CN108393744B - 一种刀具状态多传感监测方法 - Google Patents

Abstract

本发明提供一种刀具状态多传感监测方法，首先通过多种传感器测量多个物理场通道信号，计算每个传感通道的10个统计参数；进而针对每一个传感通道采用改进的极限学习机(ELM)进行分类训练；其次根据多核ELM分类训练结果，选出刀具状态识别率的Pareto最优通道集，构成刀具状态监测的有效传感配置；然后对待测刀具传感通道采集的信号进行滤波处理，计算出待测刀具的各Pareto最优通道的类别概率并进行加权求和；最后依据最大化原则，求和后的类别识别率最大对应的刀具状态为待测刀具当前的状态。实施本发明，能避免现有的多传感器监测与诊断刀具状态方法通过组合式特征提取与信号分析所带来的有效信息损失风险，提高了刀具状态的识别精度。

Description

一种刀具状态多传感监测方法

技术领域

本发明涉及机械故障诊断技术领域和计算机技术领域，尤其涉及一种刀具状态多传感监测方法。

背景技术

随着市场竞争的日益激烈，制造型企业对生产过程的自动化需求不断增加，数控机床的自动化是大多数制造过程自动化的重要组成部分。刀具作为数控机床最易损伤的部件，对其进行及时有效的状态监测与故障识别至关重要，主要原因在于：(1)据统计，在切削加工中，刀具故障通常约占机床停机时间的20％，而频繁的停机换刀严重影响企业的生产效率；(2)如若刀具发生故障而没有及时发现，会直接影响零件表面光洁度、尺寸精度等质量特性，严重的还将导致工件报废，增加生产成本。因此，加工过程中的实时刀具状态监测(TCM)是自动化制造中的关键研究课题，如何在加工过程中有效地监测刀具状态，识别刀具的损伤程度，已成为数控机床智能化以及生产过程自动化发展急需解决的问题。

近年来，基于传感器的间接式刀具状态监测TCM方法受到了国内外学者的广泛关注。基于传感器的TCM方法是通过传感器获取切削加工过程的相关信号，借助信号处理和统计分析技术对刀具状态进行估计，以达到实时监测刀具运行状态的目的。目前，学者们开展了大量TCM研究，已提出了诸多比较有效的TCM的方法，这为高精度、高可靠性的TCM提供了一定的技术基础。然而，目前大多数研究侧重于单一传感器监测与诊断。不同物理场信号对刀具不同状态(磨损、破损等)的识别精度不尽相同，基于单一传感器的监测方法容易导致刀具状态的漏判和误判。另外，虽然已有少数学者开展了基于多传感信号的刀具监测与诊断研究，但所采用的方法均是直接将多个传感数据组合在一起进行特征提取与信号分析，然而不同物理场信号对应的采样频率、故障特征灵敏度等信息相差甚远，使得上述组合式的特征提取与信号分析的方法会损失很多有效信息，影响TCM的识别精度。

发明内容

本发明实施例所要解决的技术问题在于，提供一种刀具状态多传感监测方法，能避免现有的多传感器监测与诊断刀具状态方法通过组合式特征提取与信号分析所带来的有效信息损失风险，提高了刀具状态的识别精度。

为了解决上述技术问题，本发明实施例提供了一种刀具状态多传感监测方法，包括以下步骤：

步骤(1)、采集C种刀具状态下的M个物理场传感通道的时域信号，每种刀具状态分别采集T次和TT次，采样频率为Fs；其中，T次组成训练样本集m表示第m个物理场传感器，c表示第c类，t表示第t次采集的信号，N_m表示第m个物理场传感通道每次采样的信号点数；C、M、N_m和T均为大于1的正整数；其中，TT次组成检验样本集TT为大于1的正整数；

