一种基于多特征融合的刀具磨损状态辨识方法与流程

本发明涉及一种基于多特征融合的刀具磨损状态辨识方法，属于机械加工刀具及检测领域。

背景技术：

机械加工制造是制造业的重要组成部分，在批量制造过程中，数控机床是制造过程中的关键装备。数控机床加工过程的核心是利用刀具从加工工件上去除多余材料，形成已加工表面。由于刀具直接参与加工过程，因此刀具的状态与工件质量和生产效率直接相关，所以保证刀具的良好状态是保证产品质量和生产效率的关键。在批量生产过程中大约百分之二十的停车时间是由于刀具磨钝引起的，由于刀具磨钝和更换所产生的经济成本占整个生产成本的5％～10％，采用有效的刀具磨损状态监测技术后，能够将整体停机时间减少百分之七十，将机床利用率提高到百分之五十以上并提高超过百分之二十的切削效率，因此解决刀具磨损状态识别问题意义重大且迫在眉睫。以此同时当前的刀具磨损状态监测技术存在一些缺陷，不能准确的反应出刀具的磨损状态。

技术实现要素：

为解决上述问题，本发明的目的是提供一种基于多特征融合的刀具磨损状态辨识方法，能够准确的辨识出刀具的磨损状态。

本发明的目的是通过如下的手段实现的。

(1)在数控机床工作台夹具及工件上安装kistlertype9272测力仪和1a302e型三向压电式加速度传感器；

(2)通过刀具对工件进行铣削加工操作，获取刀具铣削加工过程中的切削力信号、振动加速度信号以及四种刀具磨损状态(磨损初期、稳定磨损期、急剧磨损期、刀具失效期)；

(3)利用聚合经验模态分解(eemd)对所采集的切削力信号和振动加速度信号来进行分解，获得分解后的信号；采用相关系数法确定各固有模态函数(imf)与原信号的相关系数，根据相关系数的大小确定作为后续特征提取的信号；

(4)对特征提取结果进行分析，确定切削力和振动信号的时域特征、频域特征、近似熵、模糊熵和样本熵特征与刀具的磨损情况之间的关系，根据上述关旭结合切削力和振动信号的时域特征、频域特征、近似熵、模糊熵和样本熵特征的特征量，构造初始联合多特征向量；

(5)利用奇异值分解(svd)对切削力信号和振动加速度信号联合多特征向量进行优化，剔除联合多特征向量中的冗余特征和不相关特征；

(6)以优化后的特征集作为输入，采用基于遗传算法优化的最小二乘支持向量机(ls-svm)刀具磨损状态辨识模型进行辨识，将所述刀具磨损状态进行输出。

与现有技术相比，本发明至少取得了以下有益效果：

(1)针对现有刀具磨损状态监测技术中普遍存在以下问题：一是对于非平稳信号，信号处理提取的特征可靠性不高；二是需要大量的样本数据来保障识别精度，导致刀具磨损状态识别效率低。本发明提出的基于多特征融合的刀具磨损状态辨识方法能够有效提高刀具磨损状态的识别效率。

(2)刀具磨损首先会引起铣削力的变化，因此使用力信号作为监测信号能够实时且真实的反映出刀具磨损状态的变化，并且力传感器的抗干扰能力强，灵敏度高。此外，刀具在铣削加工过程中其刀具旋转是周期性的过程，当刀具的磨损状态发生变化时会形成周期性的振动信号且当刀具磨损引起切削力变化时会造成切削系统不稳定也会产生振动信号，因此振动信号也包含着大量刀具磨损信息。力信号、振动信号属于不同维度的两种信号，其具有一定的互补性，以振动信号和力信号同时作为监测信号，可以有效的避免单一信号反映信息不全面的情况，从而有效的提高模型的识别准确率。此外加速度传感器和力传感器安装较为方便，两种传感器之间并不会互相干涉。而声发射信号衰减快，对生产加工环境要求高，不便于采集。本发明中选择以力信号和振动信号作为监测信号能直观、准确地反映刀具的磨损状态。

(3)利用聚合经验模态分解方法对切削力信号和振动信号进行分解，有效抑制了emd分解中的模态混叠现象。

(4)采用相关系数法求出各imfs与原信号的相关系数，以相关系数大小为依据，确定imfs中最能反映原信号特征的分量，有效去除了分解结果中的虚假成分。

(5)经对特征提取结果进行分析发现，切削力信号和振动信号的时域特征可以较好的反映刀具的磨损情况，而频域特征只能在磨损前期能够很好地表征刀具磨损状态，切削力和振动信号的近似熵、模糊熵和样本熵特征可以很好地表征刀具磨损状态变化。在此基础上，以切削力和振动信号的时域特征、频域特征、近似熵、模糊熵和样本熵特征确定初始联合多特征向量，准确地表征刀具磨损状态。

