基于果蝇优化算法的铣刀磨损状态监测方法
【专利摘要】本发明公开了一种基于果蝇优化算法的铣刀磨损状态监测方法，主要包括以下内容：利用与多通道电荷放大器连接的三相测力仪通过数据采集板采集铣削加工运行中的铣刀铣削力信号；采用Daubechies小波包对采集到的铣刀铣削力信号进行4层小波变换和降噪处理，提取铣削力信号中的6个时域特征和16个能量特征；对提取到的时域特征和能量特征采用果蝇优化算法进行优选；将优选后的特征输入BP神经网络，计算出铣刀的磨损量，判断出铣刀磨损状态。本发明的方法易调节，寻优效果好，适应度强，BP神经网络表现好，可以快速有效地在线提取铣削加工过程的特征。
【专利说明】
基于果蜗优化算法的铁刀磨损状态监测方法
技术领域
[0001] 本发明设及机械切削加工状态监测诊断技术，具体设及一种基于果蛹优化算法的 锐刀磨损状态监测方法。
【背景技术】
[0002] 锐削加工是现代机械制造业的重要加工技术。锐削加工质量如表面粗糖度和加工 尺寸W及精度很大程度上受到刀具磨损状态的影响。锐削加工运行中人们对锐削刀具磨损 状态的判断，通常选取力信号、声音信号和振动信号等加工时的特征信号来判断刀具磨损 状态，作为更换刀具的参考。
[0003] 锐削信号特征的提取，就是从众多时域、频域和时频信号特征中提取对锐刀磨损 量影响最显著的特征。特征提取的目的是使通过传感器采集到的信号更容易被映射到不同 的刀具磨损状态。一般来说，直接通过传感器和数据采集装置获得的反映切削过程状态的 原始数据存在两个方面的问题:一是数据太大，不便于存储和记录;二是原始数据包含的冗 余信息太多，信息中还包括随机噪声，不能有效地反映被监测对象所处的真实状态。因此， 原始信号不能直接用来监测刀具磨损的变化，必须对其进行加工、处理，W达到信号能真实 地反映刀具磨损状态的目的。所W传感器获得的原始信号必须进行特征分析和特征提取。 特征提取的好坏严重影响刀具状态模式识别和加工数据融合，具有重要现实意义，受到国 内外研究人员的高度重视。采用回归分析进行特征提取，其不足的地方是不能对决策变量 和相应的潜在非线性关系准确描述。误差分量之间必须相互独立、正态分布，有常数方差。 因此回归分析法不能进行高精度评估。协同模糊聚类同G-K聚类算法相结合的方法，强调了 不同集合之间的相关性，用相似性特征选择方法进行数据处理。但该方法开发过程基于专 家知识，不适合动态变化的切削过程。遗传算法的算法参数的选择没有通用规则，时间长， 效率低。现有技术的特征选择方法还存在一些不足，需研究新的特征提取的方法，W对切削 过程中的切削刀具磨损状态实时检测，满足切削加工生产实践的需要。
【发明内容】
[0004] 针对现有技术锐刀磨损状态监测方法的技术现状与不足，本发明的目的旨在提供 一种能够准确检测锐削刀具磨损状况的基于果蛹优化算法的锐刀磨损状态的监测方法。
[0005] 本发明的锐刀磨损状态监测方法的基本思想，是利用传感器获取锐削力时域信 号，经过小波变换(Wavelet transform，WT)提取节点信号能量作为时频域特征，利用果蛹 优化算法(huit Fly Optimization Algorithm,F0A)提取最有效特征集，最后将选择的特 征输入BP神经网络对锐刀磨损状态进行监测。
[0006] 本发明提供的基于果蛹优化算法的锐刀磨损状态的监测方法，主要包括W下步 骤：
[0007] (1)采集锐削力信号：利用与多通道电荷放大器连接的Ξ相测力仪通过数据采集 板采集锐削加工运行中的锐刀锐削力信号；
[000引（2)提取时域特征和能量特征:采用化ubechies小波包对步骤（1)采集到的锐刀锐 削力信号进行4层小波变换和降噪处理，提取锐削力信号中的6个时域特征和16个能量特 征；
