一种基于机器学习的刀具磨损状态监测方法与流程

本发明属于铣床的附件和辅助装置技术领域，尤其涉及一种基于机器学习的刀具磨损状态监测方法。

背景技术：

目前，业内常用的现有技术是这样的：

目前刀具状态监测主要是以光学监测为代表的直接监测法和以切削物理量监测为代表的间接监测法。直接法是通过光学、同位素等监测方法，来测量切削过程中刀具形状的改变或者质量的减少，并通过图像处理或数学模型来监测刀具状态。直接法主要用于刀具离线监测，主要方法有光学法、接触法和机器视觉处理等。直接法监测效果精确度高，直观有效，但由于机械加工环境复杂、使用切削液等问题限制，目前还主要用于试验室中研究。间接法则是通过传感器装置对切削过程中的与刀具磨损有关的信号连续监控，通过切削物理量变化来间接反映出刀具磨损程度。间接法的技术实现比较容易，能够实现在线监测，对获得磨损信息的处理与磨损特征的提取成为影响监测准确性的关键因素。切削数据是衡量切削技术水平高低的一个基本量值，传统切削数据库只能存储切削数据，而无法对数据进行分析和挖掘。

综上所述，现有技术存在的问题是：

目前间接监测技术还存在监测物理量较为单一，数据融合水平较差，预测模型智能化水平低，预测精度不足等问题。切削数据库存在功能单一、智能化水平低等问题，切削数据不能有效利用。

解决上述技术问题的难度和意义：

难度：寻找合适的数据处理算法，提取合适的特征量，来建立刀具磨损神经网络模型，通过粒子群算法优化模型来得到精确的预测结果。

意义：

将智能切削数据库系统与刀具状态监测技术有效的结合起来，将切削现场采集的物理信号及时存入切削数据库中，通过合适的算法进行数据处理和特征提取，对比所有提取特征和经过选择后的部分特征识别精度；通过神经网络对刀具磨损量进行回归分析，建立刀具磨损监测的神经网络模型，准确预测刀具实时的磨损情况，可即时在线对切削状态进行监控和反馈，及时换刀保证切削质量，节约切削成本。

技术实现要素：

针对现有技术存在的问题，本发明提供了一种基于机器学习的刀具磨损状态监测方法。提出通过监测切削过程中的物理信号，如力信号、振动信号，用机器学习智能算法建立快速精确有效的刀具磨损在线实时预测模型，可实现刀具磨损的在线监测与控制。

本发明是这样实现的，一种基于机器学习的刀具磨损状态监测方法，所述基于机器学习的刀具磨损状态监测方法将切削力和振动信号作为刀具状态监测信息，通过信号处理算法(时域、频域、小波包分解)和特征选择算法(多特征融合)，对比了所有提取特征和经过选择后的部分特征识别精度；通过神经网络对刀具磨损量进行了回归分析，建立了刀具磨损神经网络监测模型，并用粒子群优化算法提高了神经网络性能及表现。该预测模型可通过切削状态物理参数，有效地对刀具磨损进行预测，预测精度满足工程实际要求。

进一步，所述基于机器学习的刀具磨损状态监测方法包括以下步骤：

(1)采集切削过程中的切削力与振动信号，通过时域和频域分析、小波包分解进行特征提取，并对部分特征与刀具磨损关系进行分析；

(2)比较三向切削力和两向振动所提取特征建立神经网络的识别精度；

(3)对比所有提取特征和经过选择后的部分特征识别精度；

(4)通过神经网络对刀具磨损量进行回归分析，建立刀具磨损监测模型，并采用粒子群优化算法提高神经网络性能及表现。

进一步，所述刀具磨损神经网络模型包括：输入层、隐含层和输出层；

输入层节点数等于训练样本的特征属性个数；

输出层节点数等于所想得到的状态个数，将铣刀磨损阶段分为三类，即输出层节点数为3，分别为0～100um、100～200um和大于200um；设定为[1,0,0]、[0,1,0]、[0,0,1]，三个磨损状态分别对应矩阵的三列的值；

