专利名称：基于条件随机场模型的刀具磨损状态监测方法
技术领域：
本发明涉及一种刀具磨损状态监测方法，尤其涉及一种基于条件随机场(CRF)模型的刀具磨损状态监测方法。
背景技术：
刀具在切削的过程中，由于刀具和エ件长时间的接触磨损以及积屑瘤、操作不当等原因，易造成刀具的磨损，使刀具的几何形状发生变化，降低了エ件加工的精度，不仅浪 费时间，而且増大了加工的成本。随着制造业的发展，切削加工正面临着提高加工质量、缩短加工时间、降低加工成本等方面的挑战，而切削过程中刀具的磨损会直接影响加工质量，降低加工效率，甚至损伤加工エ件和机床，如果靠停机检测，会大大降低生产效率，无法及时改善加工质量，因此这就迫切要求对刀具磨损状态实行在线监测和评估，根据监测结果进行适当的操作。一直以来，很多学者对刀具磨损状态监测进行了大量的研究，并且取得了ー些成果，但都存在ー些不足之处。
发明内容
针对现有技术的ー些不足之处，为了对加工过程中刀具的不同磨损状态做出准确的监测，降低刀具磨损后未能及时换刀引起的损失，本发明提供了一种基于条件随机场(CRF)模型的刀具磨损监测方法，通过建立刀具磨损状态与提取的声发射信号特征之间的CRF模型，对刀具不同磨损阶段的磨损状态进行了准确的识别，从而达到通过产生的声发射信号预测刀具的不同磨损状态的目的。为了解决上述技术问题，本发明基于条件随机场模型的刀具磨损状态监测方法是在刀具进行多次切削过程中，对刀具进行磨损监测，包括以下步骤步骤一、对采集到的切削过程的声发射信号进行预处理首先，去掉刀具刚切入和切出部分的声发射信号，截取切削平稳阶段的声发射信号，然后，对声发射信号进行滤波和小波分解，选取60KHz到200KHz频段的信号进行特征提取；步骤ニ、从声发射信号中提取特征向量，包括提取声发射信号的最大值、偏度、峭度、均方根、熵、方差和峰峰值，从而得到条件随机场模型的训练样本和测试样本；步骤三、分析声发射信号的特征与刀具磨损状态的关系，建立刀具磨损状态监测的条件随机场模型首先，初始化条件随机场模型參数，该条件随机场模型使用线性链式结构，设置模型參数，主要是特征权重參数λ的设置，将特征权重參数λ的初值为零，特征权重參数入的维数取决于训练样本个数和状态数；然后，设置模型训练的收敛精度ε，将训练样本输入初始化后的条件随机场模型进行迭代运算，采用拟牛顿算法计算參数，当梯度小于等于收敛精度ε时，停止迭代；最終，采用最大似然估计求解法，确定训练后的条件随机场特征权重參数λ，从而建立刀具磨损状态监测的条件随机场模型；
步骤四、将由步骤ニ得到的测试样本输入到由步骤三建立的刀具磨损状态监测的条件随机场模型中进行概率计算，得到该测试样本对应的标记序列，从而进行刀具磨损状态的识别，并由刀具磨损状态监测的条件随机场模型输出测试样本所对应的刀具磨损状态的类型，刀具磨损状态的类型包括有I)新刀，磨损量为O;2)初期磨损，磨损量为(O. 05 O. I)mm ;3)正常磨损，磨损量为(O. I O. 5)mm ；4)剧烈磨损，磨损量大于O. 5mm。与现有技术相比，本发明的有益效果是 本发明基于条件随机场(CRF)模型的刀具磨损监测方法是采用CRF建模，采用声发射作为监测信号，具有信号获取容易，响应快和灵敏度高等特点，在刀具在线监测中具有很大优势；CRF模型不需要对识别数据做独立性假设，而在应用HMM吋，首先要假设识别数据是相互独立的。在实际的切削过程中，通常提取的信号的特征向量不是相互独立的，而是有一定的联系的，CRF模型是ー种无向图结构模型，在给定观测序列的条件下，可以建立一个观测序列和标记序列的联合概率模型，直接采用指数分布来估计随机变量序列的概率分布，并且允许状态与观测数据之间存在非局部依赖关系。因此，本发明更适合应用于实际情况。
