切削类型判别——从听声音到看数据就知道是连续还是崩碎一、实际应用场景真实痛点时间周三上午 9:40。地点某航空零部件厂数控车间钛合金结构件加工单元。工艺员小杨戴着耳塞站在五轴立加旁边手里拿着刚切下来的两把车刀。第一把刀尖完好切屑是连续的螺旋卷亮闪闪的像一根弹簧。第二把刀尖崩了一个角——大概 0.3mm 的缺口在放大镜下能看到明显的微裂纹扩展痕迹。这把刀干了不到 40 分钟就崩了。小杨把刀放在灯光下转了转同样的材料Ti-6Al-4V同样的转速S800同样的进给F0.15但一个工位是连续切削另一个工位是断续切削——铣台阶的时候刀每转一圈都要砸进材料一次再出来。断续切削不就是铣削的常态吗我问。问题在这。小杨翻开工艺卡这个零件有两种切削状态混在一起——外轮廓是连续切削仿形铣刀具始终在材料里内腔清角是断续切削刀具反复进出。两种状态切削力波形完全不同连续切削是平稳的正弦波断续切削是脉冲式的——每进刀一次一个尖峰出刀归零再进刀再尖峰。那用传感器采集切削力信号看波形不就知道是哪种状态对但问题是没人去看。小杨摇头机床有功率监控但只显示实时负载百分比不区分连续还是断续。操作工凭经验听声音——这个声音闷是连续的这个声音脆是断续的。但新来的徒弟听不出来经常把断续切削当连续切削来选参数结果刀具崩刃、崩碎。崩碎切削具体指什么崩碎切削就是材料不是被切下来的是被砸下来的。小杨用手比划刀具切入瞬间冲击载荷是平均切削力的 3-5 倍。铸铁、淬火钢、铣削断续表面都是这个模式。切屑不是长卷是一粒一粒的碎屑像碎玻璃碴子。这种状态下如果还用连续切削的进给量刀具寿命直接腰斩。所以你需要一个程序导入切削试验数据主轴功率/振动加速度/声发射/切削参数自动判断当前是连续切削还是崩碎切削然后给出对应的参数建议对。小杨点头输入切削过程的传感器数据——功率、振动、声音最好还有切屑形态标签作为训练样本。程序自动分类连续/断续/过渡态。分类结果直接告诉操作工当前是断续切削进给应该降 30%转速可以提 10%。这样不用靠耳朵听数据说话。这活儿我干过。我说pandas 管时序数据加载scipy 做时频分析FFT 提取冲击特征sklearn 跑分类模型RandomForest SVM 对比networkx 画材料-参数-切削类型关系图matplotlib 画波形对比/频谱图/分类边界。代码 OOP能接机床数据采集系统 CSV带单元测试。二、痛点分析映射到滨州职业学院课程模型《先进制造技术》课程模块 本篇痛点对应数控加工与 CAD/CAM 技术 切削用量选择vc/f/ap、刀具角度对切屑形态的影响先进制造技术基础 金属切削原理剪切角/积屑瘤/切削力模型、切屑分类工业机器人技术基础 机器人铣削的刚性不足放大断续冲击效应FMS 与先进生产管理 刀具寿命管理、切削状态监控智能制造与数字孪生 切削过程数字线程、声信号/振动信号分析先进制造新模式 数据驱动切削参数优化自适应控制一句话总结我们需要一个导入数控切削试验数据主轴功率/振动/声发射/切削参数/材料属性→ 时域特征提取均值/峰峰值/峭度/脉冲因子→ 频域特征提取FFT 主频/边带/冲击周期→ 分类模型连续切削 vs 崩碎切削→ 分类结果 参数建议 → 可视化程序实现从老师傅听声音到数据自动判别切削类型的升级。三、核心逻辑讲解大白话3.1 问题本质把切削类型想成切黄油 vs 砸核桃想象你用刀做两件事- 连续切削 切黄油。刀一直往前推黄油一直被切开阻力平稳切出来的东西是一长条。- 崩碎切削 砸核桃。刀砸下去核桃壳碎了冲击刀弹回来再砸下一次。阻力是咚-咚-咚的脉冲。怎么从数据上区分特征 连续切削 崩碎切削切削力波形 平稳正弦波 脉冲尖峰每转一次冲击振动信号 低频为主 高频冲击 低频调制声发射 连续白噪声 间歇性爆裂声主轴功率 波动小±5% 波动大±20-40%切屑形态 长卷/螺旋 碎粒/崩碎本程序做的事采集切削过程的功率振动声音信号提取时域波动大不大和频域有没有冲击频率特征喂给分类器。分类器学会平稳波形连续脉冲波形崩碎以后新数据进来自动判断。3.2 业务逻辑 → 代码映射输入: 切削试验 CSV时间戳 / 主轴功率(W) / 振动加速度(g) / 声发射(V)转速(rpm) / 进给(mm/min) / 切削深度(mm)材料(铝合金/钛合金/钢/铸铁) / 刀具类型标签(连续/断续/过渡)│▼ CutData (dataclass)切削数据模型:试验ID / 传感器时序 / 切削参数 / 材料 / 标签│▼ DataLoader数据加载器:pandas 读取 CSV → 按试验分组 → 清洗│▼ FeatureExtractor特征提取器:时域: 均值/标准差/峰峰值/峭度/脉冲因子/裕度因子频域: FFT → 主频/频谱重心/冲击特征(高频能量比)物理: 比能估算/切削力系数│▼ CutTypeClassifier (sklearn)切削类型分类器:RandomForest: 默认模型SVM: 对比模型5折 CV → 准确率/F1/AUC特征重要性 → 关键判别特征│▼ ParameterAdvisor参数建议器:连续切削 → 标准参数崩碎切削 → 降进给30%/提转速10%/减小ap过渡态 → 保守参数监控│▼ CutViz (matplotlib networkx)可视化:1. 切削力/功率波形对比 (连续 vs 崩碎)2. FFT 频谱对比3. 特征空间散点图4. 分类边界可视化5. 材料-参数-切削类型关系网络│▼ 输出切削类型判别结果 参数调整建议3.3 为什么听声音不行维度 听声音 本程序判别准确率 老师傅 85%新手 50% 模型 95%可量化 声音闷/脆 峭度 3.2 vs 8.7可追溯 听完就忘 特征向量永久保存培训成本 半年到一年 跑一次程序就懂实时性 反应慢 每转即可判断四、OOP 代码实现4.1 项目结构cut_type_classifier/├── cut_type_classifier/│ ├── __init__.py│ ├── models.py # 切削数据模型│ ├── data_loader.py # CSV加载与清洗│ ├── feature_extractor.py # 时域/频域特征提取│ ├── cut_type_classifier.py # 分类模型│ ├── parameter_advisor.py # 参数建议│ ├── visualizer.py # 可视化│ └── report_generator.py # 报告生成├── tests/│ ├── __init__.py│ └── test_cut_type.py├── sample_data/│ └── cutting_test_data.csv├── results/│ ├── waveform_comparison.png│ ├── fft_spectrum.png│ ├── feature_scatter.png│ ├── classification_boundary.png│ ├── material_cuttype_network.png│ └── cut_type_report.txt├── run_classifier.py└── README.md4.2 核心源码detailssummary/summary数控切削试验数据模型 (dataclass)。from dataclasses import dataclass, fieldfrom typing import List, Optionalimport numpy as npdataclassclass SensorReading:单条传感器读数。timestamp_ms: floatspindle_power_w: float # 主轴功率 (W)vibration_g: float # 振动加速度 (g)acoustic_emission_v: float # 声发射 (V)spindle_speed_rpm: float 0.0feed_rate_mm_min: float 0.0dataclassclass CuttingTest:单个切削试验。