步骤(2)、计算训练样本集中时域信号的10个统计特征参数，并构成/>对应的特征参数集/>

步骤(3)、对M个物理场传感通道的信号数据进行多核极限学习机分类训练。

以第m个物理场传感通道为例，其多核极限学习机分类训练算法如下：

算法输入：

(3.1)选取K种核函数，计算训练样本的K个核函数矩阵为训练样本中任意两个样本点i和j的第k个核函数值；i、j和K均为正整数；

(3.2)令初始核函数权重向量为w^m＝{1/K,1/K,…,1/K}，并构造样本-类别矩阵Q＝(q_ij)_CT×C；其中，c_i表示第i个样本对应的类别；

(3.3)计算总核函数矩阵：

(3.4)计算结构参数：a^m＝(H+E/2)^-1Q；其中，E表示单位矩阵；

(3.5)更新核函数权重向量：其中，/>

(3.6)当时，令/>返回步骤(3.3)步迭代更新结构参数a^m和核函数权重向量/>

(3.7)输出第m个物理场传感通道优化后的结构参数和核函数权重向量/>

步骤(4)、对M个物理场传感通道的检验样本集进行分类检验，利用各物理场传感通道的多核ELM，计算各物理场传感通道学习机的刀具状态识别率向量d_m；

(4.1)计算属于第i类刀具状态的概率/>构成/>的刀具状态分类概率向量G＝{g₁,g₂,...,g_C}；

(4.2)判断所属刀具状态yc：/>

(4.3)计算检验正确数u_mt：/>

(4.4)计算各物理场传感通道学习机的刀具状态识别率d_m：其中，/>表示第m通道学习机对第c类刀具状态的识别率；

步骤(5)、遴选出刀具状态识别率的Pareto最优通道集；

(5.1)根据各物理场传感通道学习机对各类刀具状态的平均识别率进行降序排序，得到排序后的各物理场传感通道识别率，记为D′＝{d′_i},i＝1,2,...,C；

(5.2)令s＝M，初始Pareto最优通道集Ω＝{d′₁}；

(5.3)比较d′_s与Ω中所有元素d′_j(j＝1,2,...,|Ω|)的偏序关系，更新Ω集：

若存在j，使得即d′_si＞d′_ji,i＝1,2,...,C，则Ω^*＝Ω∪{d_s′}-{d_j′}；

若存在j，使得即d′_si＜d′_ji,i＝1,2,...,C，则Ω^*＝Ω；

若对于所有j，上述两种情况均不存在，则Ω^*＝Ω∪{d′_s}；

(5.4)若s>1，则令s＝s+1，Ω＝Ω^*，并返回步骤(5.3)；否则进入下一步骤(5.5)；

(5.5)确定最后的Ω^*为Pareto最优通道集，记为Ω^*＝{d′_i,i＝1,2,...,P}，P(≤M)为Ω^*的元素个数；

步骤(6)、定期周期性在线采集加工过程中待测刀具状态P个物理场时域信号ζ＝{ζ_i,i＝1,2,...,P}，其中，ζ_i表示第i个通道采集的信号，P为正整数；

步骤(7)、利用步骤(3)中Ω^*对应各物理场传感通道的多核ELM对ζ′_i进行分类，计算ζ′_i属于第c类刀具状态的概率构成ζ_i′的通道刀具状态类别概率向量/>

步骤(8)、结合各物理场传感通道对刀具各类状态的识别率，对待测刀具类别概率进行加权求和，得到待测刀具的类别概率向量ζ_d＝{d^c,c＝1,2,...,C}，其中

步骤(9)、依据最大概率原则，求出ζ_d中类别概率最大对应的刀具状态即为待测刀具当前的状态c*：

其中，所述C种刀具状态有五种，包括正常、轻微磨损、中度磨损、严重磨损和破损。

其中，所述物理场的时域信号有六个，包括主轴振动时域信号、工作台振动时域信号、主轴电机电流时域信号、进给电机电流时域信号、主轴声发射时域信号和工作台声发射时域信号。

