基于局部线性嵌入法的微铣削刀具磨损状态监测方法

1.本发明涉及微铣削刀具磨损监测技术领域，具体涉及基于局部线性嵌入法的微铣削刀具磨损状态监测方法。


背景技术：

2.随着科技的发展，人们对商品精致化的要求越来越高，随着精密、超精密技术的快速发展，特征尺寸在毫米级至微米级的三维微小零件已广泛用于航空航天、国防产业、医疗器械以及生物工程等军事民用重点领域。这一要求带动了精密加工和微铣削加工技术的发展。与大型系统相比，微系统低能耗且便于工艺集成。但是伴随着工件和刀具的尺寸逐步减小，微铣刀的磨损更剧烈，而产生磨损的刀具对于工件表面的粗糙度以及加工工件的精度均会产生影响，严重的甚至造成机床的损伤。由此可知，提出一种行之有效的微铣刀磨损监测方法十分需要。
3.国内外学者对于此问题的研究主要分为直接法和间接法。1)直接法：通过数字图像、视觉等对微铣刀磨损图像进行处理，实现微铣刀的磨损监测；2)间接法：通过对声发射信号、切削力和振动信号进行信号处理，提取相关特征然后进行分类识别，预测刀具磨损。
4.直接法主要借助于高精度的高速相机获取微铣刀磨损图像，并通过数字图像处理技术获取刀具磨损特征，利用相关分类算法进行刀具磨损状态的分类。虽然直接法通过先进的高速相机可以得到刀具磨损的真实状态，精度较高。但是切削过程需要的冷却液以及产生的碎屑不利于相机拍摄。
5.为解决直接法的问题，众多研究人员提出了基于加工过程传感信号的间接法。间接法主要包括传感器选择、信号采集、特征提取和特征分类，其中，刀具磨损监测所用传感信号主要包括切削力、振动、声发射信号。由于振动信号与加工过程的紧密联系及安装方便的特点，本专利选择振动信号用于微铣刀磨损状态监测。


技术实现要素：

6.为解决现有技术中的不足，本发明提供一种基于局部线性嵌入法的微铣削刀具磨损状态监测方法。
7.为了实现上述目标，本发明采用如下技术方案：
8.基于局部线性嵌入法的微铣削刀具磨损状态监测方法，其特征在于：按照以下步骤操作：
9.采集立铣切削过程中的加速度信号：x＝[x(1)，x(2)，
…
，x(n)]，n表示信号长度；
[0010]
将切削状态下的信号进行频域分析，并提取频域信号特征量；
[0011]
将频域特征量进行特征空间化简；
[0012]
通过化简后的特征空间训练神经网络进行分类；
[0013]
通过训练后的神经网络分类不同微铣刀磨损状态特征信号测试数据，得到bp神经网络分类误差以及bp神经网络分类识别精度。
[0014]
作为本发明的一种优选方案，前述的基于局部线性嵌入法的微铣削刀具磨损状态监测方法：频域特征量特征空间化简过程中，利用局部线性嵌入法进行降维约简操作，获得相关性较好的3个频域特征量。
[0015]
作为本发明的一种优选方案，前述的基于局部线性嵌入法的微铣削刀具磨损状态监测方法：设高维数据集x＝{x1，
…
，x
n
}，x
i
∈r
d
，降维后的低维坐标y＝{y1，
…
，y
n
}，y
i
∈r
d
，d＜d，利用局部线性嵌入法进行降维约简操作的步骤如下：
[0016]
将相对于所求样本点距离最近的k个样本点定义为所求样本点的k个近邻点；
[0017]
计算样本点的局部重建权值矩阵w，最小化代价函数ε(w)：
[0018][0019]
式中：w
ij
表示样本点x
i
同近邻点x
j
之间的重构权值。其中满足以下条件：若x
j
是x
i
的近邻点，则否则w
ij
＝0；
[0020]
将所有的样本点映射到低维空间中，映射满足以下条件：将所有的样本点映射到低维空间中，映射满足以下条件：
[0021]
式中：y
i
是x
i