test_id: strmaterial: str Aluminum # Aluminum/Titanium/Steel/CastIronmaterial_hardness_hb: float 95.0tool_type: str Carbide # Carbide/HSS/Ceramictool_diameter_mm: float 10.0tool_rake_angle: float 5.0spindle_speed_rpm: float 2000.0feed_mm_min: float 300.0depth_of_cut_mm: float 2.0width_of_cut_mm: float 5.0cut_type_label: Optional[str] None # continuous/intermittent/transitionreadings: List[SensorReading] field(default_factorylist)propertydef power_array(self) - np.ndarray:return np.array([r.spindle_power_w for r in self.readings])propertydef vibration_array(self) - np.ndarray:return np.array([r.vibration_g for r in self.readings])propertydef ae_array(self) - np.ndarray:return np.array([r.acoustic_emission_v for r in self.readings])propertydef time_array(self) - np.ndarray:return np.array([r.timestamp_ms for r in self.readings])def to_feature_dict(self) - dict:转为特征字典。return {test_id: self.test_id,material: self.material,material_hardness_hb: self.material_hardness_hb,tool_type: self.tool_type,tool_diameter_mm: self.tool_diameter_mm,tool_rake_angle: self.tool_rake_angle,spindle_speed_rpm: self.spindle_speed_rpm,feed_mm_min: self.feed_mm_min,depth_of_cut_mm: self.depth_of_cut_mm,width_of_cut_mm: self.width_of_cut_mm,cut_type_label: self.cut_type_label or unknown,}/detailsdetailssummary/summary切削试验数据加载与清洗 (pandas)。import pandas as pdimport numpy as npfrom pathlib import Pathfrom typing import Listfrom .models import CuttingTest, SensorReadingclass DataLoader:CSV 数据加载器。def __init__(self):passdef load_csv(self, csv_path: str) - pd.DataFrame:加载切削试验 CSV。df pd.read_csv(csv_path)required_cols [test_id, timestamp_ms, spindle_power_w]missing [c for c in required_cols if c not in df.columns]if missing:raise ValueError(fCSV 缺少列: {missing})return dfdef clean_data(self, df: pd.DataFrame) - pd.DataFrame:数据清洗。df df.dropna(subset[test_id, spindle_power_w])# 功率合理性df df[(df[spindle_power_w] 0) (df[spindle_power_w] 50000)]# 振动合理性if vibration_g in df.columns:df[vibration_g] pd.to_numeric(df[vibration_g],errorscoerce).fillna(0)# 排序df df.sort_values([test_id, timestamp_ms])return df.reset_index(dropTrue)def to_tests(self, df: pd.DataFrame) - List[CuttingTest]:DataFrame → 试验列表。tests {}for _, row in df.iterrows():tid str(row[test_id])if tid not in tests:tests[tid] CuttingTest(test_idtid,materialrow.get(material, Aluminum),material_hardness_hbfloat(row.get(material_hardness_hb, 95)),tool_typerow.get(tool_type, Carbide),tool_diameter_mmfloat(row.get(tool_diameter_mm, 10)),tool_rake_anglefloat(row.get(tool_rake_angle, 5)),spindle_speed_rpmfloat(row.get(spindle_speed_rpm, 2000)),feed_mm_minfloat(row.get(feed_mm_min, 300)),depth_of_cut_mmfloat(row.get(depth_of_cut_mm, 2)),width_of_cut_mmfloat(row.get(width_of_cut_mm, 5)),cut_type_labelrow.get(cut_type_label, None),)tests[tid].readings.append(SensorReading(timestamp_msfloat(row[timestamp_ms]),spindle_power_wfloat(row[spindle_power_w]),vibration_gfloat(row.get(vibration_g, 0)),acoustic_emission_vfloat(row.get(acoustic_emission_v, 0)),spindle_speed_rpmfloat(row.get(spindle_speed_rpm, 0)),feed_rate_mm_minfloat(row.get(feed_mm_min, 0)),))return list(tests.values())def generate_synthetic_data(self, n_tests: int 30) - pd.DataFrame:生成合成切削试验数据 (教学用)。