其中，所述最后的Ω^*为Pareto最优通道集包括主轴振动、主轴电机电流和主轴声发射所对应的物理场传感通道。

其中，所述10个统计特征参数包括六个时域统计参数6个和四个频域统计参数。

实施本发明实施例，具有如下有益效果：

本发明通过基于Pareto最优通道集的刀具状态识别方法，充分考虑各个局部最优算法，结合“局部+全局”信息进行综合判断，从而克服现有的多传感器监测与诊断刀具状态方法通过组合式特征提取与信号分析所带来的有效信息损失风险，避免某些参数或算法对某些刀具状态有效而对另一些刀具状态无效，容易导致“局部状态识别率高、总体状态识别率低”的弊端现象出现，提高了刀具状态的识别精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。

图1为本发明实施例提供的刀具状态多传感监测方法的逻辑结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。

如图1所示，为本发明实施例中，提供的一种刀具状态多传感监测方法，包括以下步骤：

步骤(1)、采集C种刀具状态下的M个物理场传感通道的时域信号，每种刀具状态分别采集T次和TT次，采样频率为Fs；其中，T次组成训练样本集m表示第m个物理场传感器，c表示第c类，t表示第t次采集的信号，N_m表示第m个物理场传感通道每次采样的信号点数；C、M、N_m和T均为大于1的正整数；其中，TT次组成检验样本集TT为大于1的正整数；

