CN107194427A - 一种铣削刀具故障监测与识别方法及系统 - Google Patents
一种铣削刀具故障监测与识别方法及系统 Download PDFInfo
- Publication number
- CN107194427A CN107194427A CN201710383932.2A CN201710383932A CN107194427A CN 107194427 A CN107194427 A CN 107194427A CN 201710383932 A CN201710383932 A CN 201710383932A CN 107194427 A CN107194427 A CN 107194427A
- Authority
- CN
- China
- Prior art keywords
- milling cutter
- weak classifier
- cutting tool
- measured
- sorting algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003801 milling Methods 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012544 monitoring process Methods 0.000 title claims abstract description 22
- 230000007257 malfunction Effects 0.000 title claims abstract description 21
- 238000005520 cutting process Methods 0.000 claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 238000005070 sampling Methods 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 15
- 230000015572 biosynthetic process Effects 0.000 abstract description 3
- 241000894007 species Species 0.000 description 14
- 230000006870 function Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 230000010076 replication Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
- B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
- B23Q17/0971—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining by measuring mechanical vibrations of parts of the machine
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明实施例公开了一种铣削刀具故障监测与识别方法，包括在历史数据中，获取刀具状态种类及各种刀具状态下所得振动时域信号；计算振动时域信号的特征值并与刀具状态种类组合成样本后，划分训练样本集和测试样本集；构成基础弱分类器集，并由训练样本集确定基础弱分类器模型；利用测试样本集测试，计算基础弱分类器模型的权重；采集待测铣削刀具的振动时域信号并计算特征值，在基础弱分类器模型中得到分类结果集；根据权重及分类结果集，计算待测铣削刀具的类别概率，并以类别概率最大对应的刀具状态种类为故障类别。本发明实施例，能够在不增加试验成本的基础上，为铣削刀具故障识别过程提供更丰富的样本集合，并能提高铣削刀具故障识别的整体精度。
Description
技术领域
本发明涉及机械故障诊断技术领域和计算机技术领域，尤其涉及一种铣削刀具故障监测与识别方法及系统。
背景技术
铣削是用旋转的铣刀作为刀具加工物体表面的一种机械加工方法，一般在铣床或镗床上进行，除能加工平面、沟槽、轮齿、螺纹和花键轴外，还能加工比较复杂的型面，生产效率较高，在机械制造行业中被广泛应用。
刀具作为铣削加工过程中最易损伤的部件，对其进行及时有效的状态监测与故障识别至关重要。据统计，在铣削加工中，刀具故障通常约占机床停机时间的7-20％，而频繁的停机换刀严重影响企业的生产效率。此外，换刀的时效性直接影响到加工的质量和成本，一方面，若换刀不及时，坏刀会直接影响零件表面光洁度、尺寸精度等质量特性，严重的还将导致工件报废，增加加工成本；另一方面，若过早换刀，刀具还未到其有效使用寿命就丢弃，造成材料的浪费，增加换刀成本。因此，研究在铣削加工过程中进行实时的刀具故障监测与识别，对缩减加工成本具有很重要的意义。
目前，学者们开展了大量铣削刀具故障监测与识别的研究，已提出了诸多比较有效的识别方法，如快速傅里叶变换、小波分析、人工神经网络、支持向量机、混合智能等，这为高精度、高可靠的铣削刀具故障识别提供了一定的技术基础。然而，这些方法都具有一定的局限性，具体表现为：(一)需要在样本数据量大的前提下开展，否则小样本情形下训练效果很差，对刀具故障状态的识别无能为力；(二)需要加工信号满足一定的条件(如平稳性、独立同分布等)，然而却对铣削刀具信号(具有小样本、非线性、非平稳等特点)的故障识别过程不大适用，常常导致对某些刀具故障识别率高而对其它刀具故障却无能为力的现象出现，使得总体故障识别精度不高。
