CN106126827A - 一种数控装备健康指数的监测方法 - Google Patents

Abstract

本发明公开了一种数控装备健康指数的监测方法，该监测方法包括采集对应多个历史健康指数的传感器信号，提取传感器信号的时域特征并将其归一化，选取目标特征参数，获得所述目标特征参数的聚类中心，并根据所述聚类中心，建立自适应神经网络模型，最后采集在线传感器信号，输入所述自适应神经网络模型，获得所述健康指数。通过本发明，针对加工过程中采集到的传感器信号，分组并提取特征参数，揭示传感器信号与健康指数的映射关系，减少了神经网络模型的计算量，简化了建立步骤。

Description

一种数控装备健康指数的监测方法

技术领域

本发明属于数控装备技术领域，更具体地，涉及一种数控装备健康指数的监测方法。

背景技术

数控装备在正常加工过程中，不断受到切削力、摩擦力以及零件磨损和配件老化等原因影响，引起装备在加工过程中振动加剧，导致加工过程中断、工件报废、装备损坏，甚至数控加工系统完全停止运行。这样不仅会降低工件加工精度或成品质量，给企业造成额外的经济损失和安全隐患，甚至会影响数控装备的正常运行、降低数控装备的正常使用寿命。基于这些问题，对数控装备健康指数进行有效监测、诊断与监测，就显得格外重要。

由于切削力信号直接反映加工过程中工件与设备刀具之间的力的相互作用，现有的装备健康指数监测中大多数将切削力作为主要检测信号进行特征参数提取与融合。然而，切削力信号受工况影响明显，导致所得的健康指数模型应用范围较窄。此外，现有的技术中有基于神经网络信息融合算法，通过多种传感器的数据融合进行刀具的磨损量监测从而定义装备健康指数。然而将提取到的传感器信号特征直接聚类后作为神经网络的输入，会导致神经网络模型计算量太大并且人为因素的影响明显，进而影响装备健康指数的监测效率和监测精度。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提出一种数控装备健康指数的监测方法，其目的在于通过皮尔逊相关系数和残差分析相结合的方法，选取目标特征参数，由此提高装备健康指数监测效率和精度。

为实现上述目的，按照本发明的一个方面，提供了一种数控装备健康指数的监测方法，所述健康指数为铣刀磨损量，所述监测方法包括以下步骤：

S1.获取与历史健康指数对应的传感器信号的数据点，所述传感器信号包括主轴噪声信号、工作台噪声信号、主轴交流电流信号、主轴直流电流信号、主轴振动信号以及工作台振动信号中的至少两种；

S2.提取所述传感器信号的数据点的时域特征，并对所述时域特征进行归一化；

S3.获得归一化处理后的时域特征与历史健康指数之间的皮尔逊相关系数，并选取与皮尔逊相关系数≥0.8对应的时域特征作为目标特征参数；若目标特征参数所对应的传感器信号的的种数小于等于1，则返回步骤S1，否则进入S4；

S4.在对应同一传感器信号的目标特征参数之间进行残差分析，保留残差值最小的目标特征参数作为最终特征参数；

S5.获得所述最终特征参数的聚类中心，并根据所述聚类中心及其对应的作用半径，建立自适应神经网络模型；

S6.获取实时采集的传感器信号，并根据实时采集的传感器信号以及所述自适应神经网络模型，获得健康指数。

优选地，在所述步骤S1中，所述历史健康指数的数量为10个～50个，每种所述传感器信号的数据点数量大于等于3500个。

优选地，在所述步骤S1和所述步骤S2之间还包括，去除所述传感器信号的数据点中的空值和奇异值。

优选地，所述步骤S2中的特征参数为均值、均方差、方根幅值、均方根、最大值、偏斜度、峭度、峰值因子、裕度因子、峰峰值、波形指标或脉冲指标中的一种或多种。

优选地，所述步骤S5.中获得聚类中心的方法为减法聚类法。

优选地，所述步骤S5具体包括以下子步骤：

S51.以r_a为作用半径，获得第n个最终特征参数的聚类中心Z_nj ^*及其对应的聚类簇A_nj；其中，n为的整数，为最终特征参数的个数，j为1～k_n的整数，k_n为第n个最终特征参数的聚类簇的个数；