的低维映射矢量；y
j
是x
i
的近邻x
j
的低维映射矢量；满足以及其中i表示n阶单位矩阵。利用拉格朗日法，上述问题可以转化为方程：my＝λy，式中m＝(1
‑
w)
t
(1
‑
w)是一个n
×
n的对称稀疏矩阵。
[0022]
作为本发明的一种优选方案，前述的基于局部线性嵌入法的微铣削刀具磨损状态监测方法：通过化简后的特征空间训练神经网络进行分类的具体方法是：
[0023]
根据刀具磨损信号特点确定bp神经网络的结构为3
‑4‑
4；
[0024]
利用灰狼优化算法初始化bp神经网络权值和阈值；
[0025]
用训练数据训练bp神经网络，在训练过程中根据误差调整网络的权值和阈值；
[0026]
用训练好的bp神经网络分类刀具磨损状态特征信号；
[0027]
根据分类结果分析bp神经网络的分类能力。
[0028]
作为本发明的一种优选方案，前述的基于局部线性嵌入法的微铣削刀具磨损状态监测方法：灰狼优化算法包括以下步骤：
[0029]
灰狼算法参数初始化；
[0030]
初始化灰狼的位置；
[0031]
计算灰狼个体的适应度值；
[0032]
根据适应度值的大小进行排序；
[0033]
根据公式更新灰狼种群的位置；
[0034]
更新参数；
[0035]
判断是否达到最大迭代次数，若满足终止条件输出最优解，否则重新计算灰狼个体的适应度值。
[0036]
作为本发明的一种优选方案，前述的基于局部线性嵌入法的微铣削刀具磨损状态
监测方法：灰狼优化算法中，每只灰狼代表种群一个潜在解，算法模拟了灰狼社会等级，分别为α狼、β狼、δ狼和ω狼，依次代表最优解、优解、次优解和候选解，其中，α、β和δ引导搜索，ω跟随；
[0037]
包围猎物：设狼群数量为n，搜索空间维度为m，则第i头狼的位置定义为x
i，j
＝(x
i，1
，x
i，2
，...，x
i，m
)，i＝1，2，...，n，则包围猎物的定义如下：
[0038]
d＝|c
·
x
p
(t)
‑
x(t)|
[0039]
x(t+1)＝x
p
(t)
‑
a
·
d
[0040]
式中，t为当前迭代次数；a和c为系数向量；x
p
(t)为猎物位置，x(t)为第t代时灰狼的位置，x(t+1)表示灰狼位置更新，d表示灰狼与猎物的距离，向量a和c的计算如下：
[0041]
a＝2a
·
r1‑
a
[0042]
c＝2
·
r2[0043]
a＝2
‑
2(t/(max_t))
[0044]
式中：a是收敛因子，取值[0，2]；max_t是最大迭代次数，r1和r2是[0，1]中的随机数。
[0045]
作为本发明的一种优选方案，前述的基于局部线性嵌入法的微铣削刀具磨损状态监测方法：灰狼优化算法中，狩猎过程中，α狼、β狼和δ狼拥有更多的猎物信息，在每次迭代过程中，保留3个最优解，迫使其他的ω狼根据这3个最优解更新自己的搜索位置，具体如下：
[0046]
d
α
＝|c1·
x
α
‑
x| d
β
＝|c2·
x
β
‑
x| d
δ
＝|c3·
x
δ
‑
x|
ꢀꢀꢀ
(1)
[0047]
x1＝x
α
‑
a1·
d
α x2＝x
β
‑
a2·
d
β x3＝x
δ
‑
a3·
d
δ
ꢀꢀꢀ
(2)
[0048][0049]
式中：a1和c1、a2和c2、a3和c3分别表示α、β、δ的系数向量，x
α
、x
β
、x
δ
分别表示α、β、δ相对猎物的位置向量，d
α
、d
β
、d
δ
分别表示α、β、δ与ω间的方向向量，x1、x2、x3分别为α、β、δ决定ω下一步移动的方向向量。
[0050]