隐层节点数，隐含层节点数。

进一步，所述神经网络的刀具磨损监测方法为：随机产生初始粒子群，用每一个粒子当前位置的各个分量，作为bp网络的权值，组成一个bp神经网络；然后通过样本集训练所构建bp神经网络网络，计算均方误差以及每个粒子的适应度值；最后依据适应度值最大原则，评价粒子群中的所有个体，并从中找到最佳粒子，将当代最佳粒子的适应度与已进行代数所有适应度比较，确定当前个体极值pbest和全局极值gbest，再根据粒子群算法，计算每个粒子的飞行速度，从而产生新的粒子，如此循环，直到适应度值达到要求，或者达到最大迭代次数。

进一步，所述刀具的磨损状态信号处理与特征提取方法具体包括：将信号序列x(n)，n＝0,1,…,n-1分成互不重叠的p个小段，每小段有m个采样值，加窗平均周期图采用信号重叠分段、加窗函数计算一个信号序列的自功率谱估计和两个信号序列的互功率谱估计。

进一步，所述小波包频带能量特征提取具体包括：

小设正交尺度函数和小波函数分别为φ(t)，其二尺度关系为：

其中hk、gk为滤波器系数，定义滤波器h(ω)、g(ω)：

为将分解前后频率联系起来，按递推定义函数簇：

本发明的另一目的在于提供一种应用所述基于机器学习的刀具磨损状态监测方法的机床刀具。

综上所述，本发明的优点及积极效果为：

本发明围绕涂层硬质合金刀具对难加工材料30crmnmore的刀具磨损实验，将切削力和振动信号作为刀具状态监测信息，多特征融合的刀具磨损状态监测与预测方法，实现铣削加工刀具状态的有效监测，同时为切削数据库提供基础数据来源及监测预测模块，丰富切削数据库的功能和智能化水平。本发明开展刀具磨损实验，采集切削过程中的切削力与振动信号，通过时域和频域分析、小波包分解等进行特征提取，其中切削力共提取61个特征，振动提取40个特征，并对部分特征与刀具磨损关系进行分析；比较三向切削力和两向振动所提取特征建立神经网络的识别精度，结果显示，不论是切削力还是振动信号，进行特征融合后识别精度更高，且进给方向提取特征相比其他方向有更高的识别精度；采用相关性选择法进行特征降维和选择，将相关性值(x,y)大于0.85的特征归为一类，重新整理归纳出新的特征簇，可以提高分类的准确性和系统鲁棒性，对刀具监测系统有重要作用；通过神经网络对刀具磨损量进行回归分析，建立了刀具磨损神经网络监测模型，并采用粒子群提高了准确率。将45组测试数据的预测值与测量值的差值作为监测模型的误差，计算可得pso-bp神经网络特征选择后、选择前以及bp神经网络的平均误差分别为0.012373mm、0.021278mm和0.01809mm，总误差与总测量值比值分别为7.3％、13.6％和11.2％，且不会出现状态误判。

附图说明

图1是本发明实施例提供的基于机器学习的刀具磨损状态监测方法流程图。

图2是本发明实施提供的后刀面磨损区域图。

图3是本发明实施提供的刀具磨损形貌图。

图4是本发明实施提供的刀具磨损变化曲线图。

图5是本发明实施提供的切削力时域特征示意图。

图6是本发明实施提供的振动原始信号图。

图7是本发明实施提供的振动时域特征图。

图8是本发明实施提供的平均周期图法功率谱估计示意图。

图9是本发明实施提供的切削力功率谱图。

图10是本发明实施提供的振动功率谱图。

图11是本发明实施提供的三层小波包分解示意图。

图12是本发明实施提供的三层小波包分解图。

图13是本发明实施提供的频带能量变化图图。

图14是本发明实施提供的特征相关性比较图。

图15是本发明实施提供的神经网络流程图。

图16是本发明实施提供的识别准确度比较图。

图17是本发明实施提供的误差下降曲线图。

图18是本发明实施提供的粒子群优化bp神经网络流程。

图19是本发明实施提供的粒子群优化适应度变化图。

图20是本发明实施提供的回归曲线对比图。

图21是本发明实施提供的刀具磨损量识别结果。

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。

本发明围绕涂层硬质合金刀具对难加工材料30crmnmore的刀具磨损实验，将切削力和振动信号作为刀具状态监测信息，多特征融合的刀具磨损状态监测与预测方法，实现铣削加工刀具状态的有效监测同时为切削数据库提供基础数据来源及监测预测模块。