步骤(2)、计算训练样本集中时域信号的10个统计特征参数，并构成/>对应的特征参数集/>

步骤(3)、对M个物理场传感通道的信号数据进行多核极限学习机分类训练。

以第m个物理场传感通道为例，其多核极限学习机分类训练算法如下：

算法输入：

(3.1)选取K种核函数，计算训练样本的K个核函数矩阵为训练样本中任意两个样本点i和j的第k个核函数值；i、j和K均为正整数；

(3.2)令初始核函数权重向量为w^m＝{1/K,1/K,…,1/K}，并构造样本-类别矩阵Q＝(q_ij)_CT×C；其中，c_i表示第i个样本对应的类别；

(3.3)计算总核函数矩阵：

(3.4)计算结构参数：a^m＝(H+E/2)^-1Q；其中，E表示单位矩阵；

(3.5)更新核函数权重向量：其中，/>

(3.6)当时，令/>返回步骤(3.3)步迭代更新结构参数a^m和核函数权重向量/>

(3.7)输出第m个物理场传感通道优化后的结构参数和核函数权重向量/>

步骤(4)、对M个物理场传感通道的检验样本集进行分类检验，利用各物理场传感通道的多核ELM，计算各物理场传感通道学习机的刀具状态识别率向量d_m；

(4.1)计算属于第i类刀具状态的概率/>构成/>的刀具状态分类概率向量G＝{g₁,g₂,...,g_C}；

(4.2)判断所属刀具状态yc：/>

(4.3)计算检验正确数u_mt：/>

(4.4)计算各物理场传感通道学习机的刀具状态识别率d_m：其中，/>表示第m通道学习机对第c类刀具状态的识别率；

步骤(5)、遴选出刀具状态识别率的Pareto最优通道集；

(5.1)根据各物理场传感通道学习机对各类刀具状态的平均识别率进行降序排序，得到排序后的各物理场传感通道识别率，记为D′＝{d′_i},i＝1,2,...,C；

(5.2)令s＝M，初始Pareto最优通道集Ω＝{d′₁}；

(5.3)比较d′_s与Ω中所有元素d′_j(j＝1,2,...,|Ω|)的偏序关系，更新Ω集：

若存在j，使得即d′_si＞d′_ji,i＝1,2,...,C，则Ω^*＝Ω∪{d′_s}-{d′_j}；

若存在j，使得即d′_si＜d′_ji,i＝1,2,...,C，则Ω^*＝Ω；

若对于所有j，上述两种情况均不存在，则Ω^*＝Ω∪{d′_s}；

(5.4)若s>1，则令s＝s+1，Ω＝Ω^*，并返回步骤(5.3)；否则进入下一步骤(5.5)；

(5.5)确定最后的Ω^*为Pareto最优通道集，记为Ω^*＝{d′_i,i＝1,2,...,P}，P(≤M)为Ω^*的元素个数；

步骤(6)、定期周期性在线采集加工过程中待测刀具状态P个物理场时域信号ζ＝{ζ_i,i＝1,2,...,P}，其中，ζ_i表示第i个通道采集的信号，P为正整数；

步骤(7)、利用步骤(3)中Ω^*对应各物理场传感通道的多核ELM对ζ′_i进行分类，计算ζ′_i属于第c类刀具状态的概率构成ζ′_i的通道刀具状态类别概率向量/>

步骤(8)、结合各物理场传感通道对刀具各类状态的识别率，对待测刀具类别概率进行加权求和，得到待测刀具的类别概率向量ζ_d＝{d^c,c＝1,2,...,C}，其中

步骤(9)、依据最大概率原则，求出ζ_d中类别概率最大对应的刀具状态即为待测刀具当前的状态c*：

具体过程为，在步骤(1)中，采集数控机床中C种刀具状态(C取5，即5种刀具状态：正常、轻微磨损、中度磨损、严重磨损和破损)下的M个物理场(M＝6，分别是①主轴振动、②工作台振动、③主轴电机电流、④进给电机电流、⑤主轴声发射和⑥工作台声发射)传感通道的时域信号，且每种刀具状态分别采集T次和TT次(T取30，TT取10)，分别组成训练样本集和检验样本集/>

在步骤(2)中，计算时域信号的10个统计特征参数(其中时域统计参数6个，频域统计参数4个)，构成/>的特征参数集/>

在步骤(3)中，分别计算出六个物理场传感通道优化后的结构参数和核函数权重向量；和/>分别为第m个物理场传感通道优化后的结构参数和核函数权重向量；其中，核函数包括线性核函数/>高斯核函数/>多项式核函数/>和逆距离核函数/>等；

在步骤(4)中，通过步骤(3)相同的方法对检验样本集进行预处理，然后计算出六个物理场传感通道学习机的刀具状态识别率向量d_m；

在步骤(5)中，遴选出刀具状态识别率的Pareto最优通道集，①主轴振动、③主轴电机电流、⑤主轴声发射，即三个Pareto最优通道；

在步骤(6)-(9)中，计算出待测刀具的当前状态。

实施本发明实施例，具有如下有益效果：

本发明通过基于Pareto最优通道集的刀具状态识别方法，充分考虑各个局部最优算法，结合“局部+全局”信息进行综合判断，从而克服现有的多传感器监测与诊断刀具状态方法通过组合式特征提取与信号分析所带来的有效信息损失风险，避免某些参数或算法对某些刀具状态有效而对另一些刀具状态无效，容易导致“局部状态识别率高、总体状态识别率低”的弊端现象出现，提高了刀具状态的识别精度。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (5)

1.一种刀具状态多传感监测方法，其特征在于，包括以下步骤：

步骤(1)、采集C种刀具状态下的M个物理场传感通道的时域信号，每种刀具状态分别采集T次和TT次，采样频率为Fs；其中，T次组成训练样本集m表示第m个物理场传感器，c表示第c类，t表示第t次采集的信号，N_m表示第m个物理场传感通道每次采样的信号点数；C、M、N_m和T均为大于1的正整数；其中，TT次组成检验样本集TT为大于1的正整数；