作为本发明的一种优选方案，前述的基于局部线性嵌入法的微铣削刀具磨损状态监测方法：所述频域信号特征量包括总功率普、莱斯频率、频率重心、频率方差、均值频率、波形均值频率、波形稳定因子、变异系数、频域偏态、频域峭度及频域均方根。
[0051]
作为本发明的一种优选方案，前述的基于局部线性嵌入法的微铣削刀具磨损状态监测方法：所述加速度信号包括初始磨损状态、轻度磨损状态、中度磨损状态和重度磨损状态。
[0052]
本发明所达到的有益效果：本发明通过安装在立式铣床的主轴上的加速度传感器采集立铣切削过程中的加速度信号表示为x＝[x(1)，x(2)，
…
，x(n)]，n表示信号长度，其中加速度信号包括初始磨损状态(1000)、轻度磨损状态(0100)、中度磨损状态(0010)和重度磨损状态(0001)共四类。
[0053]
这种基于局部线性嵌入法的微铣削刀具磨损状态监测方法基于gwo
‑
bp神经网络和局部线性嵌入法，首先，提取切削时刻信号的频域特征；然后，对提取出的频域特征进行降维约简操作，将频域特征利用局部线性嵌入法处理得到降维后的3个相关性很强的频域特征量；最后将降维约简后的特征量输入到bp神经网络中进行训练，并对神经网络进行灰
狼优化(gwo)算法优化，依靠神经网络的极强非线性映射能力，使神经网络对不同磨损程度刀具产生的信号进行分类，并能准确判别未知信号所属类别。与常规的微铣削刀具磨损状态监测方法相比，本发明对不同磨损状态的识别效率更快，识别精度更高，可以更早发现刀具的剧烈磨损，防止剧烈的刀具磨损对工件和机床部件造成不可挽回的损伤。
附图说明
[0054]
图1为本发明bp神经网络拓扑结构图；
[0055]
图2为gwo算法流程图；
[0056]
图3为gwo
‑
bp算法优化流程图。
具体实施方式
[0057]
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0058]
如图1至图3所示：本实施例公开了一种基于局部线性嵌入法的微铣削刀具磨损状态监测方法，包括以下步骤：
[0059]
s1、通过安装在立式铣床的主轴上的加速度传感器采集立铣切削过程中的加速度信号表示为x＝[x(1)，x(2)，
…
，x(n)]，n表示信号长度；
[0060]
s2、对切削状态下的信号进行频域分析，提取频域信号特征量：
[0061][0062][0063]
s3、对上述提取的多个频域特征量进行特征空间化简以获得相关性更好且更加简洁的频域特征空间。利用局部线性嵌入法(lle)进行降维约简操作，获得相关性更好的3个频域特征量。局部线性嵌入法是流形学习算法中的一种用局部线性反映全局的非线性的算法，并能够使降维的数据保持原有数据的拓扑结构。这种维数优化并不是仅仅在数量上简单的约简，而是在保持原始数据性质不变的情况下，将高维空间的信号映射到低维空间上。lle算法假设在局部领域内数据点是线性的，所以邻域内任意一点，都可用局部近邻点来线
性表示。lle算法是由重构成本函数最小化求出最优权值，各点的局部邻域权值能够在多尺度变换下仍保持不变。lle算法无迭代计算过程，可使计算复杂度大幅度的减小。设高维数据集x＝{x1，
…
，x
n
}，x
i
∈r
d
，降维后的低维坐标y＝{y1，
…
，y
n
}，y
i
∈r
d
，d＜d。局部线性嵌入法的降维步骤如下：
[0064]
(1)计算每个样本点的k个近邻点。预先给定一个k值，采用knn的策略，把相对于所求样本点距离(欧氏距离)最近的k个样本点规定为所求样本点的k个近邻点。
[0065]
(2)计算样本点的局部重建权值矩阵最小化代价函数ε(w)：
[0066][0067]
式中：w
