CN106271881B - 一种基于SAEs和K-means的刀具破损监测方法 - Google Patents

Abstract

本发明公开了一种基于SAEs和K‑means的刀具破损监测方法，其包括以下步骤：(1)采集电流信号样本集；(2)将规整处理后的所述电流信号输入到SAEs作为输入样本集，重构并提取原始电流信号的特征，将最后一个SAEs训练所得的编码矢量输出为特征向量；(3)将所述特征向量作为K‑means聚类的输入层，对所有输入数据进行分类；(4)输出样本聚类结果，并根据聚类效果微调K‑means参数以及SAEs参数；(5)输出聚类效果，根据聚类效果判断刀具是否破损。

Description

一种基于SAEs和K-means的刀具破损监测方法

技术领域

本发明属于刀具检测技术相关领域，更具体地，涉及一种基于SAEs和K-means的刀具破损监测方法。

背景技术

数控机床刀具监测是指在产品加工过程中，计算机通过检测各类传感器的信号变化，判断和预测刀具是否破损。刀具破损监测过程本质是一个模拟识别过程，一个完整的刀具破损监控系统由研究对象(刀具)、加工条件、传感器网络、信号处理模块、特征提取模块及模式识别模块等部分组成。

由于加工过程中刀具不可避免的破损，刀具的破损会直接影响到机床的利用率和工件的加工质量，轻者造成加工工件质量下降，重者导致工件报废，在极端情况下甚至可能损坏机床的某些机械零件。因此，在加工过程中，需要实时快速地检测刀具的破损状态。

刀具加工系统的运行环境恶劣、复杂多变，在采集到的海量数据中蕴含了许多刀具故障信息，由于数据量太大，仅依靠人工提取信号来选择故障的特征相当困难。而目前基于信号特征提取的方法往往要求对信号特征有深度的理解及经验，由于刀具故障信号交叉严重、模式复杂，依靠浅层特征难以表征刀具的破损状态，监测能力有限且效果欠佳。应用先进的理论与分析方法，从大量的刀具加工信号中深度挖掘出能描述刀具状态的信息并高效、准确地自动识别出刀具的健康状况，成为了刀具破损监测领域面临的一个新的挑战。经过几十年的发展，刀具的监测技术在广度和深度上都已经达到了一定的水平，但是到目前为止还未找到一种既能适用于不同的加工条件，且能监测各种刀具的方法。现有的各种监测方法的使用范围都有限，还远未达到自动化、智能化的要求；在实际应用方面还都存在着一定的局限性，主要变现为：需要拥有大量的信号处理技术与诊断的经验结合工程实践来人工选择故障特征；仅利用传统方法选取出的浅层特征来进行刀具健康状况的识别；整个智能诊断过程中需要人工参与，人为的有监督的从信号中逐一提取特征，工作量大且效率较低，成本较高。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于SAEs和K-means的刀具破损监测方法，其基于刀具的工作特点，对刀具的电流信号的处理方式进行了设计。所述刀具破损监测方法采用的监测系统基于稀疏自动编码网络(SAEs)及K-means聚类分析方法，建立刀具实时监测模型，实现了刀具破损状态的智能化在线监测和预测；此外，所述监测系统可靠性较高，能够摆脱对大量信号处理技术与诊断经验的依赖，实现了刀具破损特征的自适应提取，且能做到实时监测的快速响应，监测诊断精度较高，能很好地满足实际生产的需要，具有自学习、自组织、自适应、自我决策以及自我诊断的能力。

为实现上述目的，本发明提供了一种基于SAEs和K-means的刀具破损监测方法，其中SAEs为稀疏自动编码网络，其特征在于，其包括以下步骤：

(1)提供一个监测系统，所述监测系统包括霍尔传感器、Labview平台及SAEs，首先，采用所述霍尔传感器测量主轴电机的三相电流信号；之后，根据每个工件的加工过程对应的电流信号特点对采集到的电流信号进行分段截取，并计算截取获得的每个工件的电流信号的均方根值RMS；最后，再将获得的电流信号进行平滑处理，同时，采用规整算法将平滑处理后的电流信号进行规整处理；

(2)将规整处理后的所述电流信号输入到所述SAEs作为输入样本集，重构并提取原始电流信号的特征，将最后一个SAEs训练所得的编码矢量输出为特征向量；

(3)将所述特征向量作为K-means聚类的输入层，对所有输入数据进行分类；

(4)输出样本聚类结果，并根据聚类效果微调K-means参数以及SAEs参数；

(5)输出聚类效果，根据聚类效果判断刀具是否破损。

优选地，所述霍尔传感器为霍尔电流传感器；所述霍尔传感器耦合布置在主轴电机上，以用于测量所述主轴电机的三相电流信号。

优选地，所述Labview平台用于采集所述霍尔传感器检测到的电流信号并将所述电流信号进行保存；所述Labview平台包括采集端及处理端，所述采集端用于将所述电流信号转换为电压信号，并将所述电压信号传送至所述处理端，所述处理端将接收到的所述电压信号通过A/D转换器转换成数字形式的电流信号。

