本发明涉及精密制造
技术领域：
：，特别是一种基于变分模态分解与改进型bp神经网络的微铣刀磨损监测方法。
背景技术：
：：由于具有加工材料的多样性和能加工复杂三维曲面的独特优势，微铣削已经广泛应用于微小型零部件的加工领域。然而，较小的刀具尺寸和较高的主轴转速导致微铣刀磨损较快，影响产品质量的一致性。微铣削技术具有加工材料的多样性和三维曲面加工的独特优势，在微观尺度的零部件加工方面具有广泛的应用。然而由于微铣削具有刀具尺寸小、切削速度高且切削不连续的特点，微铣刀磨损迅速，影响产品精度和表面质量。严重的刀具磨损也会引起刀具破损、折断和颤振，造成机床的损伤。因此，亟需提出一种有效的刀具磨损监测方法。目前刀具磨损监测主要包括两种方法：基于图像处理的直接法和基于数据驱动的间接法。直接法主要通过数字图像处理技术提取刀具磨损特征，可以得到具体的刀具磨损量，精度较高。然而，冷却液和切屑严重影响刀具磨损图像质量，加工过程中刀具与工件的连续接触也会不利于刀具磨损图像的获取。直接法采集加工过程中的切削力、振动、声发射及多传感信号，对其进行信号处理和特征提取，并通过一定的分类算法对提取的刀具磨损特征进行分类，实现刀具磨损状态的监测和识别。由于振动信号能够直接反映加工状态，传感器安装方便，本研究选择加速度信号进行微铣刀磨损状态监测。当前，振动信号主要通过时域、频域和时频域等信号处理方法提取特征，其中，兼具时域和频域特征的时频域信号处理方法应用较广。例如，短时傅立叶变换(shorttimefouriertransform，stft)利用窗函数将非平稳信号转换成多段短平稳信号的叠加，但固定的窗函数使得信号的高频和低频部分具有相同的分辨率，计算精度和效率难于平衡。作为替代方案，使用小波包变换(waveletpackettransform,wpt)可以灵活调整时间-尺度函数，可以很好地解决这一问题。然而，小波包变换需要选择合适的“母小波”和分解层数，需要一定的工程经验。经验模态分解(empiricalmodeldecomposition，emd)完全从信号的固有特征出发，通过hilbert-huang变换获得一系列正交的内禀模式函数(intrinsicmodefunction,imf)，不需要太多的干扰。然而，emd依然存在模式混合和末端效应的问题。和emd相比，变分模态分解(variationalmodedecomposition，vmd)既可以进行自适应分解，又能够自主选择模式分解层数，很好地融合了小波包变换与emd的优点，具有更高的计算精度和灵活性。特征分类方法的选择直接影响刀具磨损状态的最终分类精度，常用的特征分类方法包括k近邻(knearestneighbors，knn)[14]、朴素贝叶斯(naivebayesianmode,nbm)[15]、决策树(decisiontrees,dt)[16]、支持向量机(supportvectormachine,svm)[17]和bp神经网络(backpropagationneuralnetwork，bpnn)[18]。和其它分类算法相比，bpnn结构简单、易于实现，已经成为特征分类的有力工具。然而，和其它分类算法一样，bpnn的神经元之间的连接权值和阈值难于确定，导致出现过拟合和局部最优的问题。为解决这些问题，本专利采用粒子群算法(particleswarmoptimization,pso)对bpnn模型的连接权值和阈值进行优化，避免bpnn模型出现过拟合和局部最优的问题，提高bpnn模型的分类精度。技术实现要素：针对现有技术中存在的问题，本发明提供了一种避免bpnn模型出现过拟合和局部最优的问题，提高bpnn模型的分类精度的基于变分模态分解与改进型bp神经网络的微铣刀磨损监测方法。本发明的目的通过以下技术方案实现。一种基于变分模态分解与改进型bp神经网络的微铣刀磨损监测方法，步骤包括：1)首先通过变分模态分解算法对微铣削振动信号进行信号处理和特征提取，并选择变分模态分解算法分解后的内禀模式函数的峭度和偏态作为微铣刀磨损特征；2)接着利用基粒子群算法优化算法的bp神经网络模型对提取的微铣刀磨损特征进行分类。所述变分模态分解算法的实施过程包括：构造变分问题和求解变分问题，所述求解变分问题通过迭代的方式不断更新中心频率和带宽。所述构造变分问题为假设采集到的振动信号x＝[x(1),x(2),…,x(n)]，其中，n表示信号长度，首先对分解得到的k个imf分量uk(t)进行hilbert变换，并构造变分问题如式其中：为对t求偏导数，δ(t)为冲击函数，wk＝(w1,…,wk)表示各imf分量的中心频率。