S52.获得每个聚类中心的隶属度函数其中，以隶属于聚类簇A_nj的第n个最终特征参数的数据点作为输入值S_n(i)；

S53.获得规则使用度其中，l为1～m的任意整数，

S54.获得归一化适用度

S55.以历史健康指数作为输出值O⁵，根据公式以及获得与输入值S_n(i)所属的聚类簇A_nj相关的自适应神经网络模型的系数p_ln以及r_l；

S56.根据自适应神经网络模型的系数p_ln、r_l以及历史健康指数O⁵，更新所述聚类中心Z_nj ^*及作用半径r_a，代入公式并获得输出值O⁵与历史健康指数的误差值；比较所述误差值与上一次获得的误差值，如果所述误差值小于上一次获得的误差值，则返回S55；否则获得所述自适应神经网络模型的系数p_ln、r_l、Z_nj ^*以及r_a。

作为进一步优选地，所述步骤S6具体包括以下子步骤：

S61.实时采集传感器信号，并获得与所述实时采集的传感器信号对应的最终特征参数；

S62.以最终特征参数的数据点作为输入值S_n(i)，代入所述步骤S5中建立的自适应神经网络模型，获得输出值O⁵为当前的健康指数。

与现有技术相比，本发明具有的有益效果是：

1、本发明中提出的数控装备健康指数监测方法针对加工过程中采集到的传感器信号，分组并提取特征参数，揭示传感器信号与健康指数的映射关系；与现有技术中相比，减少了计算量，简化了建立步骤；

2、对于不同传感器数据的时域特征，选取皮尔逊相关系数大于0.8且残差值最小的时域特征组成最终特征参数，从而提高了装备健康指数的监测精度；验证结果表明，监测精度最高达到了99.75％；其平均监测精度达到了95.19％，具有精确的监测结果。

附图说明

图1为本发明实施例1传感器信号稳定阶段示意图。

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。

本发明提供了一种数控装备健康指数的监测方法，所述健康指数为铣刀磨损量，该方法具体包括以下步骤：

S1.在作为数控装备关键部件的主轴和工作台上分别安装噪声传感器、电流传感器和振动传感器等以获取传感器信号，所述传感器信号为主轴噪声信号、工作台噪声信号、主轴交流电流信号、主轴直流电流信号、主轴振动信号以及工作台振动信号；

在装备稳定加工时，为保证计算的精度，需采集对应ψ个历史健康指数的传感器信号(ψ通常取10～50)，对应每个历史健康指数的每种传感器信号的数据点大于等于3500个；

将传感器信号的数据进行预处理：首先进行数据清洗去掉数据中为NaN的数据，即Not a Number；同时利用3δ定理等方法去掉信号数据中的奇异值(即若信号数据与信号数据的平均值之差大于3倍信号数据的标准差，即认为该信号数据点为奇异值并舍去)；对于清洗掉的信号数据点用信号数据的平均值来填充。

S2.将对应每个历史健康指数的每种所述传感器信号的数据平均分为γ组(通常可分为60组～150组，组数较多的时候计算量较大，但误差也会变小)，并提取所有数据的时域特征，所述时域特征为均值、均方差、方根幅值、均方根、最大值、偏斜度、峭度、峰值因子、裕度因子、峰峰值、波形指标或脉冲指标。表1以对应一种传感器信号的一组数据为例，说明了部分时域特征的计算公式，其中x(n)表示传感器信号的数据，N表示每组数据的数据量，n为1、2、3…N；X₁～X₉分别表示对应该组数据的不同类型的时域特征。

表1部分时域特征的计算公式

将时域特征归一化，使对应不同类型的时域特征单位一致，且都在[0,1]区间内。归一化方法可利用式(1)；其中，MaxValue为某一种时域特征中的最大值，MinValue为某一种时域特征值中的最小值，X为某一种时域特征，P为相应的归一化后的时域特征。将所有时域特征归一化后，每种时域特征的数据点的个数共为ξ＝ψ×γ。

$P=\frac{X-MinValue}{MaxValue-MinValue}---\left(1\right)$

S3.为得到能及时准确地反映数控装备的健康指数变化的时域特征，对归一化后的时域特征以及健康指数进行相关性分析。

首先，采用下式计算每种归一化后的时域特征P与健康指数T之间的皮尔逊相关系数R(P,T)：

$R(P,T)=\frac{Cov(P,T)}{\sqrt{D\left(P\right)D\left(T\right)}}$

式中，P为某种归一化后时域特征，T为该时域特征对应的历史健康指数(即铣刀的磨损量)，Cov(Y,T)为Y和T的协方差，D(P)为P的方差，D(T)为T的方差。皮尔逊相关系数越大，数据之间相关性越强；皮尔逊相关系数越小，数据之间相关性越弱，由表2的取值范围判断时域特征的相关强度；其中，选取与健康指数的皮尔逊相关系数≥0.8的时域特征作为目标特征参数；由于健康指数的监测的精确度依赖于多传感器信号的融合，当目标特征参数对应的传感器信号的种类的数量为0或1时，要么没有符合精确度的时域特征，要么就无法进行传感器信号的融合，此时返回步骤S1，重新提取传感器信号(如增加传感器信号的数据个数，或者增加提取的时域特征的种类)，否则进入下一步；