如图1所示，本发明实施例提供的基于机器学习的刀具磨损状态监测方法包括以下步骤：

s101：开展刀具磨损实验，采集切削过程中的切削力与振动信号，通过时域和频域分析、小波包分解等进行特征提取，并对部分特征与刀具磨损关系进行分析；

s102：比较三向切削力和两向振动所提取特征建立神经网络的识别精度；

s103：对比所有提取特征和经过选择后的部分特征识别精度；

s104：通过神经网络对刀具磨损量进行回归分析，建立刀具磨损监测模型，并采用粒子群优化算法提高神经网络性能及表现。

神经网络为：

bp神经网络是由rumelhart和mccelland为首的科学小组于1986年提出，是一种按误差逆传播算法训练的多层前馈网络。其不需要事前揭示描述关系的数学方程,就能够学习和存储大量的输入输出模式的映射关系。bp神经网络的拓扑结构包括一个输入层、一个输出层和多个隐含层网络结构，且每层的网络均有多个神经元，各个相邻的神经元之间以权值的方式相连。bp神经网络由正向传播和反向传播两个步骤构成，正向传播是数据从输入层输入，经过隐含层的运算与处理，形成输出的过程，计算输出与真实训练输出的误差，调整阈值与权值，重新输入减小误差，构成反向传播的过程。其具体实现流程如图16所示。

对于三层bp网络，只要隐含层有足够神经元，即可逼近任意非线性连续函数。

bp神经网络模型结构设计包含对输入层、隐含层和输出层的设计。

(1)输入层设计

输入层节点数等于训练样本的特征属性个数，本发明即为所提取的特征个数。

(2)输出层设计

输出层节点数等于所想得到的状态个数，本发明将铣刀磨损阶段分为三类，即输出层节点数为3，分别为0～100um、100～200um和大于200um。将其设定为[1,0,0]、[0,1,0]、[0,0,1]，三个磨损状态分别对应矩阵的三列的值。

(3)隐含层设计

隐层节点数选择是bp神经网络中影响计算精度的重要环节之一，一般需进行反复试验，确定最合适的隐含层节点数。

学习因子设定为0.1，期望误差0.000001，取训练步数为1000，用测试集的均方误差衡量网络的精度。输出矩阵中，以与该状态对应的设定矩阵列最接近为准，判断其磨损阶段的类别，若判断类别与该测试集所属类别相同，则为正确，否则，分类错误。最终所有正确组别占总测试集个数的百分比定义为测试准确度。

神经网络的刀具磨损监测模型为：

分类能够较准确地识别刀具磨损所处的阶段，但很多时候需要知道更准确的刀具磨损值的大小，因此本节分别以粒子群优化前后的bp神经网络实现对刀具磨损的预测。粒子群优化算法(pso)是一种进化计算技术(evolutionarycomputation)，1995年由eberhart博士和kennedy博士提出，源于对鸟群捕食的行为研究。该算法最初是受到飞鸟集群活动的规律性启发，进而利用群体智能建立的一个简化模型。系统初始化为一组随机解，通过迭代搜寻最优值，目前主要应用于函数优化、神经网络训练、模糊系统控制等领域。

将pso优化算法应用于神经网络的基本流程为：首先随机产生初始粒子群，用每一个粒子当前位置的各个分量，作为bp网络的权值，组成一个bp神经网络；然后通过样本集训练所构建bp神经网络网络，计算均方误差以及每个粒子的适应度值；最后依据适应度值最大原则，评价粒子群中的所有个体，并从中找到最佳粒子，将当代最佳粒子的适应度与已进行代数所有适应度比较，确定当前个体极值pbest(粒子本身找到的最优解)和全局极值gbest(整个种群目前找到的最优解)，再根据粒子群算法，计算每个粒子的飞行速度，从而产生新的粒子，如此循环，直到适应度值达到要求，或者达到最大迭代次数。算法结束后，就能够构建一个可用于预测的pso-bp神经网络，其具体流程如图19所示。

