CN105834835A - 一种基于多尺度主元分析的刀具磨损在线监测方法 - Google Patents

Abstract

本发明公开一种基于多尺度主元分析的刀具磨损在线监测方法，将原始数据集分为训练样本和测试样本，通过小波分解将训练样本分解成多个尺度，利用主元分析对各个尺度及整体进行降维处理构建模型；将测试样本依据训练样本的层数进行小波分解，将各尺度下的数据加载到相应尺度的主元模型上计算出各尺度下数据的SPE和T²统计量；对显著尺度上的信号利用小波重构方法组成一个新的测试样本，加载到整体主元模型上，通过计算SPE和T²统计量并判断是否超出控制限，如果超出则说明过程刀具磨损异常，否则为刀具磨损正常，从而监测处刀具的磨损状态。本发明提高了加工过程中刀具磨损的在线识别的准确率，特别是对难加工材料存在复杂非线性信号的具有强的适应性。

Description

一种基于多尺度主元分析的刀具磨损在线监测方法

技术领域

本发明涉及一种机床刀具的状态监测与辨识技术领域，特别是涉及。

背景技术

目前，刀具磨损状态监测方法主要是基于传感器信号建立信号特征与刀具磨损状态之间关系模型，并利用模式识别技术间接监测刀具磨损状态的方法。但是这种方法的缺点是信号中噪声较多、信息量大、计算困难以及磨损模型难建立等。虽然支持向量机(SVM)、人工神经网络(ANN)以及隐马尔科夫模型(HMM)等模式识别方法在刀具磨损状态监测中取得了很好的应用效果，但是还存在着很多缺点，尤其是在难加工材料加工过程的刀具磨损状态监测中。首先，这些方法需要有大量包含多种磨损状态的实验数据来训练模型，这就意味着一种切削参数下的实验要进行很多次。对于普通材料来说，这样的实验是可行的；但是，在难加工材料加工过程中，难加工材料不但材料昂贵，而且加工费时费力，刀具极易发生磨损，我们很难获得所有刀具磨损状态下的数据。更重要的是，刀具磨损状态是多种多样的，由于训练样本以及模型的复杂性，建模过程是非常耗时的。这一点显然是无法满足实际加工的在线监测需要。因此提供精确可靠的刀具状态监测系统是解决此类加工难题行之有效的方法之一。

发明内容

针对目前刀具状态监测的不足，本发明提出了一种基于多尺度主元分析的刀具磨损状态监测方法，以主元分析(PCA)为基础结合小波分析的多尺度主元分析(MSPCA)实现刀具状态的在线监测。

本发明提出了一种基于多尺度主元分析(MSPCA)的刀具磨损状态监测方法基于多尺度主元分析的刀具磨损在线监测方法，该方法包括以下步骤：

步骤一，获取在线监测时间内，刀具加工运行的原始信号数据；包括加工过程中刀具对工件两个侧面和顶面的三个方向的切削力信号数据和振动信号数据，将所述原始信号数据构成样本集；

步骤二，通过对上述采集的原始信号数据进行滤波降噪、提取时域和频域12个特征参数，将样本集分为训练样本集和测试样本集；

步骤三，通过小波分解将训练样本集分解成多个尺度，小波分解后，得到一个近似矩阵AL和L个细节矩阵，AL为目标层的尺度函数系数组成的向量，L个细节矩阵为每一层产生的小波函数系数组成的向量；