优选地，对电流信号的规整处理包括以下步骤：

(a)设N为算法规整前长度，n为算法规整后长度，则d＝N-n为规整次数；为输入信号矢量，为第i-1次规整后第k个节点的权值，以m(k,i)表示第i-1次规整后第k个节点的连接权重，其中，i＝2,3,...,d+1，k＝1,...,N-i+1，且当i＝1时，m(k,i)＝1，其中k＝1,2,...,N；

(b)计算其中y＝1,...,N-w，以求最小值，从w＝1循环下列步骤直到w＝d；

(b1)计算并找出j，使得对于任何j≠y，其中y＝1,...,N-w都成立；

(b2)计算见下式所得：

(b3)计算m(y,w+1)，见下式所得：

优选地，所述SAEs对接收到的电流信号的训练包括以下步骤：

(c1)将规整处理后的各段电流信号自所述SAEs的输入节点输入所述SAEs；

(c2)在所述SAEs的编码层对输入的电流信号进行编码，将高维空间的输入数据转换为低维空间的编码矢量，并作为下一层的输入；

(c3)通过所述SAEs的解码网络将低维空间的编码矢量重构回原来的输入向量，使得编码矢量成为输入数据的一种特征表示；

(c4)通过多次编码和解码对原始输入的电流信号进行逐层特征变换，将样本在原空间的特征表示变换到新的特征空间，自动地学习得到层次化的特征表示；

(c5)通过最终输出与原始输入的对比误差，逐渐调节整个SAEs参数，最小化重构误差，完成整个训练。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，采用本发明提供的基于SAEs和K-means的刀具破损监测方法，所述刀具破损监测方法采用的监测系统基于稀疏自动编码网络(SAEs)及K-means聚类分析方法，建立刀具实时监测模型，实现了刀具破损状态的智能化在线监测和预测；此外，所述监测系统可靠性较高，能够摆脱对大量信号处理技术与诊断经验的依赖，实现了刀具破损特征的自适应提取，且能做到实时监测的快速响应，监测诊断精度较高，能很好地满足实际生产的需要，具有自学习、自组织、自适应、自我决策以及自我诊断的能力。

附图说明

图1是本发明较佳实施方式提供的基于SAEs和K-means的刀具破损监测流程示意图。

图2是图1中的基于SAEs和K-means的刀具破损监测中的电流信号采集及预处理过程示意图。

图3是图1中的基于SAEs和K-means的刀具破损监测中用到的刀具的刀齿正常时，主轴电机的电流信号的均方根值图。

图4是图1中的基于SAEs和K-means的刀具破损监测中用到的刀具的刀齿破损时，主轴电机的电流信号的均方根值图。

图5是图1中的基于SAEs和K-means的刀具破损监测中用到的刀具的刀齿正常和破损时，主轴电机的电流信号经平滑处理后的对比示意图。

图6是图1中的基于SAEs和K-means的刀具破损监测中，对刀具的主轴电机的电流信号的规整处理的流程示意图。

图7是图1中的基于SAEs和K-means的刀具破损监测中涉及的稀疏自动编码网络(SAEs)结构示意图。

图8是图1中的基于SAEs和K-means的刀具破损监测中涉及的K-means聚类算法流程图。

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。

请参阅图1至图4，本发明较佳实施方式提供的基于SAEs和K-means的刀具破损监测方法，其通过采集大量数控机床加工时的主轴电机的三相电流信号，使用稀疏自动编码网络(Sparse Auto Encoders，SAEs)学习信号特征，应用K-means聚类算法实现刀具破损时与正常时的主轴电机的三相电流信号的无监督分类，建立刀具破损监测模型，实现对刀具破损状态的智能化在线监测。此外，所述刀具破损监测方法能够摆脱对大量信号处理技术与诊断经验的依赖，通过无监督学习实现大样本、多刀具工况下刀具破损特征的自适应提取与刀具状况的快速准确识别。

本实施方式以MAG XS321卧式加工中心为例来对本发明进行进一步详细说明；可以理解，在其他实施方式中，所述刀具破损监测方法可以用于其他数控机床，如数控铣床、数控车床等。

