CN106181579A - 一种基于多传感器电流信号的刀具磨损监测方法 - Google Patents

Abstract

一种基于多传感器电流信号的刀具磨损监测方法，先利用电流传感器采集刀具加工过程中不同轴的电机电流信号，采用时域分析和小波包能量谱分析对多传感器电流信号进行能量特征的提取，再利用距离评估方法计算特征敏感度，根据敏感度的排序选择出对刀具状态变化敏感度高的特征；然后基于Lloyds算法的量化级数自适应标量化方法，对选择的特征进行标量化处理；最后利用刀具初期加工数据构建刀具正常状态DHMM监测模型，利用严重磨损状态下的数据构建刀具严重磨损状态DHMM监测模型，将监测数据输入这两个模型后获得状态监测结果即极大似然估计值，通过对比两个模型输出极大似然估计值的大小，实现刀具磨损状态的监测。

Description

一种基于多传感器电流信号的刀具磨损监测方法

技术领域

本发明涉及刀具磨损状态监测技术领域，具体涉及一种基于多传感器电流信号的刀具磨损监测方法。

背景技术

切削加工作为制造业的主要加工方法之一，对提高制造水平和效率影响重大。开展针对数控机床自动化生产线切削过程的状态监测日趋重要。刀具作为切削加工的直接工作部件，监测其工作状态即刀具磨损情况是自动化生产线中的重要任务之一。在自动化生产线中，刀具磨损会影响工件的加工精度，造成工件超差或废加工，使机床产生振动或被迫停机，严重时甚至造成整个加工系统的运行故障，带来极大经济损失。

数控机床进行切削加工时，在相同机床上，同一类型刀具进行切削加工时，刀具所处的工况会有所差异，使得刀具的失效形式多种多样，给刀具的磨损监测带来困难。在以往的刀具磨损监测中，通常是依据刀具已加工时间或者已加工的工件数来判断是否需要换刀。这样会导致两方面的问题：一方面是尚未报废刀具被提前换下，造成刀具的浪费；另一方面是已经失效的刀具继续加工带来的工件浪费、严重的甚至导致机床的故障。上述两种情况都会导致自动化生产线的非正常停机，带来经济损失。因此，单纯依靠人工经验进行刀具磨损状态判断已不能满足自动化生产线的需求，研究刀具磨损状态的在线监测技术显得非常重要。

开展刀具磨损监测对保证加工有效性、保障加工系统安全、提高加工系统效率、降低生产成本具有重大意义。由于刀具成型过程中存在质量波动，因此需要对刀具进行磨损监测，以刀具初期状态为参考进行刀具磨损监测能够反映刀具变化过程，但是刀具初期加工数据较少，如何在小样本情况下进行刀具磨损监测是亟需解决的问题。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种基于多传感器电流信号的刀具磨损监测方法，满足实际工程应用对刀具磨损状态监测的要求。

为达到上述目的，本发明采用的技术方案为：

一种基于多传感器电流信号的刀具磨损监测方法，包括以下步骤：

第一步，将电流传感器同时装夹在机床不同轴的电机火线上，利用电流传感器采集刀具加工过程中不同轴的电机电流信号；采集一把新刀加工前N个工件的多传感器电流信号，用于构建刀具正常状态离散隐马尔科夫模型；采集刀具严重磨损的多传感器电流信号，用于构建刀具严重磨损状态离散隐马尔科夫模型；

第二步，采用时域分析和小波包能量谱分析对电流信号进行特征提取，从而实现对刀具加工过程中多传感器电流信号进行频带能量特征的提取；

第三步，进行特征选择，利用基于距离评估方法选择出对刀具状态变化敏感度高的特征；

第四步，特征序列标量化，采用量化级数自适应的Lloyds标量化方法对选择的特征进行标量化处理，对每个特征分别进行标量化，获得标量化后的特征序列；

第五步，利用第二步至第四步处理后分别获得的刀具正常状态特征序列、刀具严重磨损状态特征序列，对应于构建刀具正常状态离散隐马尔科夫模型DHMM1、构建刀具严重磨损状态离散隐马尔科夫模型DHMM2；

第六步，对第四步得到的监测数据的特征序列，输入模型DHMM1和DHMM2获得状态监测结果即极大似然估计值，分别记作lik1和lik2，通过对比两个模型输出对数极大似然估计值的大小，实现刀具磨损状态的监测；当lik1<lik2时，刀具为严重磨损状态，需换刀。