np.random.seed(42)records []materials [Aluminum, Titanium, Steel, CastIron]material_probs [0.35, 0.25, 0.25, 0.15]for t in range(n_tests):test_id fTEST-{t1:04d}material np.random.choice(materials, pmaterial_probs)# 参数spindle np.random.uniform(800, 4000)feed np.random.uniform(100, 800)depth np.random.uniform(0.5, 5.0)# 决定切削类型if material CastIron:true_type intermittent # 铸铁几乎总是崩碎elif material Titanium:true_type np.random.choice([continuous, intermittent],p[0.4, 0.6])else:true_type np.random.choice([continuous, intermittent,transition],p[0.5, 0.35, 0.15])# 生成信号n_samples np.random.randint(200, 500)fs 1000 # 采样率 Hzduration n_samples / fs * 1000 # msfor i in range(n_samples):t_ms i * (1000 / fs)if true_type continuous:# 连续切削: 平稳正弦 低噪声base_power 3000 material_hash(material) * 500power base_power np.random.normal(0, 80)vibration 0.5 np.random.normal(0, 0.1)ae 0.3 np.random.normal(0, 0.05)elif true_type intermittent:# 崩碎切削: 脉冲冲击 高噪声base_power 2000 material_hash(material) * 400# 冲击周期 主轴每转时间rev_time 60000 / spindle # ms per revimpact 0if rev_time 0:phase (t_ms % rev_time) / rev_timeif phase 0.15: # 切入瞬间impact np.random.uniform(800, 2000)power base_power impact np.random.normal(0, 200)vibration 2.0 impact / 500 np.random.normal(0, 0.5)ae 1.5 impact / 300 np.random.normal(0, 0.3)else: # transitionbase_power 2500 material_hash(material) * 450rev_time 60000 / spindleimpact 0if rev_time 0 and np.random.rand() 0.3:phase (t_ms % rev_time) / rev_timeif phase 0.1:impact np.random.uniform(300, 800)power base_power impact np.random.normal(0, 150)vibration 1.2 impact / 800 np.random.normal(0, 0.3)ae 0.8 impact / 600 np.random.normal(0, 0.15)records.append({test_id: test_id,material: material,material_hardness_hb: np.random.uniform(80, 350),tool_type: Carbide,tool_diameter_mm: np.random.choice([8, 10, 12, 16]),tool_rake_angle: np.random.uniform(0, 15),spindle_speed_rpm: round(spindle, 0),feed_mm_min: round(feed, 0),depth_of_cut_mm: round(depth, 2),width_of_cut_mm: round(np.random.uniform(2, 10), 2),cut_type_label: true_type,timestamp_ms: round(t_ms, 2),spindle_power_w: round(max(0, power), 1),vibration_g: round(max(0, vibration), 3),acoustic_emission_v: round(max(0, ae), 3),})df pd.DataFrame(records)output_path Path(sample_data)output_path.mkdir(exist_okTrue)df.to_csv(output_path / cutting_test_data.csv,indexFalse, encodingutf-8)return dfdef material_hash(mat: str) - float:材料到数值的映射。h {Aluminum: 1.0, Titanium: 2.0, Steel: 1.5, CastIron: 2.5}return h.get(mat, 1.0)/detailsdetailssummary/summary时域/频域特征提取。import numpy as npfrom typing import Dict, Listfrom scipy import signal as scipy_signalfrom .models import CuttingTestclass FeatureExtractor:从切削信号中提取特征。时域: 统计特征频域: FFT 频谱特征def __init__(self, fs: float 1000.0):self.fs fsdef extract_all(self, test: CuttingTest) - Dict:提取所有特征。features {}power test.power_arrayvib test.vibration_arrayae test.ae_array# 时域特征 features.update(self._time_domain_features(power, power))features.update(self._time_domain_features(vib, vib))features.update(self._time_domain_features(ae, ae))# 频域特征 features.update(self._freq_domain_features(power, power))features.update(self._freq_domain_features(vib, vib))# 物理特征 features[cutting_speed] np.pi * test.tool_diameter_mm * \test.spindle_speed_rpm / 1000 # m/minfeatures[feed_per_tooth] test.feed_mm_min / \(test.spindle_speed_rpm * 2) # 假设2齿features[material_factor] {Aluminum: 1.0, Titanium: 2.5,Steel: 1.8, CastIron: 2.2}.get(test.material, 1.5)# 标签label_map {continuous: 0, transition: 1, intermittent: 2}features[label] label_map.get(test.cut_type_label, -1)return featuresdef _time_domain_features(self, x: np.ndarray, prefix: str) - Dict:时域特征。