一种基于多种类传感器复合信号的刀具磨损监控方法与流程

文档序号:16857376发布日期:2019-02-12 23:29
一种基于多种类传感器复合信号的刀具磨损监控方法与流程
本发明涉及一种基于多种类传感器复合信号的刀具磨损监控方法,属于刀具磨损检测领域。
背景技术
:智能设备作为智慧工厂的核心之一,对运行状态的自我识别、自我学习和自我维护能力是其重要特征。据统计,加工过程中换刀和对刀约占设备运行时间的20%。此外,刀具的磨损和破损对加工质量、加工效率、机床寿命甚至操作人员的人身安全有重要影响。因此,准确、高效的刀具运行状态自我识别和自动预警对提高机床的智能水平有重要意义,可有效地节约成本、提高效率.由于高速铣削中的刀具磨损过程复杂,模型参数过多且难以预测刀具磨损,如何通过更加有效途径预测刀具磨损成为研究人员的关注焦点。国内外学者对刀具磨损预测做了大量的研究,并取得了诸多进展。声发射(Acousticemission,AE)技术作为先进的检测手段对各种金属材料及其内部微细裂纹非常敏感,能发现材料的早期变化,故广泛用于各种机械设备检测。但由于每个声发射散点所含故障信息不同,故对评估设备状态信息贡献度也不同;而每个声发射散点提取的特征参量物理含义不同,对故障敏感程度也不同。某些特征参量能在故障早期发生突变,而某些特征参量变化趋势相对平缓,无法为设备故障状态提供预警。刀具状态监测的另一核心问题是在分析信号特征的基础上,构建有效的算法进行刀具磨损量的预测。常用算法包括人工神经网络和支持向量机等。人工神经网络的预测算法,模型过于复杂、需要大量的实验样本,且计算收敛困难.支持向量机可以实现在小样本下刀具磨损量的预测,但易出现过学习现象,模型的稀疏性有限,且无法提供预测结果的概率信息。技术实现要素:为了解决上述存在的技术问题,本发明提供一种高效准确的基于多种类传感器复合信号的刀具磨损监控方法,本发明的目的是通过下述技术方案实现的:一种基于多种类传感器复合信号的刀具磨损监控方法,其特征在于,包括如下步骤:(1)数据采集:使用声发射传感器采集机床的声发射信号,使用功率传感器采集机床加工功率信号,同时在每次加工时段完毕后使用显微镜对刀具进行拍照,并测量刀具后刀面磨损值,用于比对获取刀具磨损数据;(2)特征提取:应用云算法对采集的信号进行去噪处理,滤除干扰频段对提取与刀具磨损状态相关特征参数的影响,然后对数据进行特征提取,分析各特征与刀具磨损量的相关性并选取相关性强的特征;(3)构建模型及优化后分类和预测:经过后处理的数据特征和显微镜测量刀具磨损量数据形成样本组,采用基于SBL的识别方法对数据进行建模,采用贝叶斯匹配追踪算法对SBL模型核函数的宽度参数进行优化,实现刀具磨损量的准确预测。所述的步骤(2)特征提取时云算法包括:正向云发生器和逆向云发生器计算,分别用来生成足够的云滴和计算云数字特征(Ex,En,He),其中,Ex为不同磨损量信号按所选期望值,En为熵值,He为超熵值;所述的正向云发生器主要有以下步骤:(2.1.1).生成以En为期望,以He^2为方差的正态随机数En’;(2.1.2).生成与Ex为期望,以En’^2为方差的正态随机数x;(2.1.3)计算隶属度也就是确定是u=exp(-(x-Ex)^2/2*En’^2),则(x,u)便是相对于论域U的一个云滴;这里选择常用的“钟型”函数u=exp(-(x-a)^2/2*b^2)为隶属度函数;所述的逆向云发生器主要过程如下:(2.2.1).计算样本均值X和方差S^2(2.2.2).Ex=X(2.2.3).En=S^2(2.2.4).He=sqrt(S^2-En^2);将不同磨损量信号按所选期望值Ex、熵值En及超熵值He进行云模型构建,得到不同磨损阶段的云图。利用脉冲噪声的不确定性对云模型进行滤波,得到滤波之后的云模型;通过逆向云发生器从滤波之后的云模型中提取云数字特征作为能反映刀具磨损状态的特征值,组合成能反映刀具磨损状态的特征向量,将特征向量与测量的刀具后刀面磨损值做归一化处理,即,把所有的数据都转化为[0,1]之间的数,数据归一化处理通常采用以下公式:。所述的步骤(3)构建模型及优化后分类和预测,其具体过程如下:将采集的数据分为两组,第一组为60组数据,用于对稀疏贝叶斯学习模型的训练,另外36组用于测试已训练模型的准确度;基于非负最小二乘稀疏贝叶斯学习模型,最小二乘法是在线性回归模型下估计未知参数的一种方法,由于云模型是服从正态分布的,最小二乘法是一种最大似然估计器,其线性模型可写为:值向量;假设周围存在噪声,根据稀疏表示的内容,信号模型可写为:其中e为周围环境的噪声;该模型就是通过贝叶斯方法学习独立正则参数,求得使本式最优的稀疏解,即实现刀具磨损量的准确预测。