下面结合试验对本发明的应用效果作详细的描述。

1、试验条件

试验工件材料30crmnmore是一种耐热高强度特种钢，具有极高的高温综合力学性能，且具有良好的机械性能，属于典型的难加工材料，因此切削加工中常出现刀具耐用度低、刀具磨破损严重等现象。试件材料加入微量元素re，加入后有明显脱硫效果，可改善钢的性能。其主要化学成分和机械性能分别如表1、表2所示：

表130crmnmore主要化学成分

刀具状态监测信号选择的基本原则是要求釆集信号能灵敏地反映刀具磨损量的变化且所用传感器应安装方便，尽量不干涉切削过程。试验选用压电式测力仪kistler9257b和加速度传感器inv9822分别对切削力和工件振动进行采集。本发明以铣刀为监测对象，基于上述原则和教研室的实验条件，在dmg五轴加工中心上进行切削实验，试验传感器装置安装位置及数据采集图所示。

2、试验设计

本试验中，影响监测信号的因子有工件参数、刀具参数、切削参数和刀具磨损量等。为形成监测方法并验证其在不同加工条件下的可靠性，选取刀具参数和切削三要素作为变量进行刀具磨损试验，切削方式选用直线顺铣、干式切削。试验选xomx090308tr-m08和shrs4bm08020两种刀具进行实验，模型通过第1、3、4组试验建立，并选择1、2、5组部分切削数据用于验证。具体刀具信息和所选用的切削参数如表3所示。

表3刀具及加工参数

按照选取的刀具及参数开展切削试验，通过多传感器系统采集监测信号。切削过程中，前刀面和后刀面不断与切屑和工件发生接触，接触区有很高的温度和压力，因此刀具前刀面和后刀面会出现月牙洼磨损和后刀面磨损，图2为典型后刀面磨损示意图，刀尖c区散热较差，磨损大，中间区域磨损较为均匀，常以此处平均磨损宽度vb来表示后刀面磨损，刀具磨损是刀具失效主要形式。

在每隔一定时间后，使用kenyence显微镜对刀具后刀面平均带的vb值进行观测，直至其平均磨损量到达0.25mm，认为刀具失效。图3为试验时刀具的磨损形貌，其中图3(a)为刀具出现剥落时的前刀面，图3(b)和3(c)为刀片铣削时后刀面磨损图，靠近刀尖磨损大，选择平均磨损带进行测量，图4为整体式立铣刀后刀面磨损图，其呈现三角磨损带，选取磨损带的1/2处作为观测点衡量后刀面磨损。试验刀具从新刀至刀具失效的刀具磨损随时间变化曲线如图4所示。

3、刀具磨损状态信号处理与特征提取

3.1时域特征分析及提取

时域信号能准确、直观地反映切削过程各个瞬间信号的变化情况，其是多种监测指标中较为稳定、可靠的，也是目前最为成熟的方法之一。

有量纲时域参数能够直观反映切削信号的时域统计特性，如均值、方差、均方根值等，这类特征直接由切削数据获得，算法较为简单，易于实时在线处理，且对刀具状态改变尤为敏感。将以第3组铣刀试验为例研究刀具磨损对时域特征参数的影响。

(1)切削力

随着刀具磨损，切削力相关统计值均发生变化，图5为切削合力以及三方向切削力均方根值随刀具磨损量的变化曲线，两条竖线为磨损100um、200um处，即被竖线所分开的三段可视为初期、稳定及剧烈磨损期。随着刀具磨损，切削合力变化明显，尤其在刀具接近磨钝时，切削力合力急剧增大。均方根值又称为平均功率，能够表征信号强度，在刀具接近失效时，均方根值也有较明显增大。

(2)振动

图6为进给和间歇进给方向振动原始信号，呈现周期为0.0375s的周期性变化，与刀具转动周期一致。刀具处于正常切削状态时振动较为平稳，无颤振情况发生。图7两个图分别为振动进给方向和间歇进给方向均方根值和最大值、最小值随切削时间变化曲线，随着刀具磨损，振动均方根值呈稳定增长趋势，最大值和最小值的绝对值对切削状态变化辨识度不大，但在刀具接近失效时，均方根值急剧变化，表明了该特征可用于辨识刀具磨钝时刻。