ij
表示样本点x
i
同近邻点x
j
之间的重构权值。其中满足以下条件：若x
j
是x
i
的近邻点，则否则w
ij
＝0。
[0068]
(3)将所有的样本点映射到低维空间中，映射满足以下条件：
[0069][0070]
式中：y
i
是x
i
的低维映射矢量；y
j
是x
i
的近邻x
j
的低维映射矢量；满足以及其中i表示n阶单位矩阵。利用拉格朗日法，上述问题可以转化为方程：my＝λy，式中m＝(1
‑
w)
t
(1
‑
w)是一个n
×
n的对称稀疏矩阵。即取y为m的最小m个非零特征值所对应的特征向量。
[0071]
在处理过程中，将m的特征值从小到大排列，第一个特征值几乎接近于零，那么舍去第一个特征值。通常取第2到m+1之间的特征值所对应的特征向量组成列向量，作为输出结果，即一个n*m(假设有n个数据点)的数据表达矩阵y。
[0072]
s4、用约简后的特征空间训练神经网络进行分类。根据刀具磨损信号特点确定bp神经网络的结构为3
‑4‑
4，bp神经网络拓扑结构图如图1所示。
[0073]
将局部线性嵌入法降维约简后的刀具四类不同磨损状态特征信号分别用1，2，3，4标识，每组数据的第1维为类别标识，后面维数为刀具磨损特征信号。把四类刀具磨损特征信号合为一组，从中随机选取3100组数据作为训练数据，500组数据作为测试数据，并对训练数据进行归一化处理。根据刀具磨损状态类别标识设定每组刀具磨损状态信号的期望输出值，如标识类为1时，期望输出向量为[1000]。
[0074]
根据刀具磨损状态特征信号特点确定bp神经网络的结构为3
‑4‑
4，利用灰狼优化算法(gwo)初始化bp神经网络权值和阈值。
[0075]
灰狼优化(grey wolf optimizer，gwo)算法是mirialili等人在2014年提出的一种新型群智能优化算法。gwo算法模仿灰狼的领导层次以及通过模拟灰狼寻找、包围和攻击猎物等狩猎机制的过程来完成最优化工作。4种类型的灰狼，如α、β、δ和w被用来模拟领导阶层，分别定义为最优解、优解、次优解和待选解。此外，还实施了寻找猎物，包围猎物和攻击
猎物3个主要捕食步骤。灰狼种群明确的等级制度对于狼群实施高效狩猎有着非常重要的作用。捕猎的过程是由头狼带领完成，该过程为所有灰狼聚集在一起进行搜索、追踪、追逐、逼近猎物，然后灰狼按照一定的指导方式多方向包围猎物，当包围圈足够小并且时机成熟时，狼群距离猎物最近的β狼和δ狼在头狼的命令下发起攻击。在追逐逃跑猎物过程中，其余的狼群个体会及时对追赶猎物的灰狼进行补充，最终实现整个狼群包围圈对猎物的跟踪变换，从而达到对猎物不断实施各个方位的进攻，成功完成对猎物的捕食。
[0076]
在灰狼优化算法中，每只灰狼代表种群一个潜在解。算法模拟了灰狼社会等级，分别为α狼、β狼、δ狼和ω狼，依次代表最优解、优解、次优解和候选解。其中，α、β和δ引导搜索，ω跟随。
[0077]
包围猎物：设狼群数量为n，搜索空间维度为m，则第i头狼的位置定义为x
i，j
＝(x
i，1
，x
i，2
，...，x
i，m
)，i＝1，2，...，n。则包围猎物的定义如下：
[0078]
d＝|c
·
x
p
(t)
‑
x(t)|
[0079]
x(t+1)＝x
p
(t)
‑
a
·
d
[0080]
式中：t为当前迭代次数；a和c为系数向量；x
p
(t)为猎物位置，x(t)为第t代时灰狼的位置，x(t+1)表示灰狼位置更新，d表示灰狼与猎物的距离，向量a和c的计算如下：
[0081]
a＝2a
·
r1‑
a
[0082]
c＝2
·
r2[0083]
a＝2
