(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 202211228728.0 (22)申请日 2022.10.09 (71)申请人 北部湾大 学 地址 535011 广西壮 族自治区钦州市钦 南 区滨海大道12号 (72)发明人 苗志滨　殷再航　丛晓红　蒙占彬　 邓军林　 (74)专利代理 机构 北京正华智诚专利代理事务 所(普通合伙) 11870 专利代理师 刘方正 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/00(2006.01) G06K 9/00(2022.01) G06K 9/62(2022.01)G06F 119/04(2020.01) (54)发明名称 一种基于多元快速迭代滤波分解法的刀具 磨损预测方法 (57)摘要 本发明公开了一种基于多元快速迭代滤波 分解法的刀具磨损预测方法， 涉及刀具磨损预测 领域。 包括如下步骤： S1： 基于支持向量机模型建 立磨损预测模型； S2： 通过机床主轴上设置的三 向振动传感器采集得到机床铣削过程的原始加 工信号； S3： 使用多元快速迭代滤波分解法对原 始加工信号进行分解， 得到若干个多通道固有模 态分量； 本发明基于间接监测法， 在刀具机械铣 削过程即可对刀具的磨损情况进行预测， 不需要 将设备停机重启， 减少频繁停机拆装刀具导致铣 削精度出现误差， 也能够减少对刀具的检测时 间， 不会对生产效率造成影响； 同时能够及时对 刀具的磨损情况进行预测， 在刀具即将达到最大 磨损值前， 对刀具进行 更换。 权利要求书3页 说明书7页 附图4页 CN 115526105 A 2022.12.27 CN 115526105 A 1.一种基于多元快速迭代滤波分解法的刀具磨损预测方法， 其特征在于， 包括如下步 骤： S1： 基于支持向量机模型建立磨损预测模型； S2： 通过机床主轴上设置的三向振动传感器采集得到 机床铣削过程的原 始加工信号； S3： 使用多元快速迭代滤波分解法对原始加工信号进行分解， 得到若干个多通道固有 模态分量； S4： 计算每一个多通道固有模态分量的加权系数峭度指标值， 对加权系数峭度指标值 最大的多通道固有模态分量进行信号重构， 得到 重构信号； S5： 提取重构信号的时域特征和频域特征， 并对重构信号的时域特征和频域特征进行 主成分分析得到降维特 征向量； S6： 采集得到待预测刀具的磨损面积， 将磨损面积和降维特征向量带入磨损预测模型 得到刀具磨损预测结果。 2.根据权利要求1所述的基于多元快速迭代滤波分解法的刀具磨损预测方法， 其特征 在于， 所述原始加工信号包括X轴信号、 Y轴信号和Z轴信号； 多元快速迭代滤波分解法包括 如下步骤： D1： 将X轴信号、 Y轴信号和Z轴信号整合得到整合信号； D2： 将整合信号带入前置滤波器得到单通道固有模态分量u； 前置滤波器包括如下： 其中， V(t)为在时间t下的整合信号； N为样本点数； k为极值点数； L为滤波长度； x为延 迟时间； D3： 将单通道固有模态分量u输入快速迭代滤波分解模型中， 得到m个多通道固有模态 分量IMFi， i＝(1,2,3. ..， m)。 3.根据权利要求2所述的基于多元快速迭代滤波分解法的刀具磨损预测方法， 其特征 在于， 所述快速迭代滤波分解模型包括如下： 其中， i为分解序列数， i＝(1,2,3...， m)； D为滤波向量关联的对角矩阵； I为单位矩阵； N0为分解过程迭代次数； 为第i次分解时单通道固有模态分量u的转置矩阵。 4.根据权利要求3所述的基于多元快速迭代滤波分解法的刀具磨损预测方法， 其特征 在于， 所述快速迭代滤波分解法的分解停止标准 为：权　利　要　求　书 1/3 页 2 CN 115526105 A 2其中， 为内循环第i通道第k+1步的IMF； 为内循环第i通道第k步的IMF； δ为 调整参数。 5.根据权利要求1所述的基于多元快速迭代滤波分解法的刀具磨损预测方法， 其特征 在于， 所述加权系数峭度指标值WSK＝S ·Kur·|ρ |， 其中， S为固有模态分量的稀疏度； Kur为 固有模态分量的峭度值； ρ 为固有模态分量的皮尔逊相关系数； m×n为固有模态分量的矩阵尺寸， τ 为非零元 素的数量 值； 其中， xi为固有模态分量的时域波形离散序列点对应的震动幅值， n为固有模态分量的 离散序列点数； 其中， X为原始加工信号； Y为任一固有模态分量； cov(X,Y)为X和Y之间的协方差； бX为X 的标准差； бY为Y的标准差； μX为X的均值， μY为Y的均值。 6.根据权利要求1所述的基于多元快速迭代滤波分解法的刀具磨损预测方法， 其特征 在于， 提取的时域特征包括： 信号平均值、 信号最大值、 信号最小值、 信号峰谷值、 信号均方 根值、 信号标准差值和信号峰度值； 所述频域特征通过对时域特征进行傅里叶变换后提取得到； 傅里叶变换包括如下公 式： 其中， F(ω)为频域特 征； ω为频率， t为时间， e‑iωt为复变函数， f(t)为时域特 征。 7.根据权利要求1所述的基于多元快速迭代滤波分解法的刀具磨损预测方法， 其特征 在于， 所述磨损预测模型的建立过程包括如下步骤： A1： 将样本集按照2:1的比例随机划分为训练集和 测试集； A2： 分别设定惩罚系数c的取值范围[x1， x2]和高斯核函数g的取值范围[x3， x4]； 将训练 集带入灰狼优化支持向量机算法对模型进行迭代优化， 得到最优的惩罚系数ci和最优的高 斯核函数gi； A3： 根据最优的惩罚系数ci和最优的高斯核函数gi建立磨损预测模型。 8.根据权利要求7所述的基于多元快速迭代滤波分解法的刀具磨损预测方法， 其特征权　利　要　求　书 2/3 页 3 CN 115526105 A 3