式中Xp为对应的标签，表示钻削过程中主轴功率信号的最大幅值；xi表示第i个时间点监测到的主轴功率信号的峰值特征值；S42，将主轴转速、进给速率、设定孔深、初始刀具参数、主轴功率信号集和对应的标签输入神经网络工具箱NeuralNetFitting；S43，将数据集依据6:2:2的比例划分为训练集、验证集和测试集；S44，设置神经网络模型的隐藏层的神经元数量为5，神经网络预测模型的输出为： 式中，表示主轴功率信号的峰值预测值；X为包括主轴转速、进给速率、设定孔深、初始刀具参数和主轴功率信号5个输入的5维列向量，W1为5*5维的权重系数矩阵1；b1为5*1维的偏置矩阵1；W2为1*5维的权重系数矩阵2；b2为1*1维的偏置矩阵2；S45，通过LM算法进行神经网络模型权重参数W1和W2、以及偏置参数b1和b2的和优化，并通过均方误差MSE和相关系数R2判断神经网络模型的预测精度： 式中，m表示对应的数据量，yi表示第i个输入信号对应的真实值，表示第i个输入信号对应的预测值；MSE代表预测输出和目标输出之差的均方误差，其值越低越好，0表示没有误差： 式中，表示目标输出值的均值，表示预测输出值的均值；R2代表预测输出和目标输出之间的相关性，R2值越接近1，预测输出和目标输出数据之间的关系越密切，R2值越接近0，预测输出和目标输出数据之间关系的随机性越大。

全文数据：

权利要求：

百度查询： 南京航空航天大学 南京晨光集团有限责任公司 一种基于LM算法的钻削加工刀具堵屑智能监测方法