在综合比较多种时域指标后，选择各方向的最大值、最小值、均值、均方根、方差、协方差、偏度指标和峰值因子这8个指标作为切削信号的时域特征表征量。

3.2频域特征分析及提取

刀具磨损除反映在采集信号的时序上，状态的改变还会引起信号频率结构的变化。因此将时域信号变换至频域进行分析也是特征提取的重要步骤之一，该过程即为频域分析。周期为n的周期图法功率谱密度公式，由于周期图法是将离散信号按序列进行傅里叶变换求功率谱密度的方法，不可避免存在泄露或误差，因此本发明采用加窗平均周期图法(psd-welch)加以改进。

将信号序列x(n)，n＝0,1,…,n-1分成互不重叠的p个小段，每小段有m个采样值，加窗平均周期图采用信号重叠分段、加窗函数等计算一个信号序列的自功率谱估计(psd)和两个信号序列的互功率谱估计(csd)，进一步减少泄露。周期图法功率谱本质是对信号序列“截断”或加窗处理，其功率谱估计为信号序列真实谱和窗谱的卷积。对第一组试验进给方向切削力做psd-welch法功率谱估计，结果如图8所示，加窗后谱峰变宽，噪声谱部分比较平坦，无明显泄露。

图9和图10是不同刀具磨损时切削力和振动的功率谱估计结果。图9(a)和图9(b)为刀具磨损为50um、100um、150um和200um时进给方向和间歇进给方向切削力功率谱估计，其主要集中于100hz～200hz频段内，随着刀具磨损增加，相比于间歇进给方向，进给方向功率谱重心向高频转变的趋势更为明显，高频成分增加。

刀具磨损分别为40um、150um和220um时进给方向振动功率谱估计如图10(a)、10(b)和10(c)所示，当刀具处于初期磨损阶段时，信号功率谱集中于200hz400hz内，随着磨损的增加，刀具切削性能的下降，功率谱峰值增大，也即频段能量上升，且高频成分明显增加，噪音成分也增多。分析表明刀具磨损状态的变化会影响切削力和振动功率谱分布，因此根据功率谱估计获取信号频域特征对识别刀具状态是有效的。

对信号进行频谱分析后，需获取频域特征参数。选择功率谱的频段能量、重心频率、频率方差以及均方频率进行计算，并将其作为频域上的特征集。

3.3小波包频带能量特征提取

传统加工过程监控多是对时域、频域等信号进行处理分析，由于不能兼顾时域和频域的变化而使其无法对切削加工等非平稳性信号进行有效分析，时频分析是目前应用较为广泛的时频分析方法之一。最早的时频分析是gabor变换及由其进一步发展而实现的短时傅里叶变换(stft)，现包括wigner时频分析、小波包变换和希尔伯特-黄变换等越来越多的方法被用来监测刀具状态。

小波包变换是小波变换的延伸，其可提供比小波变换更高分辨率的高低频分析，本发明小波包频带能量特征提取思路是将信号无泄漏的分解到所需频带范围内，寻找其与刀具磨损状态变化的联系，实现刀具状态有效监测。

设正交尺度函数和小波函数分别为φ(t)，其二尺度关系为：

其中hk、gk为滤波器系数，定义滤波器h(ω)、g(ω)：

为将分解前后频率联系起来，按递推定义函数簇：

按照式3对信号分别进行低频和高频分解，图11为三层小波包分解示意图。小波包分解提取频带能量特征首先应需确定分解次数，用fs表示信号采样频率，n表示分解次数，则每个小波包频率宽度为：

f＝fs/2ⁿ⁺¹(4)

式4表明，分解次数越多，分辨率越高，最终得到的频带特征也就越多。对切削力和振动频谱分析可知，当分辨率小于200hz时能反映频谱分布和刀具磨损情况，本发明采样频率分别为10000hz和10240hz，因此对相关信号进行5层小波包分解，此时频带宽度在156hz到160hz之间。

基于信号低频幅值高、对称性好等特点，选择15阶消失矩对信号进行五层小波包分解，对第1次切削进给方向切削力三层小波包分解如图12所示，其频带能量集中在8频带的前两个频带内，因此在五层小波包分解后，频带能量集中于前8个频带，而余下24频带(也即是大于3000hz频率成分)则当做噪声去除，因此选择小波包前8频带能量作为小波包分解特征集。第3组试验进给方向切削力小波包分解后前4个频带能量随切削时间变化曲线如图13所示，表明随着刀具磨损，与切削相关物理信号频带能量在相应变化，两者呈现正相关关系，特别是在刀具由稳定磨损过度到剧烈磨损时期(12min)，第2、3、4频带能量出现急剧上升。