图I是本发明监测刀具磨损状态条件随机场模型的建模主流程图；图2是本发明中基于条件随机场(CRF)建模的线性链式条件随机场模型；图3是本发明中基于条件随机场(CRF)模型训练曲线；图4-1至图4-4是刀具磨损照片，其中图4-1 是 0th/0mm,图 4-2 是 16th/0. 10mm,图 4-3 是 34th/0. 30mm,图 4-4 是41th/0. 55mm。
具体实施例方式下面结合具体实施方式
对本发明作进ー步详细地描述。如图I所示，本发明基于条件随机场(CRF)模型的刀具磨损状态监测方法，通过采集切削过程中的声发射信号，并对其进行预处理和相关的特征提取，将提取的特征向量作为条件随机场模型的训练样本和测试样本，利用得到的训练样本建立刀具磨损状态监测的条件随机场模型，将测试样本输入建立的模型，输出所对应的磨损状态，对刀具的不同磨损状态进行了准确地检測，达到仅分析切削过程产生的声发射信号就可以预测刀具磨损状态的目的。本发明ー种基于条件随机场模型的刀具磨损状态监测方法，在刀具进行多次切削过程中，对刀具进行磨损监测，包括以下步骤步骤一、对采集到的切削过程的声发射信号进行预处理首先，去掉刀具刚切入和切出部分的声发射信号，截取切削平稳阶段的声发射信号，然后，对声发射信号进行滤波和小波分解，选取60KHz到200KHz频段的信号进行特征提取；
步骤ニ、从声发射信号中提取特征向量，包括提取声发射信号的最大值、偏度、峭度、均方根、熵、方差和峰峰值，从而得到条件随机场模型的训练样本和测试样本；从目标信号中提取用于训练和测试的特征向量，如表I所示。表I提取用于训练和测试的特征向量
权利要求
1.一种基于条件随机场模型的刀具磨损状态监测方法，其特征在于，在刀具进行多次切削过程中，对刀具进行磨损监测，包括以下步骤 步骤一、对采集到的切削过程的声发射信号进行预处理首先，去掉刀具刚切入和切出部分的声发射信号，截取切削平稳阶段的声发射信号，然后，对声发射信号进行滤波和小波分解，选取60KHZ到200KHZ频段的信号进行特征提取； 步骤ニ、从声发射信号中提取特征向量，包括提取声发射信号的最大值、偏度、峭度、均方根、熵、方差和峰峰值，从而得到条件随机场模型的训练样本和测试样本； 步骤三、分析声发射信号的特征与刀具磨损状态的关系，建立刀具磨损状态监测的条件随机场模型 首先，初始化条件随机场模型參数，该条件随机场模型使用线性链式结构，设置模型參数，主要是特征权重參数λ的设置，将特征权重參数λ的初值为零，特征权重參数λ的维数取决于训练样本个数和状态数； 然后，设置模型训练的收敛精度ε，将训练样本输入初始化后的条件随机场模型进行迭代运算，采用拟牛顿算法计算參数，当梯度小于等于收敛精度ε时，停止迭代； 最終，采用最大似然估计求解法，确定训练后的条件随机场特征权重參数λ，从而建立刀具磨损状态监测的条件随机场模型； 步骤四、将由步骤ニ得到的测试样本输入到由步骤三建立的刀具磨损状态监测的条件随机场模型中进行概率计算，得到该测试样本对应的标记序列，从而进行刀具磨损状态的识别，并由刀具磨损状态监测的条件随机场模型输出测试样本所对应的刀具磨损状态的类型，刀具磨损状态的类型包括有 .1)新刀，磨损量为O; .2)初期磨损，磨损量为O.05 O. Imm ； .3)正常磨损，磨损量为O.I O. 5mm ； .4)剧烈磨损，磨损量大于O.5mm。