所述的第二步的具体步骤如下：

步骤1：对刀具切削加工过程中采集的电流信号进行小波包分解获得第j层中每个节点的能量值E_j,k，其中j是分解层数；k是节点编号；c_j,k是第j层第k个节点的小波包系数；

步骤2：依次计算各节点所代表的频段能量在总能量中的比值，简称节点能量占比，记作 其中是第j层第k个节点的能量占比；

步骤3：将节点能量占比组成特征向量；

步骤4：重复以上步骤1～步骤3完成其余电流信号处理，依次获得特征向量，然后组合全部特征构成综合特征序列Att＝[Att₁，Att₂，Att₃，...]。

所述的第三步的具体步骤如下：

步骤1：计算同一状态下相同特征多样本间的平均距离：

$\begin{array}{cc}{d}_{cn}=\frac{1}{M\&times;(M-1)}\underset{l,m=1}{\overset{M}{\&Sigma;}}|q_{cmn}-q_{cln}|& l,m=1,\mathrm{2...},M,l\&NotEqual;m\end{array}$

其中q_cmn为c状态下在第m个样本中第n个特征的值；q_cln为c状态下在第l个样本中第n个特征的值；M为每种状态的样本数；n为每种状态的特征数；

步骤2：计算不同状态下相同特征多样本间的平均值：

其中C为状态总数；

步骤3：计算同一状态下相同特征多样本的平均值：

其中c,e＝1,2···,C且c≠e；

步骤4：计算不同状态间的平均距离：

c,e＝1,2···,C且c≠e；

步骤5：计算特征敏感度α_n：

${\mathrm{\&alpha;}}_n=\frac{d_n^{\left(b\right)}}{d_n^{\left(w\right)}};$

步骤6，根据计算的敏感度进行由高到低的排序，然后选择敏感度高的特征。

所述的第四步的具体步骤如下：

步骤1：初始化设置，包括待量化数据、最小量化级数min＝2、最大量化级数max和量化失真的最大值Dis；然后计算量化级数n＝min时的量化失真值dis(2)，若dis(2)≤Dis，则取量化级数classf＝n＝2，进入步骤3；若dis(2)>Dis，计算n＝max时量化失真dis(max)，若dis(max)>Dis，令max＝2max，重新计算。若dis(max)＝Dis，进入步骤3，若dis(max)<Dis，进入步骤2；

步骤2：令n＝[(min+max)/2]，生成分区和码本，并对数据进行标量化，计算量化失真dis(n)，若dis(n)＝Dis，则进入步骤3；若dis(n)<Dis，令max＝n，返回步骤2；若dis(n)>Dis，令min＝n+1，返回步骤2计算直到min>max，则停止计算，并返回classf＝max，进入步骤3；

步骤3：根据所得量化级数classf输出标量化结果，并保存分区和码本；

步骤4：对于新的待量化数据，按特征属性查找分区找到该数据对应特征分区和确定码本，进而得到其对应的量化值。

本发明的有益效果为：

本发明通过构建隐马尔科夫模型，实现了小样本情况下的刀具磨损监测，解决了刀具初期加工数据少的问题；通过采集不同轴的电机电流信号，全面反映刀具加工状态，实现了多传感器电流信号的处理，为刀具监测自动化提供了理论基础。

附图说明

图1是本发明刀具磨损监测流程示意图。

图2是量化级数自适应的Lloyds标量化流程图。

图3是实施例刀具磨损监测结果。

具体实施方式

下面结合附图和实施例对本发明作进一步详细说明。

参照图1，一种基于多传感器电流信号的刀具磨损监测方法，包括以下步骤：

第一步，将电流传感器同时装夹在机床不同轴的电机火线上，利用电流传感器采集刀具加工过程中不同轴的电机电流信号；采集一把新刀加工前N个工件的多传感器电流信号，用于构建刀具正常状态离散隐马尔科夫模型；采集刀具严重磨损的多传感器电流信号，用于构建刀具严重磨损状态离散隐马尔科夫模型；

第二步，采用时域分析和小波包能量谱分析对电流信号进行特征提取，从而实现对刀具加工过程中多传感器电流信号进行频带能量特征的提取，具体步骤如下：

步骤1：对刀具切削加工过程中采集的电流信号进行小波包分解获得第j层中每个节点的能量值E_j,k，其中j是分解层数；k是节点编号；c_j,k是第j层第k个节点的小波包系数；