[0009] (3)时域特征和能量特征优选:对步骤(2)提取到的时域特征和能量特征采用果蛹 优化算法进行优选，选择进一步能准确反映锐刀磨损状态的特征，W降低特征个数，减少BP 神经网络运算量；
[0010] (4)将步骤(3)得到的优选后的特征输入BP神经网络，计算出锐刀的磨损量，判断 出锐刀磨损状态，实现对加工运行中的锐刀磨损状态在线监测。
[00川本发明进一步的技术方案，在采用化ubecMes小波包对步骤（1)采集到的锐刀锐 削力信号进行小波变换和降噪处理之前，优先通过一个低通滤波器滤除掉高频噪声，然后 采用化ubechies小波包对数据进行进一步处理。
[0012] 在本发明的上述技术方案中，优先采用化ubechies小波包系列中的化5小波包对 步骤(1)采集到的锐刀锐削力信号进行4层小波变换和降噪处理。
[0013] 所述6个时域特征分别为锐削力最大值、锐削力最大幅度、锐削力平均力、锐削力 均方根值、锐削力标准方差和锐削力峰值，它们分别通过下述公式计算：
[0014] 锐削力最大值乂山二nif I厂〇..<) I;
[001引锐削力最大幅,投./"^ = |!"^^./'/：)]-|^^^/^'，0^谏示锐床主轴转动的圈数，尸 (j，t)表示在第j圈的t个时间单位的锐削力；
[0016]锐削力平均义
表示第j个力学采样，N是该圈内的总采 样数；
[0017]锐削力均方根值
則1，如表示第1个力学采样；
[001引锐削力标准方差
[0019] 锐削力峰值
，f(i，j)表示从数列F(i，j)中找出的N个峰值，表示 信号的幅度；
[0020] 16个能量特征分别为：
[0021 ]
η = 16,S化（j = 1,2, . . .23;k=l,2, . . . ,η)为重构f曰号罔 散点的赋值。
[0022] 在本发明的上述技术方案中，所述果蛹优化算法为改进的果蛹优化算法，算法包 括W下步骤：
[0023] 步骤1:随机初始化寻优果蛹群体的位置:InitX_axis; InitY_axis;
[0024] 步骤2:定义果蛹个体利用嗅觉捜寻食物的随机方向和距离：
[0025] Xi =X_axis+RandomValue ； Yi =Y_axis+RandomValue ；
[0026] 步骤3:估计果蛹群体与原点之间的距离，再计算出食物味道浓度判断值；
[0027] 步骤4:将味道浓度判定值（S)带入到味道浓度判定函数中：Smelli =化nction (Si);
[0028] 步骤5:找出此果蛹群体中味道浓度最大的果蛹个体：
[0029] [bestSmel化estindex] =max(Smell);
[0030] 步骤6:保留最佳味道浓度值与对应的（x，y)坐标，此时果蛹群体利用视觉向该处 飞去：Smellbest = bestSmell ;X_axis = X(bestindex) ;Y_axis = Y(bestindex);
[0031 ]步骤7:重复执行步骤2到步骤5，若判断味道浓度大于前一次迭代的味道浓度，贝u 执行步骤6;
[0032] 步骤8:根据Fisher准则
里行2次判断，若J(。）>1满足就输出结 果，否则回到步骤2重新选择冲m，uw是位于类m和类η的特征所对应特征。的均值。瑞，巧 是位于类m和类η所对应特征f北勺方差。
[0033] 在本发明的上述技术方案中，所述BP神经网络为Ξ层BP神经网络，将优选特征输 入Ξ层BP神经网络，W刀具磨损量值作为神经元输出，计算出锐刀的磨损量。输出神经元的 传递函数优先采用logsin对数S型，将神经元映射到(0，1)区间内，W满足监测磨损状态的 输出要求。
[0034] 在本发明的上述技术方案中，最好同时采用显微镜放大观察刀片磨损过程并用数 字照相机拍照记录，与BP神经网络判断出锐刀磨损状态比较，评价锐刀磨损状态监测方法。