2.根据权利要求书I所述的基于条件随机场模型的刀具磨损状态监测方法，其特征在于，步骤三中，在给定观测序列的条件下，运用条件随机场模型建立一个观测序列和标记序列的联合概率模型，以提取的声发射信号的特征向量作为观测序列，不同的磨损状态作为标记序列，利用得到的声发射信号的特征向量对条件随机场模型进行參数训练，得到条件随机场模型各个參数的值，从而建立对应不同磨损状态的刀具磨损状态监测的条件随机场模型。
3.根据权利要求2所述的基于条件随机场模型的刀具磨损状态监测方法，其特征在于，在给定观测序列的条件下，运用条件随机场模型建立如下观测序列和标记序列的联合概率模型 条件随机场(X，Y)就是ー个以X为条件的无向图模型，Y倾向于满足最大全局条件概率,即: Y* =argmaxF(>1^)(I) 公式(I)中，P(Ylx)表示全局条件概率，对于输入数据序列X和标记序列Y，条件随机场C的全局特征表示为公式(2)中，X和y分别为输入数据序列X和标记序列Y中的值，i遍历输入序列中的所有位置，f(y, x, i)表示在i位置时各个特征组成的特征向量； 在给定观察序列X的条件下，引入归ー化因子Za (X)，则标记序列Y的条件概率可以得到 公式(3)中，Ρλ (Υ|Χ)表示在引入特征权重參数λ后的全局条件概率；λ为需要估算的特征权重參数，从训练样本数据中估计得到；归一化因子Ζλ (X)如公式(4) 用CRF建立Ρλ (YlX)的概率模型时，要寻求Ρλ (Υ|Χ)的最大化，满足此条件的标记/即为最佳标记，其中Ζλ(Χ)与y是非相关的，因此/通过公式(I)、公式(3)和公式(4)获得，即 ]
4.根据权利要求书3所述的基于条件随机场模型的刀具磨损状态监测方法，其特征在于，步骤三中，对于特征权重參数λ=(λρ λ2... Xt)的估计采用最大似然估计求解，在给定完备的标记磨损训练集= 的条件下，特征权重參数λ可以通过最优化训练集的条件对数似然(Iog-Iikelihood)求解出； 给定训练数据样本集为彳<‘>，, >}| ,，且样本相互独立,对数似然估计的任务是从相互独立的训练数据中估计的值，其中，i表示在λ序列中的位置，进而得到特征权重參数λ的值； 条件概率Ρλ (YlX)的似然函数为 公式￠)中，Xi表示在输入数据序列X中i位置的值，Yi表示在标记序列Y中i位置的值；しひ)可以看成是关于λ的函数，根据公式(3)将公式(6)表示为 由公式(7)对參数λ进行求导，导数为零的点即为最值点，导数公式为公式⑶中，数学 期望卜/Hろ)可以通过前向-后向算法(forward-backwardalgorithm)的变种快速地计算出来。
全文摘要
本发明公开了一种基于条件随机场模型的刀具磨损状态监测方法，通过采集切削过程中的声发射信号，并对其进行预处理和相关的特征提取，将提取的特征向量作为条件随机场模型的训练样本和测试样本，利用得到的训练样本建立刀具磨损状态监测的条件随机场模型，将测试样本输入建立的模型，输出所对应的磨损状态，对刀具的不同磨损状态进行了准确地检测，达到仅分析切削过程产生的声发射信号就可以预测刀具磨损状态的目的。检测的结果表明，该方法能够准确的识别刀具不同磨损阶段的磨损状态，对刀具磨损的在线监测具有很大的现实意义。
文档编号B23Q17/09GK102689230SQ20121014298
公开日2012年9月26日 申请日期2012年5月9日 优先权日2012年5月9日
发明者冯晓亮, 王国锋, 郭志伟 申请人:天津大学