步骤四，利用主元分析对多个尺度下的所述训练样本集的数据分别进行建模，构建整体主元模型以及计算相应的SPE值及控制限和T²统计量及控制限；

步骤五，步骤五，将测试样本依据训练样本的层数进行小波分解，将各分解尺度下的数据加载到相应尺度的主元模型上计算出各尺度下数据的SPE和T²统计量：

在i时刻，SPE统计量表示为：

${\mathrm{SPE}}_i=X_i(I-P_k{P}_k^T)X_i^T$

其中，X_i为i时刻测得的数据，I为单位矩阵，P_k为主元模型的负荷矩阵；

在i时刻，T²统计量以及控制限表示为：

$T_i^2=X_i{P}_k{O}^{-1}{P}_k^T{X}_i^T$

其中，O为前k个主元的特征值组成的对角矩阵，X_i为i时刻测得的数据，P_k为主元模型的负荷矩阵；

判断显著尺度，舍弃非显著尺度；

步骤六，将显著尺度上的信号利用小波重构方法组成一个新的测试样本；

步骤七，所述新的测试样本将加载到整体主元模型上，计算SPE控制限和T2统计量，并判断是否超出相应控制图的控制限

SPE控制限表示为：

${\mathrm{SPE}}_{\mathrm{\α}}={\mathrm{\θ}}_1{\[\frac{C_{\mathrm{\α}}\sqrt{2{\mathrm{\θ}}_2{h}^2}}{{\mathrm{\θ}}_1}+1+\frac{{\mathrm{\θ}}_{2}h(h-1)}{{\mathrm{\θ}}_1^2}\]}^{\frac{1}{h}}$

其中，λ为前k个主元的特征值组成的对角矩阵，k是主元个数，m是变量个数，C_α是正态分布在假设检验水平为α下的临界值；

T²控制限表示为：

$T_{\mathrm{\α}}=\frac{k(m-1)(m+1)}{m(m-k)}{F}_{k,m-k,\mathrm{\α}}$

其中，k为主元个数，m为变量个数，F_k,m-k,α为对应于检验水平为α、自由度为k、n-1条件下的F分布临界值；

如果超出，则说明过程刀具磨损异常；否则，说明过程刀具磨损正常。

所述步骤二中的12个特征参数包括6个时域特征指标即包括均值、均方根、峰峰值、方差、峭度、偏度和6个频域特征指标即功率谱和、功率谱均值、功率谱峰值、功率谱方差、功率谱峭度、功率谱偏度。

所述步骤四的利用主元分析对多个尺度下的所述训练样本集的数据分别进行建模的步骤，具体包括以下处理：

获取正常刀具加工过中的信号数据；

对训练样本集X′进行标准化处理；

将训练样本集中数据X进行协方差矩阵分解，数据X表示为：

X＝SP^T

其中：S＝[s₁,s₂,s₃,…,s_m]称为得分矩阵，顺序按向量的模的大小排列，提取的是前后数据间的相互关系。P＝[p₁,p₂,p₃,…,p_m]称为负荷矩阵，反映了变量间的相互关系；

计算各主元贡献率，依序将主元的贡献率累加，达到阈值后，确定主元个数。

与现有技术相比，本发明充分考虑到刀具磨损多尺度、非线性信号，依据难加工材料刀具磨损的特点，通过对预处理和提取特征之后的数据进行小波分解，分解到多个尺度上，克服了主元分析只适合于单尺度主元分析的缺点；再利用主元分析降低各尺度数据的维数，有效减小变量间的相关性，减少模型计算量。通过主元模型及相应的SPE值及控制限和T²统计量及控制限，可以准确的识别刀具磨损处于正常或异常的状态；提高了加工过程中刀具磨损的在线识别的准确率，特别是对难加工材料存在复杂非线性信号的具有强的适应性，对刀具磨损识别具有重要意义，在提高加工表面质量也具有重要意义。

附图说明

图1为本发明的一种基于多尺度主元分析的刀具磨损在线监测方法流程图；

图2为本发明的一种基于多尺度主元分析的刀具磨损在线监测方法的多尺度主元分析示意图；

图3为本发明一种基于多尺度主元分析的刀具磨损在线监测方法的多离散小波分解示意图。

具体实施方式

本发明与其他模式识别方法不同，它不需要训练样本包含多种刀具磨损状态下的数据，只是利用刀具正常切削时的信号进行建模。其次，本发明利用离散小波分解从多个尺度上监测了刀具磨损状态是否发生，十分适合处理加工过程中多尺度、非线性、非平稳信号。更重要的是，该方法基于主元分析(PCA)方法克服了多传感器融合技术带来的信息冗余、变量相关度高等缺点，降低了数据维度，简化模型运算过程，对于刀具磨损状态在线监测具有重要意义。

以下通过待定的具体实例并结合附图说明本发明的实施方式，本领域技术人员可以由本说明书所揭示的内容轻易地了解本发明的其他优点和功效。本发明亦可通过其他不同的具体实例加以实行或应用，本说明书中的各项细节亦可基于不同观点与应用，在不背离本发明的精神下进行各种修饰与变更。