[0035] 本发明采用的化ubechies小波包技术，能将信号无冗余、无疏漏、正交地分解到独 立的频带内，运些分解频带信号都有一定的能量，每个频带里信号的能量对于状态监测和 故障诊断都是十分有用的信息，提取小波包分解后各频带上的能量信息作为刀具磨损状态 的特征是可行的。
[0036] 果蛹优化算法(F0A)是一种基于果蛹觅食行为推演出的寻找全局优化的新方法。 F0A具有收敛快，算法程序实现性简单的特点。本发明采用改进后的果蛹优化算法有更好的 全局收敛性，能够选择更有效的特征。
[0037] 人工神经网络它特有的容错抗错性能和非线性映射能力，为监测锐削刀具磨损状 态此类问题提供了条件。本发明将经过选择的特征子集输入BP神经网络，输出刀具磨损状 态的磨损量，能够快速准确地判断出刀具磨损的状态。
[0038] 本发明提供基于改进果蛹优化算法的锐刀磨损状态的监测方法，较现有技术具有 W下十分突出的技术效果：
[0039] 1)本发明的方法相对于采用传统果蛹优化算法具有更好的BP神经网络表现，稳定 性更好。
[0040] 2)现有技术的特征提取方法，通常采用启发式或捜索式的方法，本发明的特征提 取方法是一种启发式和捜索式结合的在线特征提取方法，能够得到更好的特征提取效果。
[0041] 3)本发明提供基于改进果蛹优化算法的锐刀磨损状态的监测方法，采取了基于 Fisher判断准则的特征提取方法，在显著减少训练时间的同时也降低了预测误差。
【附图说明】
[0042] 图1是果蛹构造及群体迭代捜索食物示意图。
[0043] 图2-1和图2-2是基于传统F0A的BP神经网络表现图。
[0044] 图3是改进果蛹优化算法流程图。
[0045] 图4-1是刀具初期磨损状态示意图。
[0046] 图4-2是刀具正常磨损状态示意图。
[0047] 图4-3是刀具剧烈磨损状态示意图。
[004引图4-4是刀具失效状态示意图。
[0049] 图5是刀具磨损过程曲线图。
[0050] 图6是特征子集个数和仿真误差关系图。
[0051] 图7-1和图7-2是特征选择前后的BP网络表现比较图。
【具体实施方式】
[0052] 1、实施方式的有关定义
[0053] (1)关于刀具磨损状态的定义
[0054] 每把刀具从新刀至磨损失效为一个刀具磨损过程，附图4-1至附图4-4为实验刀具 在各个阶段的磨损量改变情况的图片，包括初期、正常、急剧磨损、失效4个阶段。后刀面磨 损是刀具磨损主要形式，本发明采用0.5mm作为磨损失效的界限，得出刀具磨损过程曲线， 结果如附图5所示。可W看出，磨损量从0.00到0.10mm为初期磨损阶段，该阶段中磨损量迅 速增加;磨损量从0.10mm到0.40mm为正常磨损阶段，该阶段刀具对磨损的抵抗能力增强，所 W磨损不如第一阶段迅速，磨损量缓慢增加;磨损量从0.40mm到0.50mm为剧烈磨损阶段，该 阶段刀具已经磨损到一定程度，刀具对激震的抵抗降低，磨损量又一次迅速增加，当磨损量 大于0.50mm时，刀具失效。
[0055] (2)关于果蛹优化算法的定义
[0056] 果蛹优化算法(F0A)是一种基于果蛹觅食行为推演出的寻找全局优化的新方法。 果蛹在感官知觉上优于其他物种，尤其在视觉和嗅觉上。果蛹的嗅觉器官很发达，能够很好 的捜集漂浮在空气中的各种气味，通过气味获得食物源的方向，飞近食物后，利用其敏锐的 视觉发现食物W及同伴聚集的位置，并且向该方向飞去。F0A具有收敛快，算法程序实现性 简单的特点。附图1是果蛹优化算法原理图。传统F0A算法结构简单导致寻优精度不高，易陷 入局部最优。附图2反映了基于传统果蛹优化算法BP神经网络表现，B巧巾经网络的仿真误差 的收敛过程表现出极大的不稳定性，极大干扰刀具磨损状态的模式识别过程。