if len(x) 2:return {f{prefix}_mean: 0, f{prefix}_std: 0,f{prefix}_kurtosis: 0, f{prefix}_crest: 0}mean_val np.mean(x)std_val np.std(x)peak_to_peak np.max(x) - np.min(x)# 峭度if std_val 0:kurtosis np.mean(((x - mean_val) / std_val) ** 4)else:kurtosis 3.0# 峰值因子rms np.sqrt(np.mean(x**2))peak np.max(np.abs(x))crest_factor peak / rms if rms 0 else 0# 脉冲因子impulse_factor peak / mean_val if mean_val 0 else 0# 裕度因子margin_factor peak / (rms**2) if rms 0 else 0return {f{prefix}_mean: float(mean_val),f{prefix}_std: float(std_val),f{prefix}_ptp: float(peak_to_peak),f{prefix}_kurtosis: float(kurtosis),f{prefix}_crest: float(crest_factor),f{prefix}_impulse: float(impulse_factor),f{prefix}_margin: float(margin_factor),f{prefix}_rms: float(rms),}def _freq_domain_features(self, x: np.ndarray, prefix: str) - Dict:频域特征。if len(x) 16:return {f{prefix}_dominant_freq: 0,f{prefix}_spectral_centroid: 0,f{prefix}_high_freq_energy: 0}# FFTn len(x)freqs np.fft.fftfreq(n, d1/self.fs)[:n//2]fft_vals np.abs(np.fft.fft(x))[:n//2]if len(fft_vals) 0 or np.sum(fft_vals) 0:return {f{prefix}_dominant_freq: 0,f{prefix}_spectral_centroid: 0,f{prefix}_high_freq_energy: 0}# 主频dominant_freq freqs[np.argmax(fft_vals)]# 频谱重心spectral_centroid np.sum(freqs * fft_vals) / np.sum(fft_vals)# 高频能量比 (100Hz)high_mask freqs 100high_energy np.sum(fft_vals[high_mask]) if np.any(high_mask) else 0total_energy np.sum(fft_vals)high_freq_ratio high_energy / total_energy if total_energy 0 else 0# 低频能量比 (50Hz)low_mask freqs 50low_energy np.sum(fft_vals[low_mask]) if np.any(low_mask) else 0low_freq_ratio low_energy / total_energy if total_energy 0 else 0return {f{prefix}_dominant_freq: float(dominant_freq),f{prefix}_spectral_centroid: float(spectral_centroid),f{prefix}_high_freq_ratio: float(high_freq_ratio),f{prefix}_low_freq_ratio: float(low_freq_ratio),}def batch_extract(self, tests: List[CuttingTest]) - tuple:批量提取特征。feature_list []feature_names Nonefor test in tests:feat self.extract_all(test)if feature_names is None:feature_names list(feat.keys())feature_list.append(feat)# 转为矩阵X np.array([[f[n] for n in feature_names[:-1]]for f in feature_list])y np.array([f[label] for f in feature_list])return X, y, feature_names[:-1]/detailsdetailssummary/summary切削类型分类器 (sklearn)。import numpy as npfrom typing import Dictfrom sklearn.ensemble import RandomForestClassifierfrom sklearn.svm import SVCfrom sklearn.model_selection import cross_val_score, StratifiedKFoldfrom sklearn.metrics import (accuracy_score, precision_score, recall_score,f1_score, classification_report)class CutTypeClassifier:切削类型分类器。连续(0) / 过渡(1) / 崩碎(2)def __init__(self, random_state: int 42):self.random_state random_stateself.rf_ RandomForestClassifier(n_estimators200, max_depth10, min_samples_leaf3,random_staterandom_state, n_jobs-1)self.svm_ SVC(kernelrbf, C10, gammascale,random_staterandom_state, probabilityTrue)self.model_ Noneself.feature_names_ Nonedef fit(self, X: np.ndarray, y: np.ndarray,feature_names: list None, model_type: str rf) - CutTypeClassifier:训练模型。self.feature_names_ feature_namesif model_type svm:self.model_ self.svm_.fit(X, y)else:self.model_ self.rf_.fit(X, y)return selfdef predict(self, X: np.ndarray) - np.ndarray:预测。if self.model_ is None:raise ValueError(模型未训练)return self.model_.predict(X)def predict_proba(self, X: np.ndarray) - np.ndarray:预测概率。if self.model_ is None:raise ValueError(模型未训练)return self.model_.predict_proba(X)def cross_validate(self, X: np.ndarray, y: np.ndarray,cv: int 5) - Dict:交叉验证。skf StratifiedKFold(cv, shuffleTrue, random_stateself.random_state)rf_f1 []svm_f1 []for train_idx, val_idx in skf.split(X, y):X_train, X_val X[train_idx], X[val_idx]y_train, y_val y[train_idx], y[val_idx]# RFself.rf_.fit(X_train, y_train)y_pred_rf self.rf_.predict(X_val)rf_f1.append(f1_score(y_val, y_pred_rf, averageweighted))# SVMself.sv利用AI解决实际问题如果你觉得这个工具好用欢迎关注长安牧笛