3.4基于相关性的特征选择

通过时域、频域及小波包分解提取各向切削力和振动特征，包括8个时域参数、4个频域参数及8个小波频带能量参数，因此共选择了个切削统计特征。为了后文算法部分叙述容易，按表4和5分别对x方向(进给方向)切削力特征指标以及所有特征指标进行编号。

表4加工条件及x方向切削力特征指标编号

表5所有特征指标编号

然而并不是所有的特征值都能反映刀具切削状态，将亢余信息用于判断刀具状态不仅增加计算量，还会影响算法准确性，干扰磨损识别，因此，特征选择对于刀具状态监测十分重要。特征选择指的是从已知特征集内选择一个使评价结果最优的子集特征选择来降低特征空间维数，减少不相关特征，使算法更高效、准确。

根据特征选择方法与学习算法的关系，特征选择算法可分为过滤法、封装法和嵌入法。过滤法独立于学习算法，由所描述数据的一般特性启发来评价特征子集，优点是运算简单，易于实现，缺点在于忽略了与学习算法的联系，代表模型有相关性特征选择法、距离特征法等。封装法则将学习模型的建立和特征子集的搜索结合起来，将学习算法得到的特征子集性能作为子集评价标准，然后再根据评价结果对学习算法进行修正，不断循环至获得理想结果，其优点在于结合了算法，准确性高，缺点则是计算量大，收敛较慢，代表方法有序列前向搜索、序列后向搜索、遗传算法及模拟退火方法等。

本发明将特征选择与算法独立，采用基于相关性的特征选择方法。该特征选择方法类似于聚类分析，以两两特征之间相关性进行分簇，最大化簇内的相似性而最小化簇间相似性，再依据与目标特征之间相关性强弱从簇内选出具有代表性的特征，经过相关性分析后将留下的特征共同组合成最终的特征子集的方法。

表6特征选择结果

计算得到1至101号特征两两之间相关性以及这些特征与刀具磨损的相关性，图14(a)为部分特征相关性(1至5号与6至10号)，图14(b)则是进给方向切削力和振动特征与刀具磨损相关性示意图。计算得到上述相关性值后将两两之间相关性值(x,y)大于0.85的特征归为一类，重新整理归纳出新的特征簇，然后根据与刀具磨损相关性绝对值大小选取合适特征，本发明将其分为<0.4、0.4<<0.7、>0.7三类，选取特征比例分别为1/10、1/5、1/3。最终的特征簇与所选特征如表6所示，共选择了25个特征。

4、基于bp神经网络对磨损状态识别

4.1切削力及振动特征下刀具磨损状态识别

按上述参数建立bp神经网络，不同信号来源、不同物理特征对于刀具磨损的辨识度不同，本发明选取第1、3、4组共计120次切削采集数据作为切削特征输入组，第1、2、5组每组各15次切削采集数据作为测试组。

图15是本发明实施提供的神经网络流程图。

图16(a)为以1～20、21～40、41～60、1～61号特征指标作为输入层以及隐含层分别为15、30、41和60时bp神经网络得到的识别精度结果，即对比了三个方向切削力以及三向力综合特征在不同隐含层时与刀具磨损的识别度。以切削力信号特征为输入特征集的磨损分类精度范围在60％～80％之间，在隐含层为60时三向综合特征准确度较高，其次为15层，对比各方向准确率，进给方向的准确率最高，这是由于进给抗力大，与刀具磨损最为相关所导致。沿主轴方向准确率最低，即轴向力对刀具磨损辨识度较低，而三向综合特征表现优于任一单独方向，表明在融合了各方向特征后所表现的的特征与刀具磨损更为相关，验证了特征融合的必要性。