本发明的有益效果:本发明方法采用声发射传感器和功率传感器采集机床刀具磨损相关的信号信息,采用两种信号采集的方法可以避免单一信号本身自有的缺陷。其二,采用云模型算法科学的耦合两种信息,并能够提取信号中反映刀具磨损量的特征因素,使用稀疏贝叶斯方法建立模型进而预测刀具磨损量,实现了对刀具磨损的监控,提高刀具磨损监控的效率和准确性。附图说明图1为本发明创造的总结构框图。图2为本发明试验数据采集的流程图。具体实施方式一种基于多种类传感器复合信号的刀具磨损监控方法,包括如下步骤:(1)数据采集:使用声发射传感器采集机床的声发射信号,使用功率传感器采集机床加工功率信号,同时在每次加工时段完毕后使用显微镜对刀具进行拍照,并测量刀具后刀面磨损值,用于比对获取刀具磨损数据;具体为:在某一工况下,对直径为110mm的钛合金棒料进行加工,共使用8把相同型号的刀具(刀具型号:QNMG090408-NF),将声发射传感器固定在试验台刀体上,用美国PAC的多通道声发射数据采集系统进行数据采集声发射信号和功率信号。为了更好地研究在不同加工条件下刀具磨损状态与磨损量关系的预测问题,采用将3种切削参数(切削速度、进给量和背吃刀量)全面组合的正交实验法,在最少的实验次数下安排多组切削参数进行实验,本次实验的实验计划表如下:切削速度(m/,min)进给量(mm/r)背吃刀量(mm)11200.20.321200.20.431200.250.341200.250.451220.20.361220.20.471220.250.381220.250.4每把刀具选用一种切削参数对棒料进行切削加工,采集刀具从初始磨损到磨钝过程中的声发射信号和功率信号。在切削过程中,每隔10s停止加工,测量每次加工后刀具的后刀面磨损量作为刀具磨损状态的标准,提取其中96组数据及其对应的刀具后刀面磨损量作为构建刀具磨损监测模型的输入;(2)特征提取:应用云算法对采集的信号进行去噪处理,滤除干扰频段对提取与刀具磨损状态相关特征参数的影响,然后对数据进行特征提取,分析各特征与刀具磨损量的相关性并选取相关性强的特征;其中云算法包括:正向云发生器和逆向云发生器计算,分别用来生成足够的云滴和计算云数字特征(Ex,En,He),其中,Ex为不同磨损量信号按所选期望值,En为熵值,He为超熵值;其中“云”或者“云滴”是云模型的基本单元,所谓云是指其在论域上的一个分布,可以用联合概率的形式(x,u)来表示。所述的正向云发生器主要有以下步骤:(2.1.1).生成以En为期望,以He^2为方差的正态随机数En’;(2.1.2).生成与Ex为期望,以En’^2为方差的正态随机数x;(2.1.3)计算隶属度也就是确定是u=exp(-(x-Ex)^2/2*En’^2),则(x,u)便是相对于论域U的一个云滴。这里选择常用的“钟型”函数u=exp(-(x-a)^2/2*b^2)为隶属度函数;所述的逆向云发生器主要过程如下:(2.2.1).计算样本均值X和方差S^2(2.2.2).Ex=X(2.2.3).En=S^2(2.2.4).He=sqrt(S^2-En^2);逆向云发生器的目的是计算云模型的云数字特征;将不同磨损量信号按所选期望值Ex、熵值En及超熵值He进行云模型构建,得到不同磨损阶段的云图。利用脉冲早证的不确定性对云模型进行滤波,得到滤波之后的云模型;通过逆向云发生器从滤波之后的云模型中提取云数字特征作为能反映刀具磨损状态的特征值,组合成能反映刀具磨损状态的特征向量,将特征向量与测量的刀具后刀面磨损值做归一化处理,即,把所有的数据都转化为[0,1]之间的数,其目的是取消各维数据之间的数量级差别,避免因为输入输出数据数量级差别过大而造成网络预测误差较大,数据归一化处理通常采用以下公式:。熵值反映了不同磨损阶段对应的定性概念的不确定性程度,表现为信号在该磨损阶段对应云概念的可接受范围大小。基于无确定度的逆向云算法对各云概念的熵En计算。随机选取4组相同切削条件下不同磨损状态重构信号s′(t)计算发现,随磨损量增加熵值En呈先增长后下降的趋势。磨损初期,时序信号的熵值较小,说明时序信号的云概念所覆盖的范围较小,这是因为刀具在前期磨损较快,很快进入中期磨损阶段;此后,刀具磨损逐渐进入中期阶段,时序信号的熵值逐渐增大,说明概念所覆盖的范围变广,这是由于该阶段刀具磨损较慢,刀具磨损将进入一个平稳的正常切削阶段;磨损继续加剧,时序信号的熵值又变小,云概念所覆盖范围减小,这是因为进入后期磨损阶段时,失效率显著升高,刀具磨损加快。