切削类型判别——从听声音到看数据就知道是连续还是崩碎一、实际应用场景真实痛点时间周三上午 9:40。地点某航空零部件厂数控车间钛合金结构件加工单元。工艺员小杨戴着耳塞站在五轴立加旁边手里拿着刚切下来的两把车刀。第一把刀尖完好切屑是连续的螺旋卷亮闪闪的像一根弹簧。第二把刀尖崩了一个角——大概 0.3mm 的缺口在放大镜下能看到明显的微裂纹扩展痕迹。这把刀干了不到 40 分钟就崩了。小杨把刀放在灯光下转了转同样的材料Ti-6Al-4V同样的转速S800同样的进给F0.15但一个工位是连续切削另一个工位是断续切削——铣台阶的时候刀每转一圈都要砸进材料一次再出来。断续切削不就是铣削的常态吗我问。问题在这。小杨翻开工艺卡这个零件有两种切削状态混在一起——外轮廓是连续切削仿形铣刀具始终在材料里内腔清角是断续切削刀具反复进出。两种状态切削力波形完全不同连续切削是平稳的正弦波断续切削是脉冲式的——每进刀一次一个尖峰出刀归零再进刀再尖峰。那用传感器采集切削力信号看波形不就知道是哪种状态对但问题是没人去看。小杨摇头机床有功率监控但只显示实时负载百分比不区分连续还是断续。操作工凭经验听声音——这个声音闷是连续的这个声音脆是断续的。但新来的徒弟听不出来经常把断续切削当连续切削来选参数结果刀具崩刃、崩碎。崩碎切削具体指什么崩碎切削就是材料不是被切下来的是被砸下来的。小杨用手比划刀具切入瞬间冲击载荷是平均切削力的 3-5 倍。铸铁、淬火钢、铣削断续表面都是这个模式。切屑不是长卷是一粒一粒的碎屑像碎玻璃碴子。这种状态下如果还用连续切削的进给量刀具寿命直接腰斩。所以你需要一个程序导入切削试验数据主轴功率/振动加速度/声发射/切削参数自动判断当前是连续切削还是崩碎切削然后给出对应的参数建议对。小杨点头输入切削过程的传感器数据——功率、振动、声音最好还有切屑形态标签作为训练样本。程序自动分类连续/断续/过渡态。分类结果直接告诉操作工当前是断续切削进给应该降 30%转速可以提 10%。这样不用靠耳朵听数据说话。这活儿我干过。我说pandas 管时序数据加载scipy 做时频分析FFT 提取冲击特征sklearn 跑分类模型RandomForest SVM 对比networkx 画材料-参数-切削类型关系图matplotlib 画波形对比/频谱图/分类边界。代码 OOP能接机床数据采集系统 CSV带单元测试。二、痛点分析映射到滨州职业学院课程模型《先进制造技术》课程模块 本篇痛点对应数控加工与 CAD/CAM 技术 切削用量选择vc/f/ap、刀具角度对切屑形态的影响先进制造技术基础 金属切削原理剪切角/积屑瘤/切削力模型、切屑分类工业机器人技术基础 机器人铣削的刚性不足放大断续冲击效应FMS 与先进生产管理 刀具寿命管理、切削状态监控智能制造与数字孪生 切削过程数字线程、声信号/振动信号分析先进制造新模式 数据驱动切削参数优化自适应控制一句话总结我们需要一个导入数控切削试验数据主轴功率/振动/声发射/切削参数/材料属性→ 时域特征提取均值/峰峰值/峭度/脉冲因子→ 频域特征提取FFT 主频/边带/冲击周期→ 分类模型连续切削 vs 崩碎切削→ 分类结果 参数建议 → 可视化程序实现从老师傅听声音到数据自动判别切削类型的升级。三、核心逻辑讲解大白话3.1 问题本质把切削类型想成切黄油 vs 砸核桃想象你用刀做两件事- 连续切削 切黄油。刀一直往前推黄油一直被切开阻力平稳切出来的东西是一长条。- 崩碎切削 砸核桃。刀砸下去核桃壳碎了冲击刀弹回来再砸下一次。阻力是咚-咚-咚的脉冲。怎么从数据上区分特征 连续切削 崩碎切削切削力波形 平稳正弦波 脉冲尖峰每转一次冲击振动信号 低频为主 高频冲击 低频调制声发射 连续白噪声 间歇性爆裂声主轴功率 波动小±5% 波动大±20-40%切屑形态 长卷/螺旋 碎粒/崩碎本程序做的事采集切削过程的功率振动声音信号提取时域波动大不大和频域有没有冲击频率特征喂给分类器。分类器学会平稳波形连续脉冲波形崩碎以后新数据进来自动判断。3.2 业务逻辑 → 代码映射输入: 切削试验 CSV时间戳 / 主轴功率(W) / 振动加速度(g) / 声发射(V)转速(rpm) / 进给(mm/min) / 切削深度(mm)材料(铝合金/钛合金/钢/铸铁) / 刀具类型标签(连续/断续/过渡)│▼ CutData (dataclass)切削数据模型:试验ID / 传感器时序 / 切削参数 / 材料 / 标签│▼ DataLoader数据加载器:pandas 读取 CSV → 按试验分组 → 清洗│▼ FeatureExtractor特征提取器:时域: 均值/标准差/峰峰值/峭度/脉冲因子/裕度因子频域: FFT → 主频/频谱重心/冲击特征(高频能量比)物理: 比能估算/切削力系数│▼ CutTypeClassifier (sklearn)切削类型分类器:RandomForest: 默认模型SVM: 对比模型5折 CV → 准确率/F1/AUC特征重要性 → 关键判别特征│▼ ParameterAdvisor参数建议器:连续切削 → 标准参数崩碎切削 → 降进给30%/提转速10%/减小ap过渡态 → 保守参数监控│▼ CutViz (matplotlib networkx)可视化:1. 切削力/功率波形对比 (连续 vs 崩碎)2. FFT 频谱对比3. 特征空间散点图4. 分类边界可视化5. 材料-参数-切削类型关系网络│▼ 输出切削类型判别结果 参数调整建议3.3 为什么听声音不行维度 听声音 本程序判别准确率 老师傅 85%新手 50% 模型 95%可量化 声音闷/脆 峭度 3.2 vs 8.7可追溯 听完就忘 特征向量永久保存培训成本 半年到一年 跑一次程序就懂实时性 反应慢 每转即可判断四、OOP 代码实现4.1 项目结构cut_type_classifier/├── cut_type_classifier/│ ├── __init__.py│ ├── models.py # 切削数据模型│ ├── data_loader.py # CSV加载与清洗│ ├── feature_extractor.py # 时域/频域特征提取│ ├── cut_type_classifier.py # 分类模型│ ├── parameter_advisor.py # 参数建议│ ├── visualizer.py # 可视化│ └── report_generator.py # 报告生成├── tests/│ ├── __init__.py│ └── test_cut_type.py├── sample_data/│ └── cutting_test_data.csv├── results/│ ├── waveform_comparison.png│ ├── fft_spectrum.png│ ├── feature_scatter.png│ ├── classification_boundary.png│ ├── material_cuttype_network.png│ └── cut_type_report.txt├── run_classifier.py└── README.md4.2 核心源码detailssummary/summary数控切削试验数据模型 (dataclass)。from dataclasses import dataclass, fieldfrom typing import List, Optionalimport numpy as npdataclassclass SensorReading:单条传感器读数。timestamp_ms: floatspindle_power_w: float # 主轴功率 (W)vibration_g: float # 振动加速度 (g)acoustic_emission_v: float # 声发射 (V)spindle_speed_rpm: float 0.0feed_rate_mm_min: float 0.0dataclassclass CuttingTest:单个切削试验。