请参阅图5至图8，所述刀具破损监测方法包括以下步骤：

步骤一，采集电流信号数据样本。具体地，提供一个监测系统，数控加工时，利用所述监测系统的霍尔电流传感器采集主轴电机的三相电流信号。本实施方式中，所述霍尔传感器为霍尔电流传感器，其耦合布置在所述MAG XS321卧式加工中心的主轴电机上，所述霍尔传感器用于测量所述主轴电机的三相电流信号。所述监测系统的Labview平台用于采集所述霍尔传感器检测到的电流信号并将所述电流信号进行保存。所述Labview平台的采集端将所述电流信号转换为电压信号，并将所述电压信号传送至所述Labview平台的处理端，所述处理端用于将接收到的所述电压信号通过A/D转换器转换成数字形式的电流信号。

步骤二，电流信号预处理。具体地，所述监测系统根据每个工件的加工过程对应的电流信号的特点对整个所述主轴电机的电流信号进行分段截取，将整个所述主轴电机的电流信号分段成每个工件加工过程对应的电流信号，并对每段电流信号进行均方根值计算以得到一系列工件电流信号均方根值。比较刀具的刀齿正常时的电流信号与刀具的刀齿破损时的电流信号，可以看出两者之间具有明显的区别，所述区别为需要通过无监督学习提取出的特征。

为了使各段电流信号数据便于输入系数自动编码网络进行训练，采用规整算法对各段电流信号数据进行规整处理。具体地，设N为规整算法前长度，n为规整算法后长度，则d＝N-n为规整次数；假如为输入信号矢量，为第i-1次规整后第k个节点的权值，以m(k,i)表示第i-1次规整后第k个节点的连接权重，其中，i＝2,3,...,d+1，k＝1,...,N-i+1，且当i＝1时，m(k,i)＝1(k＝1,2,...,N)。

计算求最小值，从w＝1循环下列步骤直到w＝d：

(211)计算并找出j，使得对于任何j≠y(y＝1,...,N-w)都成立；

(212)计算如下式所得：

(213)计算m(y,w+1)，如下式所得：

步骤三，将规整处理后的电流信号输入所述监测系统的稀疏自动编码网络进行训练，将规整处理后的各段电流信号从所述稀疏自动编码网络的输入节点输入所述稀疏自动编码网络；在所述稀疏自动编码网络的编码层对输入的电流信号进行编码，将高维空间的输入数据转换为低维空间的编码矢量，并作为下一层的输入；通过所述稀疏自动编码网络的解码网络将低维空间的编码矢量重构回原来的输入向量，使得编码矢量成为输入数据的一种特征表示；通过多次编码和解码对原始信号进行逐层特征变换，将样本在原空间的特征表示变换到新的特征空间，自动地学习得到层次化的特征表示；通过最终输出与原始输入的对比误差，逐渐调节整个网络参数，最小化重构误差，直到达到良好的训练结果。

具体地，给定一个无标签的已预处理好的电流信号样本集所述稀疏自动编码网络通过编码函数f_θ将每一个训练样本x^m变换为编码矢量h^m。

h^m＝f_θ(x^m)＝s_f(Wx^m+b)

式中，s_f为编码网络的激活函数；θ为编码网络的参数集合，且θ＝{W,b}。

然后，编码矢量h^m通过解码函数g_θ′反向变换为x^m的一种重构表示

式中，s_g为解码网络的激活函数；θ′为解码网络的参数集合，且θ′＝{W′,d}。

最后，最小化x^m与的重构误差完成整个网络的训练。本实施方式中，将最后一个SAEs训练所得到的编码矢量输出为特征向量。

步骤四，训练稳定后，将所述稀疏自动编码网络中最后的编码层添加一个K-means聚类模型，以实现不同类型信号的聚类，基于正常信号与破损信号差异较大的原则，可以判断刀具是否破损，即完成刀具破损验证。

K-means算法是根据准则函数进行分类的聚类算法，其使聚类准则函数最小化。K-means算法的主要思想是先在需要分类的数据中寻找K组数据作为初始聚类中心；然后，计算其他数据距离这K个聚类中心的距离，进而将数据归入与其距离最近的聚类中心；之后，再对这K个聚类的数据计算均值，将计算获得的均值作为新的聚类中心，继续以上步骤直到新的聚类中心与上一次的聚类中心的值相等才结束算法。

所述准则函数为聚类集中每一个样本点到该聚类中心的距离平方和，对于第j个聚类集，对应的准则函数定义为：Xi∈^Sj

S_j为第j个聚类集(域)，聚类中心为Z_j；

N_j为第j个聚类集S_j中所包含的样本个数。

K-means算法的聚类准则为聚类中心的选择应使准则函数J极小，即使J_j的值极小。

可得：Xi∈Sj

上式表明，S_j类的聚类中心应选为该聚类样本的均值。

本实施方式中，所述K-means聚类算法对信号的处理包括以下步骤：

(1)任选K个初始聚类中心，Z1(1)，Z2(1),…，ZK(1)(括号内序号为迭代运算的次序号)。

(2)按最小距离原则将其余样品分配到K个聚类中心中的某一个，即

min{||X-Z_i(k)||,i＝1,2,…,K}＝||X-Z_j(k)||＝D_j(k)，

则X∈S_j(k)

