一种基于信息融合及支持向量机的刀具状态在线监测方法与流程

本发明属于数控机床刀具状态监测相关技术领域，更具体地，涉及一种基于信息融合及支持向量机的刀具状态在线监测方法。

背景技术

工业大背景下，人、机器、信息三类要素的联系更加紧密，这三者组成的智能制造装备和智能制造系统在生产应用中也发挥着越来越重要的作用，智能制造装备是衡量一个国家工业水平的主要标志。据统计，机械加工中有70％以上是切削加工，而刀具是切削加工中的重要资源，同时也影响生产加工的质量和效率。有效合理地利用刀具能极大地降低设备故障停机时间，减少生产成本。有研究表明，企业在cnc机床中加入刀具状态监测系统之后，可减少5％的故障停机时间，节省了30％的生产成本。如果能在加工过程中，通过传感器采集到的加工信息在线监测并识别刀具状态、智能诊断刀具的故障，做出对应决策，实现7×24小时加工，将智能制造水平提升到新的高度。

在监测刀具状态时，根据工作场合会采用多种传感器来监测刀具的使用状况，现有的方法通常是利用某种传感器信号的某种特征参数来表示刀具的磨损状态，监测的准确性受限于某一传感器的精度，监测稳定性较差，不能有效地实现刀具状态的监测。相应地，本领域存在着发展一种稳定性较好的刀具状态在线监测方法的技术需求。

技术实现要素：

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于信息融合及支持向量机的刀具状态在线监测方法，其基于现有的刀具状态监测特点，研究及设计了一种基于信息融合及支持向量机的刀具状态在线监测方法。所述监测方法融合了多种传感器信号的有效信息，且利用粒子群优化的支持向量机在线识别出刀具的磨损状态，实现了对刀具状态的稳定在线监测，且提高了监测准确性及灵活性，监测不再受限于某一个传感器信号。

为实现上述目的，本发明提供了一种基于信息融合及支持向量机的刀具状态在线监测方法，该监测方法包括以下步骤：

s1，采集数控机床刀具的多种传感器信号，接着分别提取每一种传感器信号在时域、频域及时频域上的特征参数，并对提取到的特征参数做归一化处理；

s2，分别将经归一化处理后的特征参数与刀具磨损的测量值做皮尔逊相关分析以对特征参数进行筛选，并采用自组织映射方法将筛选出来的特征参数融合为表示刀具磨损信息的健康指数；

s3，基于步骤s2得到的健康指数来对支持向量机识别模型进行训练，并将实时采集的信号进行处理以得到健康指数，进而将此健康指数输入到训练好的所述支持向量机识别模型中，以实现刀具磨损状态的在线监测。

进一步地，所述传感器信号包括振动信号、电流信号、声发射信号及切削力信号。

进一步地，步骤s1中还包括对所述传感器信号进行预处理，以去除空值及奇异值的步骤。

进一步地，提取的传感器信号在时域的特征参数包括均值、均方差、方根幅值、均方根、最大值、偏斜度、均方根频率、频率方差及频率标准差。

进一步地，提取传感器信号在时域的特征参数时采用自适应噪声的完备经验模态分解方法。

进一步地，提取的传感器信号在时域的特征参数包括重心频率、均方频率、均方根频率、频率方差及频率标准差。

进一步地，在频域上提取特征参数时，将振动信号通过离散傅里叶变换以得到功率谱；其中，所述重心频率、所述均方频率及所述均方根频率表示功率谱的主频带位置的变化情况，所述频率方差及所述频率标准差表示谱能量的离散程度。

进一步地，采用公式(17)对提取到的特征参数做归一化处理，公式(17)为：

式中，x为输入值；y为归一化输出值；minvalue为最小值；maxvalue为最大值。

进一步地，对特征参数进行筛选时，将皮尔逊相关分析得到的皮尔逊相关系数大于0.8的特征参数保留下来，以代表刀具的有效磨损信息。

进一步地，对支持向量机识别模型进行训练时，采用粒子群优化算法对支持向量机识别模型中的惩罚因子c和径向函数半径σ进行优化，以使得分类效果最优。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，本发明提供的基于信息融合及支持向量机的刀具状态在线监测方法主要具有以下有益效果：

