一种基于栈式自编码器和支持向量机的磨削颤振检测方法与流程
本发明涉及机床颤振检测技术领域，特别涉及一种基于栈式自编码器和支持向量机的磨削颤振检测方法。
背景技术：
磨削加工作为常见的终加工工艺，对产品加工效率、几何精度和表面质量具有决定性影响，磨削颤振的发生会加剧砂轮磨损，产生异常噪声，削减机床部件寿命，降低产品加工精度和表面质量，磨削颤振行为的演变具有阶段性，通常包括早期、上升期和稳定发展三个阶段，在磨削加工过程中，只有在颤振早期实现检测并采取抑制措施，方能避免颤振对产品加工精度和表面质量产生破坏，目前，已有的磨削颤振在线检测方法通用性差，主要体现在颤振阈值对加工设备和加工参数敏感，因此，需要有种检测方法能够提取出颤振无关加工参数的特征。
技术实现要素：
本发明解决的技术问题是提供一种能实现磨削颤振的早期检测，避免磨削颤振对产品加工质量的影响的一种基于栈式自编码器和支持向量机的磨削颤振检测方法。
本发明解决其技术问题所采用的技术方案是：一种基于栈式自编码器和支持向量机的磨削颤振检测方法，包括以下步骤：
步骤一，通过有标签数据和测试数据训练栈式自编码器，获得栈式自编码器各层神经元连接权值，具体步骤如下：
(1)在发生颤振的磨齿机砂轮架上安装加速度传感器，(三轴加速度传感器(356a15,pcb,usa))；
(2)利用数据采集设备和加速度传感器，采集加速度传感器测得的振动信号x2(t)，其中，t代表时间；
(3)对振动信号x2(t)进行归一化，具体方法为x2′(t)＝x2(t)/max(x2(t))；
(4)对归一化后的振动信号x2′(t)进行分段，每段信号包含m个数据点，多余的数据点舍弃，得到处理后的振动信号
(5)为处理后的振动信号
(6)同(1)～(4)步，采集待测磨齿机砂轮架上的振动数据并处理，获得测试数据
(7)建立栈式自编码器模型，将测试数据
其中栈式自编码器是多个自动编码器叠加得到：第一级自动编码器的编码输出作为第二级自动编码器的输入，第二级自动编码器的编码输出作为第三级自动编码器的输入，以此类推；栈式自编码器的训练是通过对数据的逐层学习完成的；
训练栈式自编码器的实现步骤如下所示：
①确定栈式自编码器的网络结构为[n1，n2，n3，......，nn],确定各层神经网络的激活函数
②初始化各层神经网络权值，
编码网络权值：
解码网络权值
其中i＝1，2，3，...，n-1.
③确定迭代次数numepochs
④令i＝1，
⑤计算编码输出yi＝[yi，1，yi，2，...，yi，m+m′]t(i＝1，2，...，n-1)和解码输出x′i＝[x′i，1，x′i，2，...，x′i，m+m′]t(i＝1，2，...，n-1)，其中，yi，j和x′i，j(j＝1，2，...，m+m′)都是ni维列向量，计算公式为yi＝f(yi-1wi)，x′i＝f(yiw′i)；
⑥计算误差ei＝x′i-yi-1，并使用梯度下降法调整权值w′i和wi；
⑦重复⑤和⑥直到迭代次数达到numepochs次，
⑧.i＝i+1；
⑨重复⑤～⑧，直到i＝n-1；n-1为深度学习网络的层数
⑩保存网络结构及其权值；
步骤二，将有标签数据
①有标签数据
得相应的有标签特征，具体方法为：令
按照公式：yn-1＝f(...f(f(y0w1)w2)...wn-1)，
计算得到有标签特征
②对特征
③筛选后的特征y2′n-1进行排序，使得前一半数据为故障信号特征；得到筛选、排序处理后的特征y2″n-1；
④建立支持向量机模型，使用特征y2″n-1作为支持向量机模型的输入，对支持向量机进行训练，得到训练后的支持向量机；
步骤三，将测试数据输入训练后的栈式自编码器，获得测试数据特征，然后将测试数据特征输入训练后的支持向量机，获得诊断结果，具体步骤如下：
①使用测试数据
②y1n-1作为训练过的支持向量机的输入，进行测试，完成对磨齿机的故障诊断。
进一步的是：测试数据参与栈式去噪自编码器的训练；有标签特征在训练支持向量机前进行筛选和排序用于提高训练效果。
本发明的有益效果是：本发明根据磨床砂轮架加速度信号在颤振发生时，间隔频率的幅值增高(颤振特征信号)，考虑到振动信息可能会随着加工参数变化而改变，提出一种无视加工参数变化的磨削颤振检测方法，即基于自编码器深度学习神经网络与支持向量机的颤振检测方法，并通过齿轮磨削加工对该方法的有效性进行了验证。本发明方法可有效检测机床是否发生颤振，相比于现有方法，该磨削颤振检测方法具有通用性，特征的提取不受加工参数的影响，适合磨削颤振在线检测，可在机床企业推广使用，符合智能机床发展需求，具有广泛的应用前景。