test_id: strmaterial: str Aluminum # Aluminum/Titanium/Steel/CastIronmaterial_hardness_hb: float 95.0tool_type: str Carbide # Carbide/HSS/Ceramictool_diameter_mm: float 10.0tool_rake_angle: float 5.0spindle_speed_rpm: float 2000.0feed_mm_min: float 300.0depth_of_cut_mm: float 2.0width_of_cut_mm: float 5.0cut_type_label: Optional[str] None # continuous/intermittent/transitionreadings: List[SensorReading] field(default_factorylist)propertydef power_array(self) - np.ndarray:return np.array([r.spindle_power_w for r in self.readings])propertydef vibration_array(self) - np.ndarray:return np.array([r.vibration_g for r in self.readings])propertydef ae_array(self) - np.ndarray:return np.array([r.acoustic_emission_v for r in self.readings])propertydef time_array(self) - np.ndarray:return np.array([r.timestamp_ms for r in self.readings])def to_feature_dict(self) - dict:转为特征字典。return {test_id: self.test_id,material: self.material,material_hardness_hb: self.material_hardness_hb,tool_type: self.tool_type,tool_diameter_mm: self.tool_diameter_mm,tool_rake_angle: self.tool_rake_angle,spindle_speed_rpm: self.spindle_speed_rpm,feed_mm_min: self.feed_mm_min,depth_of_cut_mm: self.depth_of_cut_mm,width_of_cut_mm: self.width_of_cut_mm,cut_type_label: self.cut_type_label or unknown,}/detailsdetailssummary/summary切削试验数据加载与清洗 (pandas)。import pandas as pdimport numpy as npfrom pathlib import Pathfrom typing import Listfrom .models import CuttingTest, SensorReadingclass DataLoader:CSV 数据加载器。def __init__(self):passdef load_csv(self, csv_path: str) - pd.DataFrame:加载切削试验 CSV。df pd.read_csv(csv_path)required_cols [test_id, timestamp_ms, spindle_power_w]missing [c for c in required_cols if c not in df.columns]if missing:raise ValueError(fCSV 缺少列: {missing})return dfdef clean_data(self, df: pd.DataFrame) - pd.DataFrame:数据清洗。df df.dropna(subset[test_id, spindle_power_w])# 功率合理性df df[(df[spindle_power_w] 0) (df[spindle_power_w] 50000)]# 振动合理性if vibration_g in df.columns:df[vibration_g] pd.to_numeric(df[vibration_g],errorscoerce).fillna(0)# 排序df df.sort_values([test_id, timestamp_ms])return df.reset_index(dropTrue)def to_tests(self, df: pd.DataFrame) - List[CuttingTest]:DataFrame → 试验列表。tests {}for _, row in df.iterrows():tid str(row[test_id])if tid not in tests:tests[tid] CuttingTest(test_idtid,materialrow.get(material, Aluminum),material_hardness_hbfloat(row.get(material_hardness_hb, 95)),tool_typerow.get(tool_type, Carbide),tool_diameter_mmfloat(row.get(tool_diameter_mm, 10)),tool_rake_anglefloat(row.get(tool_rake_angle, 5)),spindle_speed_rpmfloat(row.get(spindle_speed_rpm, 2000)),feed_mm_minfloat(row.get(feed_mm_min, 300)),depth_of_cut_mmfloat(row.get(depth_of_cut_mm, 2)),width_of_cut_mmfloat(row.get(width_of_cut_mm, 5)),cut_type_labelrow.get(cut_type_label, None),)tests[tid].readings.append(SensorReading(timestamp_msfloat(row[timestamp_ms]),spindle_power_wfloat(row[spindle_power_w]),vibration_gfloat(row.get(vibration_g, 0)),acoustic_emission_vfloat(row.get(acoustic_emission_v, 0)),spindle_speed_rpmfloat(row.get(spindle_speed_rpm, 0)),feed_rate_mm_minfloat(row.get(feed_mm_min, 0)),))return list(tests.values())def generate_synthetic_data(self, n_tests: int 30) - pd.DataFrame:生成合成切削试验数据 (教学用)。