表2皮尔逊系数相关系数与相关程度的关系

S4.在经过了步骤S3后，初步去除了不符合要求的时域特征；然而即使去除了不符合要求的时域特征，由于有多种传感器信号，可能仍然会有两个或两个以上的目标特征参数对应同一传感器信号，这样则会在后续的计算中造成重复计算，增大了计算量。

此时，判断所有的目标特征参数是否都对应不同传感器信号，是则可直接进入下一步；如果否则需要按下述步骤对目标特征参数自身进行残差分析：

对应某种目标特征参数，选取对应任意两个历史健康指数的数据分别为P₁(i)和P₂(i)，i＝1,2,3,…γ，γ为特征参数P对应每个历史健康指数的数据点个数；由式(2)计算目标特征参数数间的自相关性：

$e=\frac{\underset{i=1}{\overset{\mathrm{\γ}}{\Σ}}{\[P_1\left(i\right)-P_2\left(i\right)\]}^2}{\mathrm{\γ}}...\left(2\right)$

其中，e越小说明该目标特征参数的自相关性越强，反之越弱；对于同一种类型的传感器信号，仅保留残差值最小的目标特征参数为最终特征参数。经过了残差分析后，最后保留的目标特征参数的种类数为用个列向量分别代表目标特征参数，用列向量T代表历史健康指数，则目标特征参数和历史健康指数构成的数据集合为G，则

S5.获得所述最终特征参数的聚类中心，并根据所述聚类中心，建立自适应神经网络模型，其具体包括：

S51.在该步骤中，首先，通过减法聚类对最终特征参数的数据点进行聚类，确定聚类中心和作用半径。其次，通过减法聚类的数据点的训练样本和未经减法聚类的数据点的校验样本，利用自适应神经模糊推理系统训练装备健康指数监测模型，并通过误差反向传播调整模型参数，得到最优的健康指数监测模型。

S511.令S(i)为对应某一最终特征参数构成的列向量Y的数据点，利用下式计算该数据点处的密度值D_i，ξ为任一最终特征参数的数据点的个数ξ＝ψ×γ。

$D_i=\underset{j=1}{\overset{\mathrm{\ζ}}{\Σ}}{e}^{-\mathrm{\α}\left|\right|S\left(i\right)-S\left(j\right)|{|}^2},\mathrm{\α}=4/{r_a}^2$

式中，i和j为小于等于ξ的自然数，作用半径r_a为0.3～0.5的常数。

S512.经过计算所有数据点处的密度值之后，选取密度值最大的数据点作为第一个聚类中心为Z₁ ^*，D₁ ^*记作第一个聚类中心的密度值。选定第一个聚类中心之后，令从而进行密度值修正；其中，β＝4/r_b ²，r_b是一个正值常数，定义密度值的显著减小邻域，为了避免取到过于靠近的聚类中心点，r_b必须大于r_a，通常定义r_b＝1.5r_a或r_b＝1.25r_a。

S513.然后，选取修正后的密度值中的最大值作为第二个聚类中心，利用和步骤S512中相同的方法进行密度修正，以此类推，经过k－1次修正之后，可以得到k个聚类中心；此时相应的密度值中的最大值为D_k ^*；

根据最大密度值D_k ^*，定义两个边界值其中，ε ^*D₁ ^*为下边界值，为上边界值，ε ^*为拒绝率，为接受率，一般定义 ε ^*＝0.15；

在密度修正中，分为三种情况：a.如果修正后的某数据点处的密度值D_k ^*＜ε ^*D₁ ^*；或且则该数据点处的密度值不被接受并且进入步骤S52；其中，公式(4)中，δ_min为最大密度值D_k ^*对应的聚类中心Z_k ^*到之前所有聚类中心Z₁ ^*、Z₂ ^*、…、Z_k-2 ^*、Z_k-1 ^*的最小距离；

b.如果且则该点数据处的密度值被接受，令D_k ^*＝0，进入步骤S514；

c.如果修正后的密度值则该数据点处的密度值被接受，进入步骤S514；

S514.k＝k+1，返回步骤512.再进行新一轮的聚类。

每种最终特征参数的数据点经过减法聚类后，获得了k个聚类中心Z₁ ^*、Z₂ ^*、…、Z_k ^*，以此进行聚类和模糊空间划分后能获得分别对应k个聚类中心的k个减法聚类簇A₁、A₂、…、A_k。