(3)计算各个聚类中心的新向量值：

Z_j(k+1)j＝1,2,…,K

N_j为第j类的样本数。

(4)如果Z_j(k+1)≠Z_j(k)j＝1,2,…,K，则回到步骤(2)，将样本逐个重新分类，重复迭代计算；如果Z_j(k+1)＝Z_j(k)j＝1,2,…,K，则算法收敛，计算完毕。

采用本发明提供的基于SAEs和K-means的刀具破损监测方法，所述刀具破损监测方法采用的监测系统基于稀疏自动编码网络(SAEs)及K-means聚类分析方法，建立刀具实时监测模型，实现了刀具破损状态的智能化在线监测和预测；此外，所述监测系统可靠性较高，能够摆脱对大量信号处理技术与诊断经验的依赖，实现了刀具破损特征的自适应提取，且能做到实时监测的快速响应，监测诊断精度较高，能很好地满足实际生产的需要，具有自学习、自组织、自适应、自我决策以及自我诊断的能力。

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 (5)

1.一种基于SAEs和K-means的刀具破损监测方法，其中SAEs为稀疏自动编码网络，其特征在于，其包括以下步骤：

(1)提供一个监测系统，所述监测系统包括霍尔传感器、Labview平台及SAEs，首先，采用所述霍尔传感器测量主轴电机的三相电流信号；之后，根据每个工件的加工过程对应的电流信号特点对采集到的电流信号进行分段截取，并计算截取获得的每个工件的电流信号的均方根值RMS；最后，再将获得的电流信号进行平滑处理，同时，采用规整算法将平滑处理后的电流信号进行规整处理；

(2)将规整处理后的所述电流信号输入到所述SAEs作为输入样本集，重构并提取原始电流信号的特征，将最后一个SAEs训练所得的编码矢量输出为特征向量；

(3)将所述特征向量作为K-means聚类的输入层，对所有输入数据进行分类；

(4)输出样本聚类结果，并根据聚类效果微调K-means参数以及SAEs参数；

(5)输出聚类效果，根据聚类效果判断刀具是否破损。

2.如权利要求1所述的基于SAEs和K-means的刀具破损监测方法，其特征在于：所述霍尔传感器为霍尔电流传感器；所述霍尔传感器耦合布置在主轴电机上，以用于测量所述主轴电机的三相电流信号。

3.如权利要求2所述的基于SAEs和K-means的刀具破损监测方法，其特征在于：所述Labview平台用于采集所述霍尔传感器检测到的电流信号并将所述电流信号进行保存；所述Labview平台包括采集端及处理端，所述采集端用于将所述电流信号转换为电压信号，并将所述电压信号传送至所述处理端，所述处理端将接收到的所述电压信号通过A/D转换器转换成数字形式的电流信号。

4.如权利要求1所述的基于SAEs和K-means的刀具破损监测方法，其特征在于：对电流信号的规整处理包括以下步骤：

(a)设N为算法规整前长度，n为算法规整后长度，则d＝N-n为规整次数；为输入信号矢量，为第i-1次规整后第k个节点的权值，以m(k,i)表示第i-1次规整后第k个节点的连接权重，其中，i＝2,3,...,d+1，k＝1,...,N-i+1，且当i＝1时，m(k,i)＝1，其中k＝1,2,...,N；

(b)计算其中y＝1,...,N-w，以求最小值，从w＝1循环下列步骤直到w＝d；

(b1)计算并找出j，使得对于任何j≠y，其中y＝1,...,N-w都成立；

(b2)计算见下式所得：

(b3)计算m(y,w+1)，见下式所得：

5.如权利要求1所述的基于SAEs和K-means的刀具破损监测方法，其特征在于：所述SAEs对接收到的电流信号的训练包括以下步骤：

(c1)将规整处理后的各段电流信号自所述SAEs的输入节点输入所述SAEs；

(c2)在所述SAEs的编码层对输入的电流信号进行编码，将高维空间的输入数据转换为低维空间的编码矢量，并作为下一层的输入；

(c3)通过所述SAEs的解码网络将低维空间的编码矢量重构回原来的输入向量，使得编码矢量成为输入数据的一种特征表示；

(c4)通过多次编码和解码对原始输入的电流信号进行逐层特征变换，将样本在原空间的特征表示变换到新的特征空间，自动地学习得到层次化的特征表示；

(c5)通过最终输出与原始输入的对比误差，逐渐调节整个SAEs参数，最小化重构误差，完成整个训练。