步骤2：依次计算各节点所代表的频段能量在总能量中的比值，简称节点能量占比，记作 其中是第j层第k个节点的能量占比；

步骤3：将节点能量占比组成特征向量；

步骤4：重复以上步骤1～步骤3完成其余电流信号处理，依次获得特征向量，然后组合全部特征构成综合特征序列Att＝[Att₁，Att₂，Att₃，...]；

第三步，进行特征选择，利用基于距离评估方法选择出对刀具状态变化敏感度高的特征，具体步骤如下：

步骤1：计算同一状态下相同特征多样本间的平均距离：

$\begin{array}{cc}{d}_{cn}=\frac{1}{M\&times;(M-1)}\underset{l,m=1}{\overset{M}{\&Sigma;}}|q_{cmn}-q_{c\ln }|& l,m=1,\mathrm{2...},M,l\&NotEqual;m\end{array}$

其中q_cmn为c状态下在第m个样本中第n个特征的值；q_cln为c状态下在第l个样本中第n个特征的值；M为每种状态的样本数；n为每种状态的特征数；

步骤2：计算不同状态下相同特征多样本间的平均值：

其中C为状态总数；

步骤3：计算同一状态下相同特征多样本的平均值：

其中c,e＝1,2···,C且c≠e；

步骤4：计算不同状态间的平均距离：

c,e＝1,2···,C且c≠e；

步骤5：计算特征敏感度α_n：

${\mathrm{\&alpha;}}_n=\frac{d_n^{\left(b\right)}}{d_n^{\left(w\right)}};$

步骤6，根据计算的敏感度进行由高到低的排序，然后选择敏感度高的特征；

第四步，特征序列标量化，采用量化级数自适应的Lloyds标量化方法对选择的特征进行标量化处理，对每个特征分别进行标量化，获得标量化后的特征序列，参照图2，量化级数自适应的Lloyds标量化方法的具体步骤如下：

步骤1：初始化设置，包括待量化数据、最小量化级数min＝2、最大量化级数max和量化失真的最大值Dis；然后计算量化级数n＝min时的量化失真值dis(2)，若dis(2)≤Dis，则取量化级数classf＝n＝2，进入步骤3；若dis(2)>Dis，计算n＝max时量化失真dis(max)，若dis(max)>Dis，令max＝2max，重新计算，若dis(max)＝Dis，进入步骤3，若dis(max)<Dis，进入步骤2；

步骤2：令n＝[(min+max)/2]，生成分区和码本，并对数据进行标量化，计算量化失真dis(n)，若dis(n)＝Dis，则进入步骤3；若dis(n)<Dis，令max＝n，返回步骤2；若dis(n)>Dis，令min＝n+1，返回步骤2计算直到min>max，则停止计算，并返回classf＝max，进入步骤3；

步骤3：根据所得量化级数classf输出标量化结果，并保存分区和码本；

步骤4：对于新的待量化数据，按特征属性查找分区找到该数据对应特征分区和确定码本，进而得到其对应的量化值；

第五步，利用第二步至第四步处理后获得的刀具正常状态特征序列、刀具严重磨损状态特征序列，对应于构建刀具正常状态离散隐马尔科夫模型DHMM1、构建刀具严重磨损状态离散隐马尔科夫模型DHMM2；

第六步，对第四步得到的监测数据的特征序列，输入这两个模型DHMM1和DHMM2获得状态监测结果即极大似然估计值，分别记作lik1和lik2，通过对比两个模型输出对数极大似然估计值的大小，实现刀具磨损状态的监测；当lik1<lik2时，刀具为严重磨损状态，需换刀。

利用活塞加工过程实测数据进行分析，实验采用半精车裙部工序时机床主轴、进给X轴和进给Z轴的电流信号，采集一把MITSUBISHI-WNMG080404-FY型号刀具从新刀开始加工到换刀时加工所有工件的数据。对采集的电流信号进行分析，刀具磨损监测结果如图3所示可以看出刀具使用过程中，在正常状态监测模型中极大似然估计值先保持相对平稳，后逐渐减小，在严重磨损刀模型中的极大似然估计则是先保持平稳后逐渐增大。在加工第15个工件时，监测结果为刀具严重磨损，与实际情况相比，提前一个工件报警。由此可见基于多传感器电流信号的刀具磨损监测方法能够很好对刀具状态进行监测，证明了该方法的有效性。

Claims (4)

1.一种基于多传感器电流信号的刀具磨损监测方法，其特征在于，包括以下步骤：

第一步，将电流传感器同时装夹在机床不同轴的电机火线上，利用电流传感器采集刀具加工过程中不同轴的电机电流信号；采集一把新刀加工前N个工件的多传感器电流信号，用于构建刀具正常状态离散隐马尔科夫模型；采集刀具严重磨损的多传感器电流信号，用于构建刀具严重磨损状态离散隐马尔科夫模型；