[0化7] (3)Fishe;r筛选的定义
[005引Fisher线性鉴别分析是特征提取最有效的方法之一，Fisher判别能够最大限度地 缩小同类各个样本之间的差异，又能最大限度扩大不同类各个样本之间的差异，W获得较 高判别效率。Fisher准则公式由下式给出：
[0化9]
[0060]式中，巧为类间散布矩阵，巧为类内散布矩阵。设r为η维原特征空间，χη为原特征 空间r中的模式矢量，Jn(xn)反映了最优分类鉴别矢量的分类能力。由于在原特征空间r中 增加一相关特征构成新的特征空间RD"后，Jn(Xn)=Jn+l(Xn")，因此在原特征集中增加或者 删除相关特征不影响特征集的分类能力。
[0061 ]本方法将训练样本分为类1和类k，用Fisher方法建立如下评价指标：
[0062] 假定全部特征集为{fj I j = l，2, . . .}，按照某个函数形式J的大小对所有特征进行 排序：
[0063] J(fzi)〉J(fz2)〉...〉J(fzM)
[0064] 所选特征应尽可能区分出刀具过度磨损后与较少磨损时的情况。因此按Fisher标 准定义如下评价指标：
[00 化]
[0066] 式中，叫，U北是对于所有落于类巧日类k的变量所对应特征。的均值，而鸣，巧代表 类1和类k上变量对应特征的方差。如果定义类1和类k为锐刀完好和过度磨损的状态，则J (。）的大小反应了特征区分运两种状态的能力。J(。)越大，说明特征区分过度磨损或者 其他失效形式的能力越强。
[0067] 2、改进果蛹优化算法模型
[0068] 改进果蛹优化算法步骤如下：
[0069] 步骤1:随机初始化果蛹群体的位置:InitX_axis; InitY_axis;
[0070] 步骤2:定义果蛹个体利用嗅觉捜寻食物的随机方向和距离：
[0071 ] Xi =X_axis+RandomValue ； Yi =Y_axis+RandomValue ；
[0072] 步骤3:由于事先无法得知食物的位置，因此需要先估计与原点之间的距离 (Dist)，再计算出味道浓度判断值；
[0073] 步骤4:将味道浓度判定值（S)带入到味道浓度判定函数中：Smelli =化nction (Si);
[0074] 步骤5:找出此果蛹群体中味道浓度最大的果蛹个体：
[0075] [bestSmel化estindex] =max(Smell);
[0076] 步骤6:保留最佳味道浓度值与对应的（x，y)坐标，此时果蛹群体利用视觉向该处 飞去：
[0077] Smellbest = bestSmell ；X_axis=X(bestindex) ；Y_axis = Y(bestindex)；
[0078] 步骤7:进入迭代寻优阶段，重复执行步骤2到步骤5，若判断味道浓度大于前一次 迭代的味道浓度，则执行步骤6。
[0079] 对所有特征按式（2)计算出Fisher指标，然后对其排序，取具有较大J(。）的一组 特征作为识别刀具状态的特征集合，反复试验得出，若满足就输出结果，否则回到 步骤2重新选择。附图3是改进果蛹优化算法流程图。
[0080] 3、实施过程
[0081] 锐削力信号直接来源于锐削加工，和刀具磨损密切相关。而且力信号稳定、可靠， 反应快、灵敏度高。而且锐削力信号中的特征易于提取，便于在线实时监测。本发明选取锐 削力信号作为特征提取对象及磨损状态判断的依据。数据采集是在Makino CNC锐床上进行 的，刀具型号为EGD4440R，刀片材料是A30N。加工工件ASSAB71細H(206mmx43mmxl06mm)。 Kistler 9257ΒΞ相测力仪用于提取锐削力信号，显微镜和松下数字照相机采集刀具磨损 状况的照片。特征选择在windows、64位操作系统下利用MTLAB R2013a版本进行实验。处理 器主频为2.7G化，内存8GB。切削条件为：主轴转速：600巧m; 80化pm; 100化pm; 120化pm进给 量：lOOmm/min; 150mm/min;200mm/min;300mm/min切削深度：1mm