‑
2(t/(max_t))
[0084]
其中a是收敛因子，取值[0，2]；max_t是最大迭代次数，r1和r2是[0，1]中的随机数。
[0085]
gwo算法中利用|a|＞1的随机值来强迫搜索狼远离猎物，有利于全局搜索；c为猎物提供随机权重，这有助于在整个优化过程中显示更随机的行为，有利于搜索及避免陷入局部最优。
[0086]
狩猎：狩猎过程中，α狼、β狼和δ狼拥有更多的猎物信息，因此每次迭代过程中，保留3个最优解，迫使其他的ω狼根据这3个最优解更新自己的搜索位置，具体如下：
[0087]
d
α
＝|c1·
x
α
‑
x| d
β
＝|c2·
x
β
‑
x| d
δ
＝|c3·
xδ
‑
x|
ꢀꢀꢀ
(1)
[0088]
x1＝x
α
‑
a1·
d
α x2＝x
β
‑
a2·
d
β x3＝x
δ
‑
a3·
d
δ
ꢀꢀꢀ
(2)
[0089][0090]
式中：a1和c1、a2和c2、a3和c3分别表示α、β、δ的系数向量，x
α
、x
β
、x
δ
分别表示α、β、δ相对猎物的位置向量，d
α
、d
β
、d
δ
分别表示α、β、δ与ω间的方向向量，x1、x2、x3分别为α、β、δ决定ω下一步移动的方向向量。
[0091]
式(1)得到灰狼个体与α、β和δ这三狼的距离，式(2)、(3)决定了灰狼个体移动的位置。根据gwo的原理，可以给出灰狼优化算法的流程图如图2所示。
[0092]
灰狼优化算法的标准流程如下：第一步，灰狼算法参数初始化。设置灰狼群的大小n、迭代次数m、搜索空间维度、搜索空间的上下界。第二步，初始化灰狼的位置x
i
。第三步，计算灰狼个体的适应度值。第四步，根据适应度值的大小进行排序，找出排在前三位的个体，定为最优解、优解、次优解。第五步，根据公式更新灰狼种群的位置。第六步，更新计算a、a和c的值。第七步，判断最优解是否满足条件，若满足终止条件输出最优解，否则转向第三步。
[0093]
接下来用训练数据训练bp神经网络，在训练过程中根据误差调整网络的权值和阈
值。用训练好的bp神经网络分类刀具磨损状态特征信号，根据分类结果分析bp神经网络分类能力。整个的gwo
‑
bp算法优化流程图如下图3所示。
[0094]
s5、用训练好的gwo
‑
bp神经网络分类不同微铣刀磨损状态特征信号测试数据，得到bp神经网络分类误差以及bp神经网络分类识别精度。
[0095]
本发明通过安装在立式铣床的主轴上的加速度传感器采集立铣切削过程中的加速度信号表示为x＝[x(1)，x(2)，
…
，x(n)]，n表示信号长度，其中加速度信号包括初始磨损状态(1000)、轻度磨损状态(0100)、中度磨损状态(0010)和重度磨损状态(0001)共四类。这种基于局部线性嵌入法的微铣削刀具磨损状态监测方法基于gwo
‑
bp神经网络和局部线性嵌入法，首先，提取切削时刻信号的频域特征；然后，对提取出的频域特征进行降维约简操作，将频域特征利用局部线性嵌入法处理得到降维后的3个相关性很强的频域特征量；最后将降维约简后的特征量输入到bp神经网络中进行训练，并对神经网络进行灰狼优化(gwo)算法优化，依靠神经网络的极强非线性映射能力，使神经网络对不同磨损程度刀具产生的信号进行分类，并能准确判别未知信号所属类别。与常规的微铣削刀具磨损状态监测方法相比它对不同磨损状态的识别效率更快，识别精度更高，可以更早发现刀具的剧烈磨损，防止剧烈的刀具磨损对工件和机床部件造成不可挽回的损伤。
[0096]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。