同理，以振动特征参数为特征集研究其在不同隐含层时刀具磨损识别准确度，图16(b)为以62～81、82～101、62～101号特征指标作为输入层以及隐含层分别为15、30、41和60建立神经网络识别精度结果，以振动特征参数为输入特征集的磨损分类精度在80％～90％之间，准确率比切削力更高，说明在铣削时，振动稳定性更好，其所携带信息更能反映刀具磨损情况。此外，进给方向和间歇进给方向综合精度比单一方向精度高。

4.2基于特征选择的刀具磨损状态识别

尽管振动特征作为输入层的刀具磨损识别度能到80％左右，但还是不能达到应用要求。下文将对比输入特征分别为由所有特征构成的特征集和由特征选取出的特征构成的特征集的识别精度。

将101个特征和25个特征分别做为输入层，以7、15、30、45作为隐含层数训练bp神经网络，图17为以特征选择后的25个特征作为输入层，不同隐含层时的误差(mseperformance)下降曲线，表7所示为特征选择前后识别准确度对比，单独来看，隐含层节点数为7层时的计算时间最短，收敛最快，但表现也较差，主要是由于特征量多而所选隐含层太少导致无法拟合所导致的，且隐含层数越大，收敛速度越慢，计算时间也越长。当隐含层数到15层时，表现已趋于稳定。对比两不同输入特征集，相比于107个特征的输入特征集，25个的收敛更快，计算用时更短，且最终的表现(最终的均方差值)更好，准确率更高。

表7特征选择前后识别准确度比较

4.3基于pso-bp神经网络的刀具磨损监测模型

分类能够较准确地识别刀具磨损所处的阶段，但很多时候需要知道更准确的刀具磨损值的大小，因此分别以粒子群优化前后的bp神经网络实现对刀具磨损的预测。粒子群优化算法(pso)是一种进化计算技术(evolutionarycomputation)，1995年由eberhart博士和kennedy博士提出，源于对鸟群捕食的行为研究。该算法最初是受到飞鸟集群活动的规律性启发，进而利用群体智能建立的一个简化模型。系统初始化为一组随机解，通过迭代搜寻最优值，目前主要应用于函数优化、神经网络训练、模糊系统控制等领域。

将pso优化算法应用于神经网络的基本流程为：首先随机产生初始粒子群，用每一个粒子当前位置的各个分量，作为bp网络的权值，组成一个bp神经网络；然后通过样本集训练所构建bp神经网络网络，计算均方误差以及每个粒子的适应度值；最后依据适应度值最大原则，评价粒子群中的所有个体，并从中找到最佳粒子，将当代最佳粒子的适应度与已进行代数所有适应度比较，确定当前个体极值pbest(粒子本身找到的最优解)和全局极值gbest(整个种群目前找到的最优解)，再根据粒子群算法，计算每个粒子的飞行速度，从而产生新的粒子，如此循环，直到适应度值达到要求，或者达到最大迭代次数。算法结束后，就能够构建一个可用于预测的pso-bp神经网络，其具体流程如图18所示。

按上述步骤分别建立以选择前后特征集为输入特征的pso-bp神经网络，将迭代次数设为100，种群数为50，c1＝c2＝2，得到特征选择前后粒子群的适应度变化曲线如图19所示，迭代开始时，有较少特征集的适应度较低，完整特征集的适应度开始下降更快，但其在11步迭代完成即不再下降，而较少特征集的粒子群适应度最终表现更好。

根据上述设定条件，分别以25和101个特征作为输入层，建立隐含层为30的bp和pso-bp神经网络，以对应组的磨损量作为输出层而不是状态矩阵，其他参数与建立bp神经网络参数相同，特征选择前后的pso-bp神经网络回归拟合分别如图20(a)和图20(b)所示，而特征选择后bp的其回归拟合如图20(c)所示，比较三者，特征选择前均方误差值较大，表明其拟合不够，bp神经网络回归曲线表现很好，但出现过拟合，导致验证值较大，根据曲线可以判断其预测误差会较大。将45组测试数据的预测值与测量值的差值作为监测模型的误差，计算可得pso-bp神经网络特征选择后、选择前以及bp神经网络的平均误差分别为0.012373mm、0.021278mm和0.01809mm，总误差与总测量值比值分别为7.3％、13.6％和11.2％，且不会出现状态误判，图21为以第3组磨损试验为例的磨损量识别结果。

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。