刀具磨损的程度与Ex期望值变现为一种相应的关系,在某种层面上可以表现出刀具后刀面的磨损状态,刀具磨损量增加相应的期望值呈增长趋势。实验中当磨损量增大时,刀具与被加工表面摩擦加剧、功率信号增大,声发射现象增强,信号的不确定性变大,导致单位时间内振铃计数减少,导致期望值Ex增大。因此Ex可间接反映刀具磨损现象-振铃计数大小。此外,期望值最能代表定性概念,期望值增大表明时序信号对应的磨损量在不断增大。超熵对定性云概念熵的不确定性进行描述,其数值反映了声发射信号采样数据的离散程度,样本数据的随机性与模糊性也由其关联起来。将不同磨损量信号按所选期望值Ex、熵值En及超熵值He进行云模型构建,不同磨损阶段云图,展现出核心云滴逐渐离散、云图整体呈现泛正态分布的特点,具有云特性。信号的云图完整地包络了电压幅值统计分布的直方图,并保证了核心云滴的数量的优势,最大限度地保证了概念核心的样本数量,使用云特性可以实现对不同统计样本的统一建模。可以看出提取的刀具磨损云特征参数反应刀具磨损状态效果很明显。(3)构建模型及优化后分类和预测:经过后处理的数据特征和显微镜测量刀具磨损量数据形成样本组,采用基于SBL的识别方法对数据进行建模,采用贝叶斯匹配追踪算法对SBL模型核函数的宽度参数进行优化,实现刀具磨损量的准确预测;稀疏贝叶斯学习是Tipping在支持向量机的基础上提出的用于回归和分类的机器学习法,SBL采用了贝叶斯推理方法,模型有着良好的稀疏性,可避免过学习现象,同时具有概率预测能力。具体为:将采集的数据分为两组,第一组为60组数据,用于对稀疏贝叶斯学习模型的训练,另外36组用于测试已训练模型的准确度。本发明基于非负最小二乘稀疏贝叶斯学习模型,最小二乘法是在线性回归模型下估计未知参数的一种方法,由于云模型是服从正态分布的,最小二乘法是一种最大似然估计器。其线性模型可写为:值向量;假设周围存在噪声,根据稀疏表示的内容,信号模型可写为:其中e为周围环境的噪声;该模型就是通过贝叶斯方法学习独立正则参数,求得使本式最优的稀疏解,即实现刀具磨损量的准确预测。假设,使用采集的信号的长度分别为128,稀疏度K=10即信号有个位置的系数不为零,特征提交后观测矩阵的维数为64*128,观测噪声方差0.05,初始化参数为0.1。将提取的特征向量作为输入,刀具后刀面的磨损值作为输出对稀疏贝叶斯学习模型进行训练,得到训练好的稀疏贝叶斯学习模型。将采集的96组切削信号中的其余36组用于刀具磨损监测实验,采用步骤二中的数据提取方法提取出与刀具磨损相关的特征,归一化处理后作为稀疏贝叶斯监测模型的输入端,此监测模型的输出端即为模型预测的刀具后刀面磨损值。结果表明,此刀具磨损监测模型的响应时间和识别精度均满足在线监测的要求。本发明方法的具体应用例:步骤一:为了测试本模型在实际生产加工过程中的准确度,本实验监测机床为上海重型机床厂生产的CK61100型数控车床,所用刀具为以色列Carmex公司生产的16ER型车刀,车削材料为航空发动机常用材料高温合金,工件直径526mm,轴向切削0.3mm,纵向切削0.4mm,以恒定切削参数进行加工,采集车削时的声发射和功率信号,每隔10s记录一次数据,并测量车刀后道面对应的磨损值。共采集46组有效数据,将其中30组用作训练,剩余16组用于测试。步骤二:特征提取,建立云模型对采集的刀具磨损信号进行滤波,并通过正向云发生器建立云图,逆向云发生器提取与刀具磨损状态相关的云特征向量。并将已测量的刀具后刀面磨损值与提取的特征向量进行归一化处理。步骤三:将含有刀具磨损状态的特征向量作为输入,将刀具后刀面磨损值作为输出,对稀疏贝叶斯模型进行训练,将另外16组作为测试样本的数据做特征提取,并将提取的特征向量导入已训练的稀疏贝叶斯学习模型中,将预测的磨损值与测量的磨损值进行对比,如下表所示:数据编号12345678磨损值实测0.1620.2260.2430.2480.2490.2760.2860.292预测值/mm0.1600.2250.2430.2480.2500.2680.2880.291数据编号910111213141516磨损值实测0.1900.2550.2560.2740.2920.2930.3150.343预测值/mm0.1900.2540.2560.2750.2870.2890.3110.343将刀具磨损预测值与实际测量值进行对比,经实际操作后,刀具后刀面磨损值的预测值准确率达到92%,满足实际生产在线监测的需求。当前第1页1 2 3 
再多了解一些
当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1