1.采集数控机床刀具的多种传感器信号，接着分别提取每一种传感器信号在时域、频域及时频域上的特征参数，并对提取到的特征参数做归一化处理，基于多种传感器信号来实现对刀具磨损状态的监测，提高了灵活性及监测准确性。

2.采用自组织映射方法将筛选出来的特征参数融合为表示刀具磨损信息的健康指数，如此可以有效提高监测的稳定性。

3.基于得到的健康指数来对支持向量机识别模型进行训练，进而将实时信号对应的健康指数输入到训练好的所述支持向量机识别模型中，以实现刀具磨损状态的实时在线监测，提高了监测准确性及时效性，为刀具的有效合理应用提供了数据支持。

4.对支持向量机识别模型进行训练时，采用粒子群优化算法对支持向量机识别模型中的惩罚因子c和径向函数半径σ进行优化，以使得分类效果最优，进而提高状态识别的准确性。

5.对特征参数进行筛选时，将皮尔逊相关分析得到的皮尔逊相关系数大于0.8的特征参数保留下来，以代表刀具的有效磨损信息，提高了刀具状态识别的效率，确保了刀具状态识别的准确率。

附图说明

图1是本发明提供的基于信息融合及支持向量机的刀具状态在线监测方法的流程示意图。

图2是图1中的基于信息融合及支持向量机的刀具状态在线监测方法的流程框图。

图3是图1中的基于信息融合及支持向量机的刀具状态在线监测方法涉及的时域特征提取的流程示意图。

图4是图1中的基于信息融合及支持向量机的刀具状态在线监测方法涉及的特征融合后的健康指数moe与刀具磨损vb的对比图。

图5中的(a)、(b)、(c)及(d)图分别是采用图1中的基于信息融合及支持向量机的刀具状态在线监测方法获得的两个不同工况下的训练组及测试组的结果图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

请参阅图1及图2，本发明提供的基于信息融合及支持向量机的刀具状态在线监测方法主要包括以下步骤：

s1，采集数控机床刀具的多种传感器信号，接着分别提取每一种传感器信号在时域、频域及时频域上的特征参数，并对提取到的特征参数做归一化处理。

具体地，采集数控机床刀具的多种监测传感器信号，并对所述传感器信号进行预处理，所述预处理包括去空值及去奇异值。本实施方式中，采集的传感器信号包括振动信号、电流信号、声发射信号及切削力信号。其中，去奇异值依据拉依达准则，采用公式(1)进行：

式中，xi为传感器信号数据；μ为信号数据的平均值；σ为信号数据的标准差。

请参阅图3，接着，对每一种传感器信号分别在时域、频域及时频域上提取特征参数，并将提取后的所有特征参数做归一化处理。本实施方式中，在时域提取的特征参数包括均值、均方差、方根幅值、均方根、最大值、偏斜度、均方根频率、频率方差及频率标准差；在时域提取特征参数时采用基于自适应噪声的完备经验模态分解方法(ceemdan)，提取的时域特征为模态函数的能量值。

其中，(1)均值mv(meanvalue)：

(2)均方差mse(meansquareerror)：

(3)方根幅值smr(squaremeanroot)：

(4)均方根rms(rootmeansquare)：

(5)最大值ma(maximumabsolutevalue)：

ma＝max|x(n)|(6)