第二步，采用时域分析和小波包能量谱分析对电流信号进行特征提取，从而实现对刀具加工过程中多传感器电流信号进行频带能量特征的提取；

第三步，进行特征选择，利用基于距离评估方法选择出对刀具状态变化敏感度高的特征；

第四步，特征序列标量化，采用量化级数自适应的Lloyds标量化方法对选择的特征进行标量化处理，对每个特征分别进行标量化，获得标量化后的特征序列；

第五步，利用第二步至第四步处理后分别获得的刀具正常状态特征序列、刀具严重磨损状态特征序列，对应于构建刀具正常状态离散隐马尔科夫模型DHMM1、构建刀具严重磨损状态离散隐马尔科夫模型DHMM2；

第六步，对第四步得到的监测数据的特征序列，输入模型DHMM1和DHMM2获得状态监测结果即极大似然估计值，分别记作lik1和lik2，通过对比两个模型输出对数极大似然估计值的大小，实现刀具磨损状态的监测；当lik1<lik2时，刀具为严重磨损状态，需换刀。

2.根据权利要求1所述的一种基于多传感器电流信号的刀具磨损监测方法，其特征在于，所述的第二步的具体步骤如下：

步骤1：对刀具切削加工过程中采集的电流信号进行小波包分解获得第j层中每个节点的能量值E_j,k，其中j是分解层数；k是节点编号；c_j,k是第j层第k个节点的小波包系数；

步骤2：依次计算各节点所代表的频段能量在总能量中的比值，简称节点能量占比，记作 其中是第j层第k个节点的能量占比；

步骤3：将节点能量占比组成特征向量；

步骤4：重复以上步骤1～步骤3完成其余电流信号处理，依次获得特征向量，然后组合全部特征构成综合特征序列Att＝[Att₁，Att₂，Att₃，...]。

3.根据权利要求1所述的一种基于多传感器电流信号的刀具磨损监测方法，其特征在于，所述的第三步的具体步骤如下：

步骤1：计算同一状态下相同特征多样本间的平均距离：

$\begin{array}{ccc}{d}_{cn}=\frac{1}{M\&times;(M-1)}\underset{l,m=1}{\overset{M}{\&Sigma;}}|q_{cmn}-q_{c\ln }|& l,m=1,2...,M,& l\&NotEqual;m\end{array}$

其中q_cmn为c状态下在第m个样本中第n个特征的值；q_cln为c状态下在第l个样本中第n个特征的值；M为每种状态的样本数；n为每种状态的特征数；

步骤2：计算不同状态下相同特征多样本间的平均值：

其中C为状态总数；

步骤3：计算同一状态下相同特征多样本的平均值：

其中c,e＝1,2···,C且c≠e；

步骤4：计算不同状态间的平均距离：

步骤5：计算特征敏感度α_n：

${\mathrm{\&alpha;}}_n=\frac{d_n^{\left(b\right)}}{d_n^{\left(w\right)}};$

步骤6，根据计算的敏感度进行由高到低的排序，然后选择敏感度高的特征。

4.根据权利要求1所述的一种基于多传感器电流信号的刀具磨损监测方法，其特征在于，所述的第四步的具体步骤如下：

步骤1：初始化设置，包括待量化数据、最小量化级数min＝2、最大量化级数max和量化失真的最大值Dis；然后计算量化级数n＝min时的量化失真值dis(2)，若dis(2)≤Dis，则取量化级数classf＝n＝2，进入步骤3；若dis(2)>Dis，计算n＝max时量化失真dis(max)，若dis(max)>Dis，令max＝2max，重新计算。若dis(max)＝Dis，进入步骤3，若dis(max)<Dis，进入步骤2；

步骤2：令n＝[(min+max)/2]，生成分区和码本，并对数据进行标量化，计算量化失真dis(n)，若dis(n)＝Dis，则进入步骤3；若dis(n)<Dis，令max＝n，返回步骤2；若dis(n)>Dis，令min＝n+1，返回步骤2计算直到min>max，则停止计算，并返回classf＝max，进入步骤3；

步骤3：根据所得量化级数classf输出标量化结果，并保存分区和码本；

步骤4：对于新的待量化数据，按特征属性查找分区找到该数据对应特征分区和确定码本，进而得到其对应的量化值。