S52.利用所述步骤S51获得的聚类中心，进行自适应神经网络模型网络训练。

输入参数为最终特征参数和健康指数构成的数据集合用S_n(i)表示第n个最终特征参数的第i个数据点，n为小于等于的自然数；i为小于等于ξ的自然数，即Y_n＝[S_n(1),S_n(2),…,S_n(ξ)]。k_n为第n个最终特征参数的聚类簇的个数；A_nj为第n个最终特征参数的第j个减法聚类簇；对于任意最终特征参数的数据点S_n(i)的组合，首先需判断其分别隶属于哪个减法聚类簇。记O^ε(ε＝1,2,3,4,5)表示第ε层的某个节点输出，每一层的功能及意义如下：

Layer1：模糊化层。每个节点代表一个语言变量值，对于每一个减法聚类簇A_nj所对应的聚类中心Z_nj ^*，利用公式(5)计算每个属于该减法聚类簇A_nj的最终特征参数S_n(i)的隶属度函数，在该减法聚类簇对应多个最终特征参数的数据点S_n(i)的情况下，则O_nj ¹取多个数据点对应的O_nj ¹的均值，没有数据点对应的情况下，则O_nj ¹＝1，其中，r_a表示步骤S511中的作用半径。

Layer2：计算规则使用度。令利用Layer1获得的O_nj ¹相乘，其中，每个j各自独立的表示1～k_n中的任意整数；每个节点代表一条模糊规则，利用公式(6)计算每条模糊规则的适用度：

Layer3：将Layer2获得的O_l ²归一化。利用公式(7)计算第l个节点的规则适用度与所有规则适用度之和的比值：

${O_l}^3=\stackrel{\‾}{w_l}=\frac{w_l}{w_1+w_2+...+w_m}---\left(7\right)$

Layer4：由于对于每组最终特征参数S_n(i)，其隶属于不同聚类中心的可能性共有种，因此根据如下模糊规则Rule1～Rulem，可对其输出值进行划分，模糊规则前件为模糊空间划分，模糊规则后件为一阶线性输出(规则中is的含义为最终特征参数的数据点S_n(i)属于对应的减法聚类簇A_nj)：

利用公式(9)计算每条模糊规则的输出；如果有多个最终特征参数的数据点对应规则f_l时，则令f_l为多个数据点对应的f_l的均值，如果没有最终特征参数的数据点S_n(i)对应规则f_l时，则计f_l＝0：

式中，是从第3层传来的归一化后的适用度，是该节点的参数集。

Layer5：总输出。利用公式(10)计算所有传感信号之和作为总输出：

$O^5=\underset{l=1}{\overset{m}{\Σ}}\stackrel{\‾}{w_l}{f}_l=\frac{\underset{l=1}{\overset{m}{\Σ}}{w}_l{f}_l}{\underset{l=1}{\overset{m}{\Σ}}{w}_l},l=1,2,...,m---\left(10\right)$

以历史健康指数作为ANFIS的总输出O⁵，采用最小二乘法更新模糊规则后件的一阶线性方程f_l的系数集然后将Layer4层的系数集设置为定值，根据总输出O⁵与历史健康指数的误差值，从Layer4～Layer1采用梯度下降法更新模糊规则前件的聚类中心及其作用半径{Z_nj ^*,r_a}；然后将Layer1层的{Z_nj ^*,r_a}设置为定值，以S_n(i)作为输入值，计算总输出O⁵与历史健康指数的误差值，并与上一次获得的误差值进行比较；如果误差值减少，则自适应神经网络模型尚未获得最佳系数集，则继续从Layer1～Layer4采用最小二乘法更新模糊规则后件的一阶线性方程的系数集并重复以上步骤，直至误差值不再减小为止；最后获得所述自适应神经网络模型的系数

S61.实时采集和所述步骤S1中相同数据个数的传感器信号，由于实际选取的最终特征参数对应的传感器信号的种类通常比步骤S1中采集的传感器信号的种类要少，可以仅获取最终特征参数对应的传感器信号的种类；