[0082] 用Ξ相测力仪提取6个时域特征，包括锐削力最大值(XI)、锐削力最大幅度(X2)、锐 肖IJ力均值化）、锐削力均方根值他)、锐削力标准方差化）、锐削力峰值陆）。
[0083] 采用化ubechies小波包系列的化5波包对锐削力进行4层分析。采集信号首先通过 一个低通滤波器W滤除掉高频噪声，然后使用小波包分解，对数据进一步处理。通过本方 法，每一个节点都可W得到一个能量特征1^1;，则全部4层分解之后可W得到16个能量特征。 对6个时域特征和16个能量特征共22个特征进行选择。
[0084] 设初始22个特征系数初始为1，用改进的F0A模型进行系数优化。初始果蛹群体个 数为22,迭代次数为100。根据果蛹优化算法理论，味道浓度最大的果蛹个体往相同方向移 动，表现为向量系数产生优化，即模式识别性强的特征进行了聚集，聚集后用参数k(0，l)作 为标准对系数进行归一。舍去参数趋近0的即模式识别性弱的特征，即完成了一次特征选 择。对所有特征计算出Fisher指标，然后对其排序，取具有较大J(。）的一组特征作为识别 刀具状态的特征集合，反复试验得出，若满足就输出结果，否则回到步骤2重新选 择。附图6为选择结果和仿真误差的关系，经过选择的特征的仿真误差相对于未选择基本得 到减少，在维数较低的时候也能取得良好的仿真效果。
[0085] 改进的果蛹优化算法是随机捜索方法在每次特征选择之后的结果个数都会存在 差异，但都效果良好，经测试都可用于刀具磨损状态判断。表1是特征选择的结果。
[0086] 表1特征选择结果
[0087]
[008引
[0089] 可见，基于Fisher的果蛹优化算法的特征选择方法有良好的表现，在显著减少训 练时间的同时也降低了预测误差，在维数降到10个W下时，训练速度提高显著。发明人针对 实际训练结果，采用误差最小的4个优选特征子集祐^1〇心14山7)。附图7-1、7-2是优选特 征集的BP神经网络表现。
[0090] BP神经网络监测刀具磨损状态
[0091] 用Ξ层BP神经网络模型来检验该方法的特征选择效果。首先，对数据进行归一化 处理。BP网络输入为经过选择的锐削力特征，维数为4,输出神经元表现刀具磨损量值，由 Kolmogorov定理，隐层神经元采用2N+1个。双曲线正切S型（sigmoid)函数是可微函数，很适 合于利用BP算法训练神经网络。输出神经元传递函数采用logsin对数S型（sigmoid),将神 经元映射到(0，1)区间内，正好满足磨损状态的输出要求。
[0092] 将改进的果蛹优化算法应用在锐削力特征选择中，优选之后的特征输入BP神经网 络可W有效对刀具磨损状态进行监测。实验结论如下：
[0093] (1)改进果蛹优化算法参数少，易调节，寻优精度好，训练快；
[0094] (2)基于Fisher判别准则的果蛹优化算法可W得到良好的BP神经网络训练表现， 显著降低特征维度的同时具有较短的运算时间和较低的仿真误差；
[00%] (3)改进果蛹优化算法可用于锐削加工过程的在线特征提取，效果好，具有实际意 义。
【主权项】