步骤(2)、计算训练样本集中时域信号的10个统计特征参数，并构成/>对应的特征参数集/>

步骤(3)、对M个物理场传感通道的信号数据进行多核极限学习机分类训练；

以第m个物理场传感通道为例，其多核极限学习机分类训练算法如下：

算法输入：

(3.1)选取K种核函数，计算训练样本的K个核函数矩阵/> 为训练样本中任意两个样本点i和j的第k个核函数值；i、j和K均为正整数；

(3.2)令初始核函数权重向量为w^m＝{1/K,1/K,…,1/K}，并构造样本-类别矩阵Q＝(q_ij)_CT×C；其中，c_i表示第i个样本对应的类别；

(3.3)计算总核函数矩阵：

(3.4)计算结构参数：a^m＝(H+E/2)^-1Q；其中，E表示单位矩阵；

(3.5)更新核函数权重向量：其中，/>

(3.6)当时，令/>返回步骤(3.3)步迭代更新结构参数a^m和核函数权重向量/>

(3.7)输出第m个物理场传感通道优化后的结构参数和核函数权重向量/>

步骤(4)、对M个物理场传感通道的检验样本集进行分类检验，利用各物理场传感通道的多核ELM，计算各物理场传感通道学习机的刀具状态识别率向量d_m；

(4.1)计算属于第i类刀具状态的概率/>构成/>的刀具状态分类概率向量G＝{g₁,g₂,...,g_C}；

(4.2)判断所属刀具状态yc：/>

(4.3)计算检验正确数u_mt：/>

(4.4)计算各物理场传感通道学习机的刀具状态识别率d_m：其中，表示第m通道学习机对第c类刀具状态的识别率；

步骤(5)、遴选出刀具状态识别率的Pareto最优通道集；

(5.1)根据各物理场传感通道学习机对各类刀具状态的平均识别率进行降序排序，得到排序后的各物理场传感通道识别率，记为D′＝{d′_i},i＝1,2,...,C；

(5.2)令s＝M，初始Pareto最优通道集Ω＝{d′₁}；

(5.3)比较d′_s与Ω中所有元素d′_j(j＝1,2,...,|Ω|)的偏序关系，更新Ω集：

若存在j，使得即d′_si＞d′_ji,i＝1,2,...,C，则Ω^*＝Ω∪{d′_s}-{d′_j}；

若存在j，使得即d′_si＜d′_ji,i＝1,2,...,C，则Ω^*＝Ω；

若对于所有j，上述两种情况均不存在，则Ω^*＝Ω∪{d′_s}；

(5.4)若s>1，则令s＝s+1，Ω＝Ω^*，并返回步骤(5.3)；否则进入下一步骤(5.5)；

(5.5)确定最后的Ω^*为Pareto最优通道集，记为Ω^*＝{d′_i,i＝1,2,...,P}，P(≤M)为Ω^*的元素个数；

步骤(6)、定期周期性在线采集加工过程中待测刀具状态P个物理场时域信号ζ＝{ζ_i,i＝1,2,...,P}，其中，ζ_i表示第i个通道采集的信号，P为正整数；

步骤(7)、利用步骤(3)中Ω^*对应各物理场传感通道的多核ELM对ζ_i′进行分类，计算ζ′_i属于第c类刀具状态的概率构成ζ′_i的通道刀具状态类别概率向量/>

步骤(8)、结合各物理场传感通道对刀具各类状态的识别率，对待测刀具类别概率进行加权求和，得到待测刀具的类别概率向量ζ_d＝{d^c,c＝1,2,...,C}，其中

步骤(9)、依据最大概率原则，求出ζ_d中类别概率最大对应的刀具状态即为待测刀具当前的状态c*：

2.如权利要求1所述的刀具状态多传感监测方法，其特征在于，所述C种刀具状态有五种，包括正常、轻微磨损、中度磨损、严重磨损和破损。

3.如权利要求1所述的刀具状态多传感监测方法，其特征在于，所述物理场的时域信号有六个，包括主轴振动时域信号、工作台振动时域信号、主轴电机电流时域信号、进给电机电流时域信号、主轴声发射时域信号和工作台声发射时域信号。

4.如权利要求3所述的刀具状态多传感监测方法，其特征在于，所述最后的Ω^*为Pareto最优通道集包括主轴振动、主轴电机电流和主轴声发射所对应的物理场传感通道。

5.如权利要求1所述的刀具状态多传感监测方法，其特征在于，所述10个统计特征参数包括六个时域统计参数和四个频域统计参数。