如图1所示，本发明一种刀具磨损在线监测方法，包括如下步骤：

步骤101，获取一定时间内的刀具加工运行的原始信号数据；在该步骤中，所述原始信号数据包括：1)通过一个测力仪采集加工过程中刀具对工件的力的作用，由于刀具磨损程度的不同，对工件施加的力是变化的，通过采集的力信号的数据，做数据分析，可以得到刀具磨损的程度；2)选用三个加速度传感器，分别安装在工件两个侧面和顶面，测量三个方向的振动信号，用于采集加工过程中工件的振动数据，同样，由于刀具磨损程度不同，产生的振动程度也不同；在本发明中，通过结合这两种传感器采集的数据信息，对刀具的磨损程度做分析判断；

步骤102，对上述采集的数据信息进行滤波降噪和特征提取，得到样本集，将样本集分为训练样本集和测试样本集；

步骤103，选择适当的小波函数对训练样本进行小波分解，分解到多个尺度下；

步骤104，对多个尺度下的训练样本数据分别进行主元分析(PCA)建模并且构建整体主元模型以及相应的SPE值和T²控制限；

步骤105，将测试样本依据训练样本层数分解，将各尺度下的数据加载到相应尺度的主元模型上计算出各尺度下数据的SPE控制限和T²统计量，判断显著尺度，舍弃非显著尺度；步骤106，将显著尺度上的信号利用小波重构方法组成一个新的测试样本；

步骤107，新的测试样本将加载到整体主元模型上，计算SPE控制限和T²统计量并判断是否超出相应控制图的控制限，如果超出则说明过程刀具磨损异常，否则为正常；

所述步骤102具体包括一下处理：

步骤2.1，对力信号进行低通滤波处理，振动信号进行带通滤波处理；

步骤2.2，提取时域特征参数和频域特征参数；

步骤2.3，计算6个时域特征指标,该时域特征指标包括均值、均方根、峰峰值、方差、峭度、偏度；

步骤2.4，计算6个频域特征指标,该频域特征指标包括功率谱和、功率谱均值、功率谱峰值、功率谱方差、功率谱峭度、功率谱偏度；

步骤2.5，训练样本的信息为正常磨损状态下的数据；

步骤2.6，测试样本的信息为一半正常磨损状态下的数据，另一半为异常磨损状态下的数据；

步骤2.7，训练样本和测试样本的数量相同。

在时域范围内，即在时间轴上做特征提取。具体是对每一列信号以一定的长度N提取信号，例如一列信号的长度是m*N长度，我们以长度N来提取信号，那么这一列就可以得到m个特征数，如果我们有6列数，这提取完特征就的到的是m×6的一个矩阵：

(1)均值：计算一段信号的幅值平均值。针对信号X＝{x₁,x₂,…,x_N}其均值表达式为：

$\stackrel{\‾}{X}=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{x}_i$

N为信号长度，x_i每个信号点对应的值)

(2)均方根：计算一段信号的有效值，其表达式为：

$RMS=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{x_i}^2}$

N为信号长度，x_i每个信号点对应的值；

(3)峰峰值：计算一段信号中最大值与最小值的差值，其表达式为：

P_k＝max(x_i)-min(x_i)

X_i为每个信号点对应的值；

(4)方差：计算一段信号的方差值，其表达式为：

$VAR=\frac{\underset{i=1}{\overset{N}{\Σ}}{(x_i-\stackrel{\‾}{X})}^2}{N-1}$

N为信号长度，X_i每个信号点对应的值，X为均值；

(5)峭度：计算信号波形陡峭程度的物理量。峭度值的改变反映了系统发生了变化。在机械加工中，峭度值越大，说明加工信号越不正常，发生故障的可能性也就越大。其表达式为：

$KUR=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{\left(\frac{x_i-\stackrel{\‾}{X}}{\mathrm{\σ}}\right)}^4$