(6)利用奇异值分解(svd)对联合多特征向量进行优化，剔除联合多特征向量中的冗余特征和不相关特征，提高求解过程的稳定性和效率。

(7)通过遗传算法对刀具磨损状态辨识模型进行优化，提升模型对刀具磨损状态的辨识精度，有效解决其在应用过程中模型参数选择的随机性，避免陷入局部最优。

附图说明：

图1基于多特征融合的刀具磨损状态辨识方法技术路线图

图2y向振动信号eemd分解的imf分量及对应的fft图

图3不同输入信号下的识别结果对比图

图4输入特征对识别结果的影响对比图

图5特征优化对识别结果的影响对比图

图6辨识模型参数优化对识别结果的影响对比图

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图，对本发明实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。

因此，以下对本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的部分实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征和技术方案可以相互组合。

下面结合附图，对本发明的内容作进一步的详述。

目前刀具磨损状态监测技术主要存在两个方面的问题：一是对于非平稳信号，信号处理提取的特征可靠性不高；二是需要大量的样本数据来保障识别精度，导致刀具磨损状态识别效率低。为了能够提高刀具磨损状态的识别效率，提出一种基于多特征融合的刀具磨损状态辨识方法，如图1所示。

搭建铣削加工实验平台，获取刀具铣削加工过程中的切削力信号、加速度振动信号以及刀具磨损状态。

铣削加工过程中，刀具磨损首先会引起铣削力的变化，因此使用力信号作为监测信号能够实时且真实的反映出刀具磨损状态的变化，并且力传感器的抗干扰能力强，灵敏度高。由于刀具在铣削加工过程中其刀具旋转是周期性的过程，当刀具的磨损状态发生变化时会形成周期性的振动信号且当刀具磨损引起切削力变化时会造成切削系统不稳定也会产生振动信号，因此振动信号也包含着大量刀具磨损信息。力信号、振动信号属于不同维度的两种信号，其具有一定的互补性，可以从不同的角度反映出刀具的磨损情况。此外加速度传感器和力传感器安装较为方便，两种传感器之间并不会互相干涉。而声发射信号衰减快，对生产加工环境要求高，不便于采集，因此本发明选择以力信号和振动信号作为监测信号来搭建试验平台。

利用聚合经验模态分解方法对所采集的切削力信号和加速度振动信号进行分解。

理想情况下，每个imf都是一个简单平稳信号，代表原信号中的特征成分之一。但由于受到包络估计函数、白噪声幅值系数、聚合迭代次数等参数选择的影响，分解结果中不可避免地存在虚假成分。为了从imfs中选取出最能反映原信号特征的分量，采用相关系数法求出各imf与原信号的相关系数如下表1所示：

表1.eemd分解后的imfs与原信号的相关系数

结果表明，前6个imf与原信号的相关系数均大于0.1，后面的imfs相关系数均小于0.1。因此，选取eemd分解后的前6个imfs作为后续特征提取的信号。

对分解后的切削力信号和振动信号提取时域特征、频域特征以及近似熵、模糊熵和样本熵三种熵值，然后通奇异值分解(svd)剔除联合多特征向量中的冗余特征和不相关特征，确定新的特征样本集。

表2为本发明所提供的时域分析处理方法表，表3为本发明所提供的频域分析处理方法表。

表2时域特征

表3频域特征

对特征提取结果进行分析，确定切削力和振动信号的时域特征、频域特征、近似熵、模糊熵和样本熵特征与刀具的磨损情况之间的关系，根据分析所得的结果以及切削力和振动信号的时域特征、频域特征、近似熵、模糊熵和样本熵特征的特征量，构造初始联合多特征向量。

在本实施例中，对特征提取结果进行分析发现：

(1)以切削力信号为例观察信号时域特征总体变化规律，切削力y向即进给方向的信号时域特征与刀具磨损有很强的关联性，x向即垂直进给向信号与刀具磨损也有一定的相关性，而z向信号时域特征不能直观的反映出刀具磨损情况仅在刀具磨损后期切削系统稳定性降低时，其会出现一定的波动。

(2)观察频域特征参数随走刀次数的变化情况，其重心频率随着走刀次数的增加呈逐渐减小的趋势；均方频率和频率方差随无明显的趋势，但在磨损中后期其波动较大，这是由于当刀具磨损到一定程度后，切削系统稳定性下降，而频域参数对切削系统稳定性较为敏感因此频域特征会在磨损后期表现出波动较大的特征。虽然频域信号显示出了当到达刀具磨损后期时，其波动会越来越剧烈，但是仅凭这种波动趋势并不能建立准确的刀具磨损表征模型，因此需要进一步对力信号和振动信号进行时频域上的特征提取。

