一种铣削刀具磨损状态特征提取多目标优化方法与流程

本发明涉及制造过程监测领域，特别涉及一种铣削刀具磨损状态特征提取多目标优化方法。

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，数控铣床的自动化是大多数制造过程自动化的重要组成部分。铣削刀具作为数控铣床最易损伤的部件，对其进行及时有效的状态监测与故障识别至关重要。

近年来，基于多传感特征融合的间接式铣削刀具状态监测(tcm)方法受到了国内外学者的广泛关注。基于多传感特征融合的tcm方法是通过多个物理场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，目前的大多数相关研究存在如下两个主要问题：

(1)多传感信号的组合分析固然可以提高tcm识别精度，但传感器并非越多越好，冗余信号过多反而会影响tcm的识别精度，亦会导致监测成本和维护成本的增加；

(2)目前众多研究所采用的特征选取算法，均是基于与刀具状态的线性/非线性相关度来考察。然而，相关性强的特征参数并不一定能获得良好的监测性能。

技术实现要素：

本发明针对上述现有技术的不足，提供了一种铣削刀具状态特征提取多目标优化方法。

本发明的上述技术目的是通过以下技术方案得以实现的：一种铣削刀具磨损状态特征提取多目标优化方法，包括以下步骤：

s1、通过多种传感器通道采集多个物理场信号；

s2、计算每个传感通道信号的若干时域和频域统计特征参数、以及小波能量，构成特征参数候选集；

s3、以刀具状态预测精度和特征参数数量为优化目标，构造多目标优化模型；

s4、采用智能优化算法对优化模型进行全局寻优；

s5、将优化模型最优解所对应的传感特征参数集作为刀具状态监测所需的特征参数。

进一步设置是所述的步骤s1具体包括：

周期性采集刀具运行状态下的s个物理场传感通道的时域信号以及对应的刀具磨损量，共分别采集t次，组成训练样本集。

进一步设置是所述的步骤s2具体包括：

s21、计算每个传感通道xit(i＝1,…,m)的f个统计特征参数，组成特征参数集fit＝(fit-1,fit-2,...,fit-f)；

s22、将所有s个传感通道的特征参数集合并，构造特征参数候选集f＝{fit}。

进一步设置是所述的步骤s3具体包括：构造多目标优化模型

其中，yt′表示在某种特征参数组合fδq下通过预测算法得到的xt的预测值。

进一步设置是所述的预测算法包括如下步骤：

s301、找出{δq}(q＝1,…,q)对应特征参数组合下的样本数据集，即选择{δq}中值为1的位置对应的特征参数；

s302、计算样本核矩阵其中为xδq中两个样本点xi和xj的核函数值；

s303、按照下式计算xt的预测值yt′：

其中，i表示单位矩阵，c表示正则化参数。

进一步设置是所述的步骤s4具体包括：

所述的智能优化算法包括粒子群算法、遗传算法和蚁群算法，并求得最优的特征参数集f*。

进一步设置是所述的步骤s5具体包括：

s51、计算f*对应的样本核矩阵

s52、在线监测，对于未知信号x，其对应的刀具磨损量预测值计算如下：

本发明的有益效果是：

(1)目前，对tcm的研究大多集中于多传感信号的组合分析。多传感信号固然可以提高tcm识别精度，但传感器并非越多越好，冗余信息过多反而会影响tcm的识别精度，亦会导致监测成本和维护成本的增加。本发明通过对“传感器—特征参数”的多目标组合优化分析，结合智能进化算法找出最佳的传感参数配置，如若某一传感通道对应的特征参数无一被选取，则该传感通道可以不予考虑，从而在保证预测精度的基础上获得最少传感数量。

(2)目前众多研究采用的特征选取算法有pearson相关分析、mrmr(最大相关最小冗余)等特征选取算法。但是，上述算法均是基于与刀具状态的线性/非线性相关度来考察，而相关性强的特征参数并不一定能获得良好的监测性能，特别是在切削加工这一复杂的过程中。本发明从预测精度出发，以预测精度和特征参数个数为优化目标，考察各特征参数组合对应的刀具磨损量预测精度，避免了相关性强但预测精度低的现象。

附图说明

图1为本发明的方法流程图；

图2为本发明的整体流程运行图。

具体实施方式

下面结合附图对本发明做进一步详细描述：

如图1和图2所示，为本发明实施例中，提出的一种铣削刀具磨损状态特征提取多目标优化方法，包括以下步骤：

s1、通过多种传感器通道采集多个物理场信号。其主要包含：

针对新切削刀具，周期性采集刀具运行状态下的s个物理场(如振动、电流、声发射、切削力、声音等)传感通道的时域信号以及对应的刀具磨损量，共分别采集t次，组成训练样本集(x，y)＝{(xt,yt)}，xt∈r^n×t，yt∈r，t＝1,2,...,t，xt＝(x1t,…,xst)表示第t次采集信号时所有s个传感通道的信号，yt表示第t次采集信号时对应的刀具磨损量，t表示第t次采集的信号，n表示每个传感通道每次采样的信号点数，其中m和n均为大于1的正整数。

s2、计算每个传感通道信号的若干时域和频域统计特征参数、以及小波能量，构成特征参数候选集。其主要包含：

计算每个传感通道xit(i＝1,…,m)的f个统计特征参数(可以包含时域、频域、时频域小波能量等统计参数)，组成xit的特征参数集fit＝(fit-1,fit-2,...,fit-f)，并将所有s个通道的特征参数集合并，构造特征参数候选集f＝{fit}。为描述方便，将xt对应的候选参数集f记为ft＝{ftk,t＝1,…,t,k＝1,…,q}，q为候选参数总个数。

s3、以刀具状态预测精度和特征参数数量为优化目标，构造多目标优化模型。其主要包含：构造多目标优化模型

式(1)、(2)和(3)中，y′t表示在某种特征参数组合fδq下通过预测算法得到的xt的预测值，预测算法如下：

a)找出{δq}(q＝1,…,q)对应特征参数组合下的样本数据集，即选择{δq}中值为1的位置对应的特征参数。例如，{δq}＝{1,0,0,1,1,0......,}表示选择候选集f中第1、4、5个参数，进而提炼出样本数据集(xδq,y)＝{(fδq-t,yt)}。

b)计算样本核矩阵其中为xδq中两个样本点xi和xj的核函数值，核函数k(xi,xj)可以取线性核函数、高斯核函数、多项式核函数等常用的核函数。

c)按照下式计算xt的预测值y′t：

式(4)中，i表示单位矩阵，c表示正则化参数(一般取2)。

s4、采用智能优化算法对优化模型进行全局寻优。其主要包含：

采用多目标智能进化算法,如粒子群算法、遗传算法、蚁群算法等,求解上一步骤中优化模型的全局最优解，求得最优的特征参数集f*。

s5、将优化模型最优解所对应的传感特征参数集作为刀具状态监测所需的特征参数。其主要包含：

a)计算f*对应的样本核矩阵

b)在线监测，对于未知信号x，其对应的刀具磨损量预测值计算如下：

以上所揭露的仅为本发明较佳实施例而已，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。