1. 一种基于果蛹优化算法的锐刀磨损状态监测方法，其特征在于包括W下步骤： (1) 采集锐削力信号：利用与多通道电荷放大器连接的Ξ相测力仪通过数据采集板采 集锐削加工运行中的锐刀锐削力信号； (2) 提取时域特征和能量特征:采用化ubecMes小波包对步骤（1)采集到的锐刀锐削力 信号进行4层小波变换和降噪处理，提取锐削力信号中的6个时域特征和16个能量特征； (3) 时域特征和能量特征优选:对步骤(2)提取到的时域特征和能量特征采用果蛹优化 算法进行优选，选择进一步能准确反映锐刀磨损状态的特征，W降低特征个数，减少BP神经 网络运算量； (4) 将步骤(3)得到的优选后的特征输入BP神经网络，计算出锐刀的磨损量，判断出锐 刀磨损状态，实现对锐刀加工运行在线磨损状态的监测。2. 如权利要求1所述基于果蛹优化算法的锐刀磨损状态监测方法，其特征在于，在采用 化ubecMes小波包对步骤（1)采集到的锐刀锐削力信号进行小波变换和降噪处理之前，先 通过一个低通滤波器W滤除掉高频噪声，然后采用化ubecMes小波包对数据进行进一步处 理。3. 如权利要求2所述基于果蛹优化算法的锐刀磨损状态监测方法，其特征在于采用 化ubechies小波包系列中的化5小波包对步骤（1)采集到的锐刀锐削力信号进行4层小波变 换和降噪处理。4. 如权利要求3所述基于果蛹优化算法的锐刀磨损状态监测方法，其特征在于，6个时 域特征分别为： 锐削力最大值锐削力最大幅运'j表示锐床主轴转动的圈数，F(j，t) 表示在第j圈的t个时间单位的锐削力； 锐削力平均义g示第j个力学采样，N是该圈内的总采样数； 锐削力均方根值F(i，j)表示第i个力学采样； 锐削力标准方差锐削力峰值）表示从数列F( i，j)中找出的N个峰值，表示信号 的幅度；16个能量特征分别为：η = 16,S化（j = 1,2, . . .23;k=l,2,. . . ,η)为重构f曰号罔散点 的赋值。5. 如权利要求1至4之一所述基于果蛹优化算法的锐刀磨损状态监测方法，其特征在 于，所述果蛹优化算法为改进果蛹优化算法，包括W下步骤： 步骤1:随机初始化寻优果蛹群体的位置:InitX_axis; InitY_axis; 步骤2:定义果蛹个体利用嗅觉捜寻食物的随机方向和距离： Xi =X_axis+RandomValue ； Yi =Y_axis+RandomValue ； 步骤3:估计果蛹群体与原点之间的距离，再计算出食物味道浓度判断值； 步骤4:将味道浓度判定值(5)带入到味道浓度判定函数中：51116111=化]1(31:;[〇]1(5;〇; 步骤5:找出此果蛹群体中味道浓度最大的果蛹个体： [bestSmelIbestindex] =max(Smell)； 步骤6:保留最佳味道浓度值与对应的(x，y)坐标，此时果蛹群体利用视觉向该处飞去： Smellbest = bestSmell ；X_axis = X(bestindex) ；Y_axis = Y(bestindex)； 步骤7:重复执行步骤2到步骤5，若判断味道浓度大于前一次迭代的味道浓度，则执行 步骤6; 步骤8:根据Fisher准贝里行2次判断，若J(。）> 1满足就输出结果，否 则回到步骤2重新选择，ujm，uw是位于类m和类η的特征所对应特征。的均值，&，帮是位 于类m和类η所对应特征f北勺方差。6. 如权利要求1至4之一所述基于果蛹优化算法的锐刀磨损状态监测方法，其特征在 于，将优选特征输入Ξ层BP神经网络，W刀具磨损量值作为神经元输出，计算出锐刀的磨损 量。7. 如权利要求6所述基于果蛹优化算法的锐刀磨损状态监测方法，其特征在于，输出神 经元的传递函数采用logsin对数S型，将神经元映射到(0，1)区间内，W满足监测磨损状态 的输出要求。8. 如权利要求1至4之一所述基于果蛹优化算法的锐刀磨损状态监测方法，其特征在 于，用显微镜放大观察刀片磨损过程并用数字照相机拍照记录，与BP神经网络判断出锐刀 磨损状态比较，评价锐刀磨损状态监测方法。
【文档编号】B23Q17/09GK105834834SQ201610255972
【公开日】2016年8月10日
【申请日】2016年4月21日
【发明人】王玫, 袁敏
【申请人】四川大学