S62.以步骤S2中相同的方法从步骤S61的传感器信号中提取和步骤S4中相同的最终特征参数；

S63.以步骤S62中的最终特征参数的数据点作为输入值S_n(i)，输入所述步骤S5中建立的自适应神经网络模型，根据公式(5)～(10)，以及适应神经网络模型的系数获得输出值O⁵，即为当前的健康指数。

实施例1

S1.本实施例将噪声传感器、交流电流传感器、直流电流传感器和振动传感器安装在数控铣床的主轴上，将噪声传感器和振动传感器安装在数控铣床的工作台上，采集到对应13个不同历史健康指数的13组离线数据信号；包括：数控铣床在加工过程中的主轴噪声信号、工作台噪声信号、主轴交流电流信号、主轴直流电流信号、主轴振动信号和工作台振动信号。其中，每种传感器信号对应每组都有9000个，用来搭建本实施例的自适应神经网络模型。

由于在刚开始加工时，刀具处于空转阶段，刀具与被加工件不接触；接着，进入接触阶段，刀具与被加工件开始接触，传感器数据快速变化并呈现不稳定状态；最后，接触完全，传感器数据出现最大值之后，进入稳定阶段。如图1所示为主轴直流信号曲线图，其中，两条虚线划分出了稳定阶段之前的信号。本实施例综合各种传感器信号，选取4500～9000区间内的稳定阶段的信号数据点作为原始数据进行分析。

S2.经过去空值和去奇异值的预处理之后，根据对应的健康指数将其分组，本实施例中，选取每组50个数据点为例，将每种传感器信号的每组数据分为90组。计算每组数据的9种时域特征，再进行数据归一化处理。

S3.针对归一化后的特征参数，首先，计算其与装备健康指数之间的皮尔逊相关系数，如表3，选取保留皮尔逊相关系数大于0.8的特征参数。

表3各时域特征与装备健康指数的皮尔逊相关系数

S4.其次，在特征参数自身之间进行残差分析，如表4，保留残差值最小的特征参数。结合这两种相关性分析的方法，融合获得ANFIS网络模型的输入参数。经过如上处理后，本实施例获得的四种特征参数为：主轴噪声信号的方根幅值、工作台噪声信号的均方差、主轴交流电流信号的最大值和主轴直流电流信号的均方根。

表4特征参数自身间的残差分析

S5.将上述四种特征参数组成自适应神经网络模型的输入参数。首先，对训练样本的四种特征参数进行减法聚类，分别获得各参数的聚类个数、聚类中心及其作用半径。其次，利用模糊推理获得模糊规则，确定模糊规则前件的空间划分和模糊规则后件的一阶线性输出。然后，利用自适应神经模糊推理系统进行装备健康指数监测模型的训练，获得自适应神经网络模型。因为每种健康指数下的传感器数据被分为90组，则经过模型计算后，获得90个健康指数监测值，可得置信度为0.95条件下的置信区间。

S6.在稳定工况下另外采集对应4个不同在线健康指数的4组离线数据信号，对自适应神经网络模型进行验证，由于该模型仅用到了主轴噪声信号、工作台噪声信号、主轴交流电流信号以及主轴直流电流信号，可以仅采集这四种信号并计算出主轴噪声信号的方根幅值、工作台噪声信号的均方差、主轴交流电流信号的最大值和主轴直流电流信号这四种时域特征。将其输入到装备健康指数监测模型中，识别和监测装备的健康指数，计算获得的装备健康指数如表5所示。

表5监测健康指数(刀具的磨损量)的置信区间

刀具磨损到一定程度就不能继续使用，这个磨损限度称为磨钝标准。车刀的磨钝标准通常以刀具后刀面磨损带中间部分的平均磨损量允许达到的最大值作为刀具磨钝标准。实例中刀具磨钝标准依据表6的日本工业标准(JIS)中的灰口铸铁件粗加工的磨钝标准，设定为1.0mm，并按照不同磨损量将刀具状态划分如表7。根据模型计算获得的刀具磨损量与磨钝标准相比较，判定刀具的健康状态。

表6 JIS推荐刀具磨钝标准

磨钝标准	应用
		后刀面磨损宽度0.2mm	精细加工，有色金属精加工等
后刀面磨损宽度0.4mm	特种钢加工
		后刀面磨损宽度0.7mm	普通铸铁和钢件加工
后刀面磨损宽度1～1.2mm	回扣铸铁件加工
		月牙洼深度	通常0.05～0.1mm