其中，N为信号长度，x_i每个信号点对应的值，X为均值，σ标准差；

(6)偏度：描述信号对称性分布的物理量，反映了信号分布倾斜的方向和程度大小。偏度越大，信号对称性越差。其表达式为：

$SKE=\frac{N\Σ{(x_i-\stackrel{\‾}{X})}^3}{(N-1)(N-2){\mathrm{\σ}}^3}$

其中，N为信号长度,x_i每个信号点对应的值，X均值，σ标准差。

信号的频域特征主要反映的是系统在幅值和波动性上的变化，但是却无法获得信号频域上的信息。因此，本发明采用功率谱来提取相关频域特征。功率谱的计算方法主要包括参数估计法和非参数估计法。本文采用的是非参数估计法中的Welch法来计算信号的功率谱。首先进行快速傅立叶变换(FFT数据长度为1024)得到信号的频谱，本文采用加矩形窗的方法，从而有效防止频谱发生泄漏，然后通过计算得到信号的功率谱密度S_x(f)。其中，功率谱密度横轴代表频率，纵轴代表对应频率的功率值。

假设信号X＝{x₁,x₂,…,x_N}，信号的自功率谱S_x(f)和自相关函数R_x(i)之间有下面的表达式：

$S_x\left(f\right)=\underset{i=-\mathrm{\∞}}{\overset{\mathrm{\∞}}{\Σ}}{R}_x\left(i\right)e^{-j2{\mathrm{\πfiT}}_s}$

R_x(i)自相关函数，T_s为信号采样间隔，f为频率；

其中，T_s为信号采样间隔。下面介绍本文所选取的频率特征：

(1)功率谱和：计算信号在一个频段内每个频率所对应的功率值之和。其表达式为：

$S_p={\∫}_{f_1}^{f_2}S\left(f\right)$

(2)功率谱均值：计算信号在一定频段内的功率谱均值，其表达式为：

$M_p=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}S{\left(f\right)}_i$

(3)功率谱峰值：计算一定频段内信号功率谱的最大值，其表达式为：

P_p＝max(S(f))

(4)功率谱方差：计算一定频段内功率谱的方差，其表达式为：

$Vap=\frac{\underset{i=1}{\overset{n}{\Σ}}{(S{\left(f\right)}_i-M_p)}^2}{n-1}$

(5)功率谱峭度：计算一定频段内功率谱的峭度值，其表达式为：

$Kup=\frac{1}{n}\frac{\underset{i=1}{\overset{n}{\Σ}}{(S{\left(f\right)}_i-M_p)}^4}{{\mathrm{Vap}}^{\frac{4}{2}}}$

(6)功率谱偏度：计算一定频段内功率谱的偏度值，其表达式为：

$Skp=\frac{1}{n}\frac{\underset{i=1}{\overset{n}{\Σ}}{(S{\left(f\right)}_i-M_p)}^3}{{\mathrm{Vap}}^{\frac{3}{2}}}$

所述步骤103包括以下具体处理：

步骤3.1，分解尺度L的选择可以根据L＝log₂n-5(其中n为样本个数)来确定；

步骤3.2，小波分解后，通过Mallat算法得到一个近似矩阵AL和L个细节矩阵(从D₁到D_L)，Mallat算法本质上相当于用低通滤波器和带通滤波器表示尺度函数和小波函数，分解过程示意如图3所示。其表达式为：

A_i＝HA_i-1,D_i＝GA_i-1

其中，D_i为在尺度i上小波函数系数组成的向量，A_i为在尺度i上尺度函数系数组成的向量，G表示带通滤波器，H表示低通滤波器。图3中以一个三层Mallat算法为例，X为原始数据，G表示带通滤波器，H表示低通滤波器。1/2为二抽取，抽取后的数据采样率和数据点数均变为原来的二分之一。首先数据通过第一次的带通滤波和低通滤波处理，经二抽取后得到第一层的高频系数和低频系数。接着对第一层的低频系数再进行带通滤波和低通滤波处理，从而得到第二层的高频系数和低频系数。依次类推，分解到目标层数为止。AL则为目标层的尺度函数系数组成的向量，L个细节矩阵为每一层产生的小波函数系数组成的向量；