(6)偏斜度sf(skewnessfactor)：

(7)峭度kf(kurtosisfactor)：

(8)峰值因子cf(crestfactor)：

(9)裕度因子mf(marginfactor)：

式中，x(n)为信号数据；n为数据总数。

在频域上提取特征时，将振动信号通过离散傅里叶变换得到功率谱，提取以下五个特征参数作为频域特征。

(1)重心频率fc，重心频率fc采用公式(11)进行计算：

(2)均方频率msf，所述均方频率msf采用公式(12)进行计算：

(3)均方根频率rmsf，所述均方根频率rmsf采用公式(13)进行计算：

(4)频率方差vf，所述频率方差vf采用公式(14)进行计算：

(5)频率标准差rvf，所述频率标准差rvf采用公式(15)进行计算：

其中，s(f)为振动信号的功率谱，其中重心频率、均方频率及均方根频率能够描述功率谱的主频带位置的变化情况，而频率方差、频率标准差可以描述谱能量的离散程度。

时域特征提取时，定义算子ej(·)表示通过emd分解获得的第j个模态分量，wi为满足n(0,1)的白噪声；提取imf函数求得能量值，作为时频域特征，计算公式为：

其中，imfk为ceemdan提取的第k个模态函数分量。

本实施方式中，采用线性函数转化方法来进行归一化处理，采用公式(17)进行，公式(17)为：

式中，x为输入值；y为归一化输出值；minvalue为最小值；maxvalue为最大值。

s2，分别将经归一化处理后的特征参数与刀具磨损的测量值做皮尔逊相关分析以对特征参数进行筛选，并采用生长的自组织映射方法将筛选出来的特征参数融合为表示刀具磨损信息的健康指数。

具体地，将提取的特征参数与刀具磨损vb做皮尔逊相关分析以得到皮尔逊相关系数，采用公式(18)来计算皮尔逊相关系数，所述公式(18)为：

式中，x为特征参数；vb为刀具磨损的测量值；cov为协方差计算。

得到皮尔逊相关系数后，将皮尔逊相关系数大于0.8的特征参数保留下来，以代表刀具的有效磨损信息。

接着，采用gsom方法将保留下来的特征参数进行信息融合，gsom方法能够根据输入的特征参数自适应的得到映射的神经元结构。选择使用刀具在新刀时监测数据来训练得到一个gsom模型，然后将在线监测到的数据与gsom中所有神经元做比较以得到偏差值，偏差值mqe用来表示刀具的健康指数，其计算公式为：

mqe＝||x-ωbmu||(19)

式中，x为在线监测得到的特征参数集；ωbmu为与x距离最近的神经单元的权值向量。

采用gsom方法得到的健康指数mqe与实际刀具磨损测量值vb进行对比的结果见图4，可以看出健康指数能够较好地反映刀具实际磨损的变化情况。

s3，基于步骤s2得到的健康指数来对支持向量机识别模型进行训练，并将实时采集的信号进行处理以得到健康指数，进而将此健康指数输入到训练好的所述支持向量机识别模型中，以实现刀具磨损状态的在线监测。

具体地，将计算得到的健康指数用支持向量机识别模型来进行识别，同时将刀具磨损状态按照磨损程度分为新刀状态、磨损状态、磨钝状态三种，并将健康指数对应到这三种状态等级中，训练时采用粒子群优化算法对支持向量机识别模型中的惩罚因子c和径向函数半径σ进行优化，使得svm的分类效果最优。其中，选取种群粒子数为30，最大迭代次数为200，惯性权值wk＝1，学习因子c1＝c2＝2，将适应度函数定义为svm分类的准确率，训练完成后得到在线监测模型，即训练好的支持向量机识别模型。

在线监测刀具磨损状态时，将实时采集的信号通过同样的处理方式来得到健康指数，并将得到的此健康指数输入到训练好的支持向量机识别模型中，以实现刀具磨损状态的在线识别监测。

请参阅图5，采用本发明提供的基于信息融合及支持向量机的刀具状态在线监测方法对两种工况下的各两组刀具的磨损状态分别进行了训练及在线监测，(a)图和(b)图表示同一工况下的两组监测数据，其中(a)图对应训练组，(b)图对应测试组；(c)图和(d)图表示另外一种工况下的数据，(c)图对应训练组，(d)图对应测试组；自图中可以看出本发明提供的在线监测方法的识别准确率较高，可以达到100％，且在不同工况下都能有效地在线监测刀具状态，体现了准确性及稳定性。

此外，采用两种不同采集信息融合的方法进行对比以对本发明提供的基于信息融合及支持向量机的刀具状态在线监测方法进行验证。其中，这两种方法只对某一个特征参数进行识别，对比结果如表1所示，可以看到本发明提供的方法对每一组数据得到的准确率都较高，由此表明本方法的稳定性更好，优于其他两种方法。

表1准确率对比结果

本发明提供的基于信息融合及支持向量机的刀具状态在线监测方法，所述刀具状态在线监测方法结合了信息融合及支持向量机识别模型，同时对多种传感器信号进行处理，进而基于处理结果来对支持向量机进行训练，实时监测时，将实时监测的信号进行处理以得到健康指数，由此将健康指数输入到支持向量机识别模型以实现刀具状态的实时在线监测，状态识别准确率可以达到100％，且具有较好的稳定性。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。