np.random.seed(42)records []materials [Aluminum, Titanium, Steel, CastIron]material_probs [0.35, 0.25, 0.25, 0.15]for t in range(n_tests):test_id fTEST-{t1:04d}material np.random.choice(materials, pmaterial_probs)# 参数spindle np.random.uniform(800, 4000)feed np.random.uniform(100, 800)depth np.random.uniform(0.5, 5.0)# 决定切削类型if material CastIron:true_type intermittent # 铸铁几乎总是崩碎elif material Titanium:true_type np.random.choice([continuous, intermittent],p[0.4, 0.6])else:true_type np.random.choice([continuous, intermittent,transition],p[0.5, 0.35, 0.15])# 生成信号n_samples np.random.randint(200, 500)fs 1000 # 采样率 Hzduration n_samples / fs * 1000 # msfor i in range(n_samples):t_ms i * (1000 / fs)if true_type continuous:# 连续切削: 平稳正弦 低噪声base_power 3000 material_hash(material) * 500power base_power np.random.normal(0, 80)vibration 0.5 np.random.normal(0, 0.1)ae 0.3 np.random.normal(0, 0.05)elif true_type intermittent:# 崩碎切削: 脉冲冲击 高噪声base_power 2000 material_hash(material) * 400# 冲击周期 主轴每转时间rev_time 60000 / spindle # ms per revimpact 0if rev_time 0:phase (t_ms % rev_time) / rev_timeif phase 0.15: # 切入瞬间impact np.random.uniform(800, 2000)power base_power impact np.random.normal(0, 200)vibration 2.0 impact / 500 np.random.normal(0, 0.5)ae 1.5 impact / 300 np.random.normal(0, 0.3)else: # transitionbase_power 2500 material_hash(material) * 450rev_time 60000 / spindleimpact 0if rev_time 0 and np.random.rand() 0.3:phase (t_ms % rev_time) / rev_timeif phase 0.1:impact np.random.uniform(300, 800)power base_power impact np.random.normal(0, 150)vibration 1.2 impact / 800 np.random.normal(0, 0.3)ae 0.8 impact / 600 np.random.normal(0, 0.15)records.append({test_id: test_id,material: material,material_hardness_hb: np.random.uniform(80, 350),tool_type: Carbide,tool_diameter_mm: np.random.choice([8, 10, 12, 16]),tool_rake_angle: np.random.uniform(0, 15),spindle_speed_rpm: round(spindle, 0),feed_mm_min: round(feed, 0),depth_of_cut_mm: round(depth, 2),width_of_cut_mm: round(np.random.uniform(2, 10), 2),cut_type_label: true_type,timestamp_ms: round(t_ms, 2),spindle_power_w: round(max(0, power), 1),vibration_g: round(max(0, vibration), 3),acoustic_emission_v: round(max(0, ae), 3),})df pd.DataFrame(records)output_path Path(sample_data)output_path.mkdir(exist_okTrue)df.to_csv(output_path / cutting_test_data.csv,indexFalse, encodingutf-8)return dfdef material_hash(mat: str) - float:材料到数值的映射。h {Aluminum: 1.0, Titanium: 2.0, Steel: 1.5, CastIron: 2.5}return h.get(mat, 1.0)/detailsdetailssummary/summary时域/频域特征提取。import numpy as npfrom typing import Dict, Listfrom scipy import signal as scipy_signalfrom .models import CuttingTestclass FeatureExtractor:从切削信号中提取特征。时域: 统计特征频域: FFT 频谱特征def __init__(self, fs: float 1000.0):self.fs fsdef extract_all(self, test: CuttingTest) - Dict:提取所有特征。features {}power test.power_arrayvib test.vibration_arrayae test.ae_array# 时域特征 features.update(self._time_domain_features(power, power))features.update(self._time_domain_features(vib, vib))features.update(self._time_domain_features(ae, ae))# 频域特征 features.update(self._freq_domain_features(power, power))features.update(self._freq_domain_features(vib, vib))# 物理特征 features[cutting_speed] np.pi * test.tool_diameter_mm * \test.spindle_speed_rpm / 1000 # m/minfeatures[feed_per_tooth] test.feed_mm_min / \(test.spindle_speed_rpm * 2) # 假设2齿features[material_factor] {Aluminum: 1.0, Titanium: 2.5,Steel: 1.8, CastIron: 2.2}.get(test.material, 1.5)# 标签label_map {continuous: 0, transition: 1, intermittent: 2}features[label] label_map.get(test.cut_type_label, -1)return featuresdef _time_domain_features(self, x: np.ndarray, prefix: str) - Dict:时域特征。