所述步骤104包括以下具体处理：

步骤4.1，获取正常刀具加工过中的信号数据；

步骤4.2，数据样本X′进行标准化处理；

步骤4.3，将数据X进行协方差矩阵分解，数据X可用下式表示：X＝SP^T

步骤4.4，计算各主元贡献率(CPV)，将前几个主元的贡献率累加，达到一定阈值后即可确定主元个数，其阈值一般设定在80％；

步骤4.5，计算SPE统计量以及控制限；

步骤4.6，计算T²统计量以及控制限；

以下将通过具体实施例说明本发明的步骤：

步骤1，获取原始信号数据。通过测力仪和加速度传感器分别测量三个方向切削力信号和三个方向振动信号，要求刀具正常磨损的信号数据是异常磨损得信号数据的3倍。

步骤2，对数据进行滤波降噪和特征提取，得到样本集，将样本集分为训练样本集和测试样本集。对切削力信号做低通滤波处理，振动信号做带通滤波处理。对完成滤波的信号提取时域和频域特征。提取6个时域特征指标包括均值、均方根、峰峰值、方差、峭度、偏度。提取6个频域特征指标包括功率谱和、功率谱均值、功率谱峰值、功率谱方差、功率谱峭度、功率谱偏度。取正常磨损数据的三分之二为训练样本，正常磨损数据剩下的三分之一和异常磨损信号组成测试样本。此时训练样本中的数据全部为刀具正常磨损信号数据，训练样本的数据前一半为正常磨损信号数据，后一半为异常磨损信号数据，且两组数据量相同。

步骤3，选择适当的小波函数对训练样本进行小波分解，分解到多个尺度下。通过多分辨率小波分析(Mallat算法)分解训练样本，分解层数L＝log₂n-5(其中n为样本个数)。分解后得到一个近似矩阵AL和L个细节矩阵(从D1到DL)(L已经表示过分解层数，因此，分解L层则得到L个细节矩阵(如图3所示，分解三层则得到三个细节矩阵,D1、D2、D3))。

步骤4，对多个尺度下的训练样本数据分别进行主元分析(PCA)建模并且构建整体主元模型以及相应的SPE和T2控制限。利用主元分析对训练样本计算各个主元的贡献率(CPV)，累加前几个主元的贡献率达到80％，则认为这些主元信息包括大部分的训练样本的信息，从而大幅度降低计算难度。经降维处理后，各尺度所选择的主元向量被用来构建主元模型。主元模型主要包括负载矩阵和得分矩阵。负载矩阵主要用来将新的测量数据投影到各主元方向，得分矩阵则是用来计算SPE值和T²统计量及各尺度下的控制限。同时，为了实现最后的结果监测，仅仅依靠各尺度下的控制限是不够的。我们还需要针对刀具正常磨损状态下的整体数据进行主元分析，构建整体主元模型以及相应的SPE值和T²控制限。

步骤5，将测试样本依据训练样本层数分解，将各尺度下的数据加载到相应尺度的主元模型上计算出各尺度下数据的SPE和T²统计量，判断显著尺度，舍弃非显著尺度。训练样本模型构建过程，得到了L个尺度下的主元模型和一个整体主元模型以及相对应的控制限，首先将测试数据进行小波分解，这里分解层数与建模过程相同。然后，将各尺度下的数据加载到相应尺度的主元模型上计算出各尺度下数据的SPE和T²统计量，判断哪些尺度为非显著尺度，在小波重构时舍弃非显著尺度。

步骤6，通过步骤5，选择出测试样本中的显著尺度。将显著尺度上的信号利用小波重构方法组成一个新的测试样本。

步骤7，新的测试样本将加载到步骤4的整体主元模型上，计算SPE值和T²统计量并判断是否超出相应控制图的控制限，如果超出则说明过程刀具磨损异常，否则为刀具磨损正常，从而监测处刀具的磨损状态。

综上所述，本发明一种刀具磨损在线监测方法是根据加工过程刀具磨损的特点，即存在多尺度、非线性、非平稳信号，特别是难加工材料加工过程中，刀具极易发生磨损，我们很难获得所有刀具磨损状态下的数据，多尺度主元分析(MSPCA)结合了主元分析(PCA)和小波分析，前者具有强大的数据降维以及提取变量间线性关系的能力，可以降低变量间的线性相关性、减小模型计算量，后者可以提取变量多尺度特征和变量自相关性，克服了主元分析只适用于单尺度的局限，提高了刀具磨损在线监测的准确率，对于刀具磨损状态在线监测具有重要意义。

上述实例仅示例性说明本发明的原理及其功效，而非用于限制本发明。任何本发明领域技术人员均可在不违背本发明的精神及范畴下，对上述实例进行修饰与改变。因此，本发明的权利保护范围，应如权利要求书所列。