所述求解变分问题为引入二次惩罚因子α和lagrange乘法算子λ(t)，扩展的lagrange表达式如式所述变分问题的迭代求解流程包括a)初始化b)循环条件n＝n+1；c)满足ω≥0时，更新d)更新ωk(t)：e)更新λ：式中τ为噪声容限参数，设τ＝0可以达到较好的降噪效果，一直迭代，直至满足迭代约束条件如式结束迭代。所述基粒子群算法优化算法的bp神经网络模型为假设全局最优位置为pg＝(pg1,pg2,...,pgm)，同时第i个粒子的速度为vi＝(vi1,vi2,...,vim)，每个粒子的新速度和位置通过式和式进行计算，其中，c1和c2是两个加速度系数；w是控制粒子群全局搜索和局部搜索能力的惯性因子；r1和r2是[0,1]之间的任意两个数；αi是第i个粒子的当前最好位置，将bp神经网络分类精度作为目标函数，基粒子群算法优化算法用来优化bp神经网络模型的输入参数。相比于现有技术，本发明的优点在于：在对各种特征提取和分类算法深入分析的基础上，本专利提出了基于vmd和bpnn-pso的微铣刀磨损监测方法。首先对微铣刀振动信号进行vmd分解，并提取imf1分量的峭度和偏态作为微铣刀磨损特征。接着利用基于pso的bpnn模型实现微铣磨损特征分类。结果表明，和其它分类算法相比，本专利提出的微铣刀磨损监测方法在分类精度和计算效率方面具有综合优势，能够快速准确地识别初始磨损、轻度磨损、中度磨损、重度磨损和刀具失效5种磨损状态，对刀具磨损监测方面的研究具有一定的参考价值。附图说明图1为本发明结构框图。图2为三层网络的bpnn模型示意图。图3为svm-pso的流程图。图4为加工中心z轴方向的振动信号图。图5为微铣刀切削部位图像。图6为切削时刻加速度信号的vmd分解及fft变换结果。图7为不同磨损状态下各imf分量的峭度。图8为不同磨损状态下各imf分量的偏态。图9为bpnn-pso与其它算法的计算结果。图10为训练样本数量对计算结果的影响。图11为各个微铣刀磨损特征对计算结果的影响。具体实施方式下面结合说明书附图和具体的实施例，对本发明作详细描述。一种基于变分模态分解与改进型bp神经网络的微铣刀磨损监测方法，首先利用vmd分解采集的微铣削振动信号，得到多个内禀模式函数；然后提取各个imf的峭度和偏态作为微铣刀磨损特征；最后利用bpnn-pso进行特征分类，实现微铣刀磨损的在线监测。总体思路如图1所示。vmd算法的实施过程主要包括两步：构造变分问题和求解变分问题。其中，求解变分问题需要通过迭代的方式不断更新中心频率和带宽。(1)构造变分问题假设采集到的振动信号x＝[x(1),x(2),…,x(n)]，其中，n表示信号长度。首先对分解得到的k个imf分量uk(t)进行hilbert变换，并构造变分问题如式(1)。其中：为对t求偏导数，δ(t)为冲击函数，wk＝(w1,…,wk)表示各imf分量的中心频率。(2)变分问题求解引入二次惩罚因子α和lagrange乘法算子λ(t)，扩展的lagrange表达式如式(2)。该变分问题的迭代求解流程如下所示。a)初始化b)循环条件n＝n+1c)满足ω≥0时，更新d)更新ωk(t)：e)更新λ：式中τ为噪声容限参数，设τ＝0可以达到较好的降噪效果，一直迭代，直至满足迭代约束条件如式(6)，结束迭代。bpnn-pso模型：bpnn属于有监督的学习方法，包括输入层、隐藏层和输出层的全连接的bpnn模型如图2所示。可以看出，bpnn模型结构简单，但需要设置和调整的连接权值和阈值较多，如处理不当会引起bpnn模型出现过拟合和局部最优的问题，因此，本专利借助pso的空间搜索能力对各个连接权值和阈值进行优化，pso不需要像遗传算法一样的编码和解码，易于编程，计算精度和效率更有优势。在pso算法中，影响粒子飞行速度3个因素分别为：突进部分、认知部分和社会部分。假设全局最优位置为pg＝(pg1,pg2,...,pgm)，同时第i个粒子的速度为vi＝(vi1,vi2,...,vim)，每个粒子的新速度和位置通过式(7)和式(8)进行计算。其中，c1和c2是两个加速度系数；w是控制粒子群全局搜索和局部搜索能力的惯性因子；r1和r2是[0,1]之间的任意两个数；αi是第i个粒子的当前最好位置。将bpnn分类精度作为目标函数，pso用来优化bpnn模型的输入参数，优化过程如图3所示。为得到微铣削过程的振动信号，将五轴加工中心huronk2x5作为实验平台，进行模具钢nak80的切削实验。所用刀具材料为硬质合金、直径0.5mm、螺旋角30度。所选毛坯的长度、宽度和高度分比为70cm、50cm和20cm；三向加速度传感器1a110e：灵敏度10mv/m.s-2，频率范围(±10％)0.5hz-10000hz；数据采集系统：dh5922d。