if len(x) 2:return {f{prefix}_mean: 0, f{prefix}_std: 0,f{prefix}_kurtosis: 0, f{prefix}_crest: 0}mean_val np.mean(x)std_val np.std(x)peak_to_peak np.max(x) - np.min(x)# 峭度if std_val 0:kurtosis np.mean(((x - mean_val) / std_val) ** 4)else:kurtosis 3.0# 峰值因子rms np.sqrt(np.mean(x**2))peak np.max(np.abs(x))crest_factor peak / rms if rms 0 else 0# 脉冲因子impulse_factor peak / mean_val if mean_val 0 else 0# 裕度因子margin_factor peak / (rms**2) if rms 0 else 0return {f{prefix}_mean: float(mean_val),f{prefix}_std: float(std_val),f{prefix}_ptp: float(peak_to_peak),f{prefix}_kurtosis: float(kurtosis),f{prefix}_crest: float(crest_factor),f{prefix}_impulse: float(impulse_factor),f{prefix}_margin: float(margin_factor),f{prefix}_rms: float(rms),}def _freq_domain_features(self, x: np.ndarray, prefix: str) - Dict:频域特征。if len(x) 16:return {f{prefix}_dominant_freq: 0,f{prefix}_spectral_centroid: 0,f{prefix}_high_freq_energy: 0}# FFTn len(x)freqs np.fft.fftfreq(n, d1/self.fs)[:n//2]fft_vals np.abs(np.fft.fft(x))[:n//2]if len(fft_vals) 0 or np.sum(fft_vals) 0:return {f{prefix}_dominant_freq: 0,f{prefix}_spectral_centroid: 0,f{prefix}_high_freq_energy: 0}# 主频dominant_freq freqs[np.argmax(fft_vals)]# 频谱重心spectral_centroid np.sum(freqs * fft_vals) / np.sum(fft_vals)# 高频能量比 (100Hz)high_mask freqs 100high_energy np.sum(fft_vals[high_mask]) if np.any(high_mask) else 0total_energy np.sum(fft_vals)high_freq_ratio high_energy / total_energy if total_energy 0 else 0# 低频能量比 (50Hz)low_mask freqs 50low_energy np.sum(fft_vals[low_mask]) if np.any(low_mask) else 0low_freq_ratio low_energy / total_energy if total_energy 0 else 0return {f{prefix}_dominant_freq: float(dominant_freq),f{prefix}_spectral_centroid: float(spectral_centroid),f{prefix}_high_freq_ratio: float(high_freq_ratio),f{prefix}_low_freq_ratio: float(low_freq_ratio),}def batch_extract(self, tests: List[CuttingTest]) - tuple:批量提取特征。feature_list []feature_names Nonefor test in tests:feat self.extract_all(test)if feature_names is None:feature_names list(feat.keys())feature_list.append(feat)# 转为矩阵X np.array([[f[n] for n in feature_names[:-1]]for f in feature_list])y np.array([f[label] for f in feature_list])return X, y, feature_names[:-1]/detailsdetailssummary/summary切削类型分类器 (sklearn)。import numpy as npfrom typing import Dictfrom sklearn.ensemble import RandomForestClassifierfrom sklearn.svm import SVCfrom sklearn.model_selection import cross_val_score, StratifiedKFoldfrom sklearn.metrics import (accuracy_score, precision_score, recall_score,f1_score, classification_report)class CutTypeClassifier:切削类型分类器。连续(0) / 过渡(1) / 崩碎(2)def __init__(self, random_state: int 42):self.random_state random_stateself.rf_ RandomForestClassifier(n_estimators200, max_depth10, min_samples_leaf3,random_staterandom_state, n_jobs-1)self.svm_ SVC(kernelrbf, C10, gammascale,random_staterandom_state, probabilityTrue)self.model_ Noneself.feature_names_ Nonedef fit(self, X: np.ndarray, y: np.ndarray,feature_names: list None, model_type: str rf) - CutTypeClassifier:训练模型。self.feature_names_ feature_namesif model_type svm:self.model_ self.svm_.fit(X, y)else:self.model_ self.rf_.fit(X, y)return selfdef predict(self, X: np.ndarray) - np.ndarray:预测。if self.model_ is None:raise ValueError(模型未训练)return self.model_.predict(X)def predict_proba(self, X: np.ndarray) - np.ndarray:预测概率。if self.model_ is None:raise ValueError(模型未训练)return self.model_.predict_proba(X)def cross_validate(self, X: np.ndarray, y: np.ndarray,cv: int 5) - Dict:交叉验证。skf StratifiedKFold(cv, shuffleTrue, random_stateself.random_state)rf_f1 []svm_f1 []for train_idx, val_idx in skf.split(X, y):X_train, X_val X[train_idx], X[val_idx]y_train, y_val y[train_idx], y[val_idx]# RFself.rf_.fit(X_train, y_train)y_pred_rf self.rf_.predict(X_val)rf_f1.append(f1_score(y_val, y_pred_rf, averageweighted))# SVMself.sv利用AI解决实际问题如果你觉得这个工具好用欢迎关注长安牧笛