附图说明
图1为本方法的流程图。
图2为实际测得的已知存在颤振故障磨齿机振动加速度信号x2(t)的部分时频图。
图3为本发明方法中自动编码器的原理图
图4为本发明方法中栈式自编码器模型的训练过程图。
具体实施方式
下面结合附图和具体实施方式对本发明进一步说明。
某机床厂生产的齿轮磨床在齿轮加工过程中，出现异常的加工噪音，生产的齿轮在下线检测时发现加工质量不符合要求。经机床厂研究，齿轮下线检测不合格的主要原因是齿轮磨床在加工时出现了颤振行为；如果早期颤振行为可以被检测，那么调整加工参数就可以避免颤振行为对工件加工质量的影响，下面通过本发明解决早期颤振检测难题。
参照图1，一种磨削颤振的检测方法，包括以下步骤：
步骤一，通过有标签数据和测试数据训练栈式自编码器，获得栈式自编码器各层神经元连接权值，具体步骤如下：
(1)在发生颤振的磨齿机砂轮架上安装加速度传感器(三轴加速度传感器(356a15,pcb,usa))；
(2)利用数据采集设备和加速度传感器，采集加速度传感器测得的振动信号x2(t)，其中，t代表时间；
(3)对振动信号x2(t)进行归一化，具体方法为x2′(t)＝x2(t)/max(x2(t))；
(4)对归一化后的振动信号x2′(t)进行分段，每段信号包含m个数据点，多余的数据点舍弃，得到处理后的振动信号
(5)为处理后的振动信号
(6)同(1)～(4)步，采集待测磨齿机砂轮架上的振动数据并处理，获得测试数据
(7)建立栈式自编码器模型，将测试数据
其中栈式自编码器(stackedautoencoder,sae)是多个自动编码器(autoencoder，ae)叠加得到：第一级自动编码器的编码输出作为第二级自动编码器的输入，第二级自动编码器的编码输出作为第三级自动编码器的输入，以此类推；栈式自编码器的训练是通过对数据的逐层学习完成的。
参考图4，训练栈式自编码器的实现步骤如下所示：
①确定栈式自编码器的网络结构为[n1，n2，n3，......，nn],确定各层神经网络的激活函数
②初始化各层神经网络权值，
编码网络权值：
解码网络权值
其中i＝1，2，3，...，n-1.
③确定迭代次数numepochs
④令i＝1，
⑤计算编码输出yi＝[yi，1，yi，2，...，yi，m+m′]t(i＝1，2，...，n-1)和解码输出x′i＝[x′i，1，x′i，2，...，x′i，m+m′]t(i＝1，2，...，n-1)，其中，yi，j和x′i，j(j＝1，2，...，m+m′)都是ni维列向量，计算公式为yi＝f(yi-1wi)，x′i＝f(yiw′i)；
⑥计算误差ei＝x′i-yi-1，并使用梯度下降法调整权值w′i和wi；
⑦重复⑤和⑥直到迭代次数达到numepochs次，
⑧.i＝i+1；
⑨重复⑤～⑧，直到i＝n-1；n-1为深度学习网络的层数
⑩保存网络结构及其权值；
步骤二，将有标签数据
③有标签数据
得相应的有标签特征，具体方法为：令
按照公式：yn-1＝f(...f(f(y0w1)w2)...wn-1)，
计算得到有标签特征
②对特征
④筛选后的特征y2′n-1进行排序，使得前一半数据为故障信号特征；得到筛选、排序处理后的特征y2″n-1；
④建立支持向量机模型，使用特征y2″n-1作为支持向量机模型的输入，对支持向量机进行训练，得到训练后的支持向量机；
步骤三，将测试数据输入训练后的栈式自编码器，获得测试数据特征，然后将测试数据特征输入训练后的支持向量机，获得诊断结果，具体步骤如下：
①使用测试数据
②将y1n-1作为训练过的支持向量机的输入，进行测试，完成对磨齿机的故障诊断。
本发明根据磨床砂轮架加速度信号在颤振发生时，间隔频率的幅值增高(颤振特征信号)，考虑到振动信息可能会随着加工参数变化而改变，提出一种无视加工参数变化的磨削颤振检测方法，即基于自编码器深度学习神经网络与支持向量机的颤振检测方法，并通过齿轮磨削加工对该方法的有效性进行了验证。本发明方法可有效检测机床是否发生颤振，相比于现有方法，该磨削颤振检测方法具有通用性，特征的提取不受加工参数的影响，适合磨削颤振在线检测，可在机床企业推广使用，符合智能机床发展需求，具有广泛的应用前景。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！