Claims (3)

1.一种基于多尺度主元分析的刀具磨损在线监测方法，其特征在于，该方法包括以下步骤：

步骤一，获取在线监测时间内，刀具加工运行的原始信号数据；包括加工过程中刀具对工件两个侧面和顶面的三个方向的切削力信号数据和振动信号数据，将所述原始信号数据构成样本集；

步骤二，通过对上述采集的原始信号数据进行滤波降噪、提取时域和频域12个特征参数，将样本集分为训练样本集和测试样本集；

步骤三，通过小波分解将训练样本集分解成多个尺度，小波分解后，得到一个近似矩阵AL和L个细节矩阵，AL为目标层的尺度函数系数组成的向量，L个细节矩阵为每一层产生的小波函数系数组成的向量；

步骤四，利用主元分析对多个尺度下的所述训练样本集的数据分别进行建模，构建整体主元模型以及计算相应的SPE值及控制限和T²统计量及控制限；

步骤五，将测试样本依据训练样本的层数进行小波分解，将各分解尺度下的数据加载到相应尺度的主元模型上计算出各尺度下数据的SPE控制限和T²统计量：

在i时刻，SPE控制限表示为：

${\mathrm{SPE}}_i=X_i(I-P_k{P}_k^T)X_i^T$

其中，X_i为i时刻测得的数据，I为单位矩阵，P_k为主元模型的负荷矩阵；

在i时刻，T²统计量以及控制限表示为：

$T_i^2=X_i{P}_k{O}^{-1}{P}_k^T{X}_i^T$

其中，O为前k个主元的特征值组成的对角矩阵，X_i为i时刻测得的数据，P_k为主元模型的负荷矩阵；

判断显著尺度，舍弃非显著尺度；

步骤六，将显著尺度上的信号利用小波重构方法组成一个新的测试样本；

步骤七，所述新的测试样本将加载到整体主元模型上，计算SPE控制限和T2统计量，并判断是否超出相应控制图的控制限

SPE控制限表示为：

${\mathrm{SPE}}_{\mathrm{\α}}={\mathrm{\θ}}_1{\[\frac{C_{\mathrm{\α}}\sqrt{2{\mathrm{\θ}}_2{h}^2}}{{\mathrm{\θ}}_1}+1+\frac{{\mathrm{\θ}}_{2}h(h-1)}{{\mathrm{\θ}}_1^2}\]}^{\frac{1}{h}}$

其中，λ为前k个主元的特征值组成的对角矩阵，k是主元个数，m是变量个数，C_α是正态分布在假设检验水平为α下的临界值；

T²控制限表示为：

$T_{\mathrm{\α}}=\frac{k(m-1)(m+1)}{m(m-k)}{F}_{k,m-k,\mathrm{\α}}$

其中，k为主元个数，m为变量个数，F_k,m-k,α为对应于检验水平为α、自由度为k、n-1条件下的F分布临界值；

如果超出，则说明过程刀具磨损异常；否则，说明过程刀具磨损正常。

2.如权利要求1所述的一种基于多尺度主元分析的刀具磨损在线监测方法，其特征在于，所述步骤二中的12个特征参数包括6个时域特征指标即包括均值、均方根、峰峰值、方差、峭度、偏度和6个频域特征指标即功率谱和、功率谱均值、功率谱峰值、功率谱方差、功率谱峭度、功率谱偏度。

3.如权利要求1所述的一种基于多尺度主元分析的刀具磨损在线监测方法，其特征在于，所述步骤四的利用主元分析对多个尺度下的所述训练样本集的数据分别进行建模的步骤，具体包括以下处理：

获取正常刀具加工过中的信号数据；

对训练样本集X′进行标准化处理；

将训练样本集中数据X进行协方差矩阵分解，数据X可用下式表示：

X＝SP^T

其中：S＝[s₁,s₂,s₃,…,s_m]称为得分矩阵，顺序按向量的模的大小排列，提取的是前后数据间的相互关系。P＝[p₁,p₂,p₃,…,p_m]称为负荷矩阵，反映了变量间的相互关系；

计算各主元贡献率，依序将主元的贡献率累加，达到阈值后，确定主元个数。