表7刀具加工状态划分

对比例1

以所述的相同步骤重复实施例1，区别仅在于，在所述步骤3和步骤4中，直接选取皮尔逊相关系数最大的4个时域特征作为目标特征参数。

对比例2

以所述的相同步骤重复实施例1，区别仅在于，在所述步骤3和步骤4中，直接选取使用残差分析值最小的4个时域特征作为目标特征参数。

表8为实施例1、对比例1以及对比例2进行装备健康指数监测的结果对比，与表5相比可以看出，结合皮尔逊相关系数和残差分析的特征参数相关性分析方法，大大提高了装备健康指数监测精度。

表8单一相关性分析下监测健康指数

综上所述，本发明提出的数控装备健康指数的监测方法可以根据传感器采集到的数据信号进行刀具磨损量监测，识别刀具加工状态，判定数控铣床的健康状态，提升数控铣床设备的加工安全性和可靠性。

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。

Claims (8)

1.一种数控装备健康指数的监测方法，其特征在于，包括以下步骤：

S1.获取与历史健康指数对应的传感器信号的数据点，所述传感器信号包括主轴噪声信号、工作台噪声信号、主轴交流电流信号、主轴直流电流信号、主轴振动信号以及工作台振动信号中的至少两种；

S2.提取所述传感器信号的数据点的时域特征，并对所述时域特征进行归一化；

S3.获得归一化处理后的时域特征与历史健康指数之间的皮尔逊相关系数，并选取与皮尔逊相关系数≥0.8对应的时域特征作为目标特征参数；若目标特征参数所对应的传感器信号的种数小于等于1，则返回步骤S1，否则进入S4；

S4.在对应同一传感器信号的目标特征参数之间进行残差分析，保留残差值最小的目标特征参数作为最终特征参数；

S5.获得所述最终特征参数的聚类中心，并根据所述聚类中心及其对应的作用半径，建立自适应神经网络模型；

S6.获取实时采集的传感器信号，并根据实时采集的传感器信号以及所述自适应神经网络模型，获得健康指数。

2.如权利要求1所述的监测方法，其特征在于，在所述步骤S1中，所述历史健康指数的数量为10个～50个，每种所述传感器信号的数据点数量大于等于3500个。

3.如权利要求1所述的监测方法，其特征在于，在所述步骤S1和所述步骤S2之间还包括，去除所述传感器信号的数据点中的空值和奇异值。

4.如权利要求1所述的监测方法，其特征在于，所述步骤S2中的时域特征包括均值、均方差、方根幅值、均方根、最大值、偏斜度、峭度、峰值因子、裕度因子、峰峰值、波形指标或脉冲指标中的一种或多种。

5.如权利要求1所述的监测方法，其特征在于，所述步骤S5.中获得聚类中心的方法为减法聚类法。

6.如权利要求1所述的监测方法，其特征在于，所述健康指数为铣刀磨损量。

7.如权利要求1所述的监测方法，其特征在于，所述步骤S5具体包括以下子步骤：

S51.以r_a为作用半径，获得第n个最终特征参数的聚类中心Z_nj ^*及其对应的聚类簇A_nj；其中，n为的整数，为最终特征参数的个数，j为1～k_n的整数，k_n为第n个最终特征参数的聚类簇的个数；

S52.获得每个聚类中心的隶属度函数其中，以隶属于聚类簇A_nj的第n个最终特征参数的数据点作为输入值S_n(i)；

S53.获得规则使用度其中，l为1～m的任意整数，

S54.获得归一化适用度

S55.以历史健康指数作为输出值O⁵，根据公式以及获得与输入值S_n(i)所属的聚类簇A_nj相关的自适应神经网络模型的系数p_ln以及r_l；

S56.根据自适应神经网络模型的系数p_ln、r_l以及历史健康指数O⁵，更新所述聚类中心Z_nj ^*及作用半径r_a，代入公式并获得输出值O⁵与历史健康指数的误差值；比较所述误差值与上一次获得的误差值，如果所述误差值小于上一次获得的误差值，则返回S55；否则获得所述自适应神经网络模型的系数p_ln、r_l、Z_nj ^*以及r_a。

8.如权利要求7所述的监测方法，其特征在于，所述步骤S6具体包括以下子步骤：

S61.实时采集传感器信号，并获得与所述实时采集的传感器信号对应的最终特征参数；

S62.以最终特征参数的数据点作为输入值S_n(i)，代入所述步骤S5中建立的自适应神经网络模型，获得输出值O⁵为当前的健康指数。