本实验总共用了36把微铣刀，每把刀加工时间均为18分钟，全程采集振动信号，并每隔3分钟将刀具拆下来，通过影像仪获取刀具切削部位的图像。切削参数分别为：主轴转速为16000r/min，18000r/min，20000r/min，21000r/min和22000r/min；切削深度为0.01mm，0.015mm，0.02mm，0.025mm和0.03mm；进给速度为0.003mm/rev，0.004mm/rev，0.005mm/rev，0.006mm/rev和0.007mm/rev。采样频率为5000hz。图4显示，直线ab左侧为未切削时刻的振动信号，直线ab右侧为切削时刻的振动信号。由于刀具磨损信息主要通过切削过程表现出来，后续内容均为针对切削时刻进行的分析和研究。实验得到的各个时间段微铣刀切削部位图像如图5所示。由图5可以看出，切削参数一定的前提下，加工时间越长，刀具磨损愈严重。根据不同时段的刀具切削部位图像将微铣刀磨损状态分为5个等级：初始磨损(3-6分钟)、轻度磨损(6-9分钟)、中度磨损(9-12分钟)、重度磨损(12-15分钟)和刀具失效(15分钟以上)。通过vmd对微铣削加工过程的振动信号进行4层分解，并对各个imf分量进行fft变换，结果如图7所示。其中，切削参数如下：主轴转速为18000r/min；进给速度为0.005mm/r；切削深度为0.025mm。由图6可以看出，微铣削加工振动信号的vmd分析结果物理意义明确，不存在模态混叠现象。单个的imf信号成分简单，便于进行微铣刀磨损特征提取。在此基础上计算每个imf分量的峭度和偏态，并将其作为微铣刀磨损特征。假设采集到的振动信号为x＝[x(1),x(2),…,x(n)]，n表示信号长度。时域信号的峭度和偏态分别如式(9)和式(10)所示。其中，为振动信号序列x的均值，为振动信号序列x的均方根。根据式(9)和式(10)可以得到各个imf的峭度和偏态，并分别对数据整体进行归一化计算，结果分别如图7图8所示。图7和图8显示，和其它imf分量相比，imf1能够更好地区分5种磨损状态，因此，选择imf1的峭度和偏态作为微铣刀磨损特征，并分别表示为t1和t2。3特征分类及讨论首先通过自动识别、截断的方式得到500组振动信号，其中，每种磨损状态100组。根据上述方法就散每组数据的峭度t1和偏态t2，随机选择每种磨损状态80组，共400组数据作为训练样本，剩余的100组数据作为测试样本。然后，通过svm-pso对已获取的磨损特征进行分类，具体步骤如下：1)特征数据输入；2)数据处理：标准化和正则化；3)bpnn和pso参数的初始化；4)基于pso的bpnn的关键参数调试。svm-pso的输入为两个微铣刀磨损特征t1和t2，输出为5个微铣刀磨损状态。由于不清楚2个特征的重要程度，将bpnn的初始连接权值全部设置为0.5，粒子群的粒子数量为100，pso的其它参数设置如表3所示。表3pso的参数设置table3parametersettingofpso为验证本专利提出的微铣刀磨损在线监测方法，将计算结果与svm、knn、dt、nbm和不待优化算法的bpnn模型进行比较，结果如图9所示。图9显示，整体来看，基于pso的bpnn分类算法具有最高的分类精度，主要是因为pso的引入优化了bpnn模型神经元之间的连接权值和阈值，提高了bpnn模型的分类精度。同样是因为引入了pso算法，bpnn-pso计算时间明显高于一般的不带优化算法的分类方法，但和bpnn模型相比，实践时间有显著的减少，主要因为pso提高了bpnn的计算效率。对于分类算法来说，训练样本的数量对分类精度也会有显著影响，因此，将训练样本数量分别设置为280、320、360、400、440和480，分别进行计算，结果如图10所示。图10显示，随着训练样本数量的增加，计算时间明显增加。总体上，计算精度也随着训练样本数量的增加而有显著提高，但训练样本达到一定数量后，再增加训练样本数量，计算精度会变得不太稳定，特别是训练样本数量编程480时，计算精度极度不稳定，主要因为测试样本太少导致分类结果随机性较大，因此，需要经过多次试验确定最优的训练样本数量。为分析各个微铣刀磨损特征对分类结果的影响，分别选择峭度t1、偏态t2以及t1和t2进行比较，结果如图11所示。图11表明，使用单个特征的bpnn-pso的分类精度明显低于使用两个特征的模型的计算精度，但计算时间也明显减少。和峭度t1相比，偏态t2与微铣刀磨损具有更大的相关性。当前第1页12当前第1页12