(3)表4为本发明提供的在四种不同磨损状态下三种熵值变化情况，三种熵值随着刀具磨损状态的变化总体上都表现处增大的趋势，这是由于随着刀具磨损状态的变化，导致了切削系统稳定性的降低，最终会使信号的复杂程度提高。因此这三种熵值可以作为表征刀具磨损状态变化的特征量。

表4三种熵变化表

所以综上分析可得：切削力信号和振动信号的时域特征可以较好地反映刀具的磨损情况，而频域特征只能在磨损前期能够很好地表征刀具磨损状态，切削力和振动信号的近似熵、模糊熵和样本熵特征可以很好地表征刀具磨损状态变化。在此基础上，最终得到时域上的特征量有2×3×15＝90个，将这90维特征向量记为ts；频域上特征量有2×3×3＝18个，将这18维特征向量记为th；时频域上的特征共有2×3×3×6＝108个，将这108维特征向量记作tsh；将上述的三个特征向量依次相连，组成初始联合多特征向量记作tcs，则初始联合多特征向量为一个216维的特征向量。

为了剔除联合多特征向量中的冗余特征和不相关特征，提高求解过程的稳定性和效率，本发明利用奇异值分解(svd)对联合多特征向量进行优化。根据降维后重构的新向量的贡献度，选择前十个主元作为新的特征向量来表征刀具磨损状态。

将svd降维后的特向量集作为输入，以所述刀具磨损状态为输出，使用基于遗传算法优化的最小二乘支持向量基刀具磨损状态辨识模型进行辨识。

将降维重构的样本集划分为训练集和测试集；将训练集作为输入，将刀具的磨损状态作为输出，使用基于遗传算法优化的最小二乘支持向量机的刀具状态识别模型进行辨识。

本发明采用rbf核函数建立基于最小二乘支持向量机的刀具状态识别模型，其，该核函数需确定惩罚因子c和核参数g两个参数，通过遗传算法对ls-svm的参数进行优化。

(1)对rbf核函数的惩罚系数c和核参数g进行编码，并产生初始种群；

(2)然后运用训练样本集对ls-svm分类模型进行训练，并用测试样本测试以得到分类结果，计算分类准确率即客观反映个体适应度，得到相应的适应度函数；

(3)进行停止条件判断，若满足则停止计算，得到优化后的最优惩罚系数c和核参数g。若不满足，则继续执行遗传操作并进行下一代遗传。本发明采用的遗传算法相关参数设置如表5所示。

表5遗传算法参数设置

本发明经过50次迭代寻优，寻得模型最优参数c＝53.7，g＝11.14，最终在此参数下使用优化后的ls-svm识别模型并输入测试集数据验证其识别率。

图3是不同输入信号下的识别结果。可以看到仅使用单一信号作为输入时的模型识别率均低于多信号输入的识别率。以振动信号和力信号同时作为监测信号，可以有效的避免单一信号反映信息不全面的情况，从而有效的提高模型的识别准确率。

图4是输入的特征对识别结果的影响。可以看到，采用多特征作为模型输入，模型对刀具各种磨损状态识别率都有一定程度的提升。

图5是特征优化对识别结果的影响。可以看到特征优化后，模型对刀具各种磨损状态识别率有明显的提升。

图6是辨识模型参数优化对识别结果的影响。可以看到经遗传算法优化参数后，模型对刀具各种磨损状态的辨识精度都有不同程度的提升，遗传算法对ls-svm模型参数优化可以有效解决其在应用过程中模型参数选择的随机性，避免陷入局部最优。

本发明提出了一种基于多特征融合的刀具磨损状态辨识方法。首先对原始信号使用聚合经验模态分解(eemd)进行信号分解，然后对分解后的切削力和振动信号分别提取时域、频域和模糊熵、近似熵和样本熵特征信息，然后对提取的特征信息进行融合，再利用svd方法对融合后的特征集进行了优化，随后在最小二乘支持向量机模型的基础上利用遗传算法对其参数进行优化，最后利用试验数据使用优化后的刀具磨损状态识别模型对其进行磨损辨识，验证了多信号融合、特征优化和辨识模型参数优化的有效性。本发明首次提出将切削力信号和振动信号融合作为测试数据，该方法新颖且具有创新性。实验结果也表明，该方法可以对数控机床加工过程中的刀具磨损状况进行高精度的预测，有效提高数控机床的有效使用寿命和加工效率。

以上实施例仅用以说明本发明而并非限制本发明所描述的技术方案，尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明，但本发明不局限于上述具体实施方式，因此任何对本发明进行修改或等同替换；而一切不脱离发明的精神和范围的技术方案及其改进，其均涵盖在本发明的权利要求范围当中。