发明内容
本发明实施例的目的在于提供一种铣削刀具故障监测与识别方法及系统，能够在不增加试验成本的基础上，为铣削刀具故障识别过程提供更丰富的样本集合，并能提高铣削刀具故障识别的整体精度。
为了解决上述技术问题，本发明实施例提供了一种铣削刀具故障监测与识别方法，所述方法包括：
在已测铣削刀具的历史数据中，获取刀具状态的种类及各种刀具状态下所得振动时域信号；
确定所得振动时域信号都需计算的共同特征参数项，并计算所得振动时域信号各自对应所述共同特征参数项的特征值，且将已计算出特征值的振动时域信号与各自对应的刀具状态种类组合成样本后，形成刀具状态样本集，进一步将所述刀具状态样本集划分得到训练样本集和测试样本集；
在预设的分类算法中选取一定量，得到由所选分类算法构成的基础弱分类器集，并进一步确定每个所选分类算法各自对应的基础弱分类器模型；其中，所述每个所选分类算法的基础弱分类器模型均是采用Bootstrap方法对所述训练样本集重复抽样，并利用重复抽样得到的子训练样本集进行训练学习而获得；
利用所述测试样本集对所述基础弱分类器集中每个所选分类算法的基础弱分类器模型分别进行测试，并根据测试结果，计算出每个所选分类算法的基础弱分类器模型的总正确率，且进一步根据所述计算出的每个所选分类算法的基础弱分类器模型的总正确率，得到每个所选分类算法的基础弱分类器模型的权重；
采集待测铣削刀具的振动时域信号，并计算待测铣削刀具的振动时域信号各自对应所述共同特征参数项的特征值，且将已计算出特征值的待测铣削刀具的振动时域信号送入所述每个所选分类算法的基础弱分类器模型进行分类，得到所述待测铣削刀具的分类结果集；
根据所述每个所选分类算法的基础弱分类器模型的权重以及所述待测铣削刀具的分类结果集，计算所述待测铣削刀具的类别概率，并进一步筛选出类别概率最大所对应的刀具状态种类作为所述待测铣削刀具的故障类别。
其中，所述刀具状态的种类包括正常、中等磨损和严重磨损。
其中，所述共同特征参数项由6个时域参数项和4个频域参数项形成。
其中，所述预设的分类算法包括线性判别分析算法、基于高斯径向基核的支持向量机算法、k近邻算法和基于多项式核的支持向量机算法。
本发明实施例还提供了一种铣削刀具故障监测与识别系统，所述系统包括：
刀具种类及信号获取单元，用于在已测铣削刀具的历史数据中，获取刀具状态的种类及各种刀具状态下所得振动时域信号；
刀具状态样本构建单元，用于确定所得振动时域信号都需计算的共同特征参数项，并计算所得振动时域信号各自对应所述共同特征参数项的特征值，且将已计算出特征值的振动时域信号与各自对应的刀具状态种类组合成样本后，形成刀具状态样本集，进一步将所述刀具状态样本集划分得到训练样本集和测试样本集；
模型训练单元，用于在预设的分类算法中选取一定量，得到由所选分类算法构成的基础弱分类器集，并进一步确定每个所选分类算法各自对应的基础弱分类器模型；其中，所述每个所选分类算法的基础弱分类器模型均是采用Bootstrap方法对所述训练样本集重复抽样，并利用重复抽样得到的子训练样本集进行训练学习而获得；
模型权重计算单元，用于利用所述测试样本集对所述基础弱分类器集中每个所选分类算法的基础弱分类器模型分别进行测试，并根据测试结果，计算出每个所选分类算法的基础弱分类器模型的总正确率，且进一步根据所述计算出的每个所选分类算法的基础弱分类器模型的总正确率，得到每个所选分类算法的基础弱分类器模型的权重；
待测刀具分类结果计算单元，用于采集待测铣削刀具的振动时域信号，并计算待测铣削刀具的振动时域信号各自对应所述共同特征参数项的特征值，且将已计算出特征值的待测铣削刀具的振动时域信号送入所述每个所选分类算法的基础弱分类器模型进行分类，得到所述待测铣削刀具的分类结果集；
待测刀具故障类别识别单元，用于根据所述每个所选分类算法的基础弱分类器模型的权重以及所述待测铣削刀具的分类结果集，计算所述待测铣削刀具的类别概率，并进一步筛选出类别概率最大所对应的刀具状态种类作为所述待测铣削刀具的故障类别。
其中，所述刀具状态的种类包括正常、中等磨损和严重磨损。
其中，所述共同特征参数项由6个时域参数项和4个频域参数项形成。
其中，所述预设的分类算法包括线性判别分析算法、基于高斯径向基核的支持向量机算法、k近邻算法和基于多项式核的支持向量机算法。
实施本发明实施例，具有如下有益效果：
本发明实施例通过采集不同刀具状态加工过程中的振动信号，提取若干时频统计特征参数构成训练数据集；然后基于bagging集成学习原理，选定几种分类器(如SVM、线性判别分析、k近邻、神经网络等)作为基础弱分类器，并对每个基础弱分类器，采用bootstrap重抽样方法对训练样本进行重抽样，获得若干训练子集，利用这些训练子集对基础分类器进行训练学习，得到来自不同训练子集的基础弱分类器模型，且进一步计算每个基础弱分类器模型的正确率；最后采用加权投票策略进行铣削刀具故障的最终识别，因此在不增加试验成本的基础上为铣削刀具故障识别过程提供了更丰富的样本集合，并能整合不同基础分类器的优势，提高铣削刀具故障识别的整体精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的铣削刀具故障监测与识别方法的流程图；
图2为本发明实施例提供的铣削刀具故障监测与识别系统的结构示意图。
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。
如图1所示，本发明实施例中，提出的一种铣削刀具故障监测与识别方法，所述方法包括：
步骤S1、在已测铣削刀具的历史数据中，获取刀具状态的种类及各种刀具状态下所得振动时域信号；
具体过程为，在已测铣削刀具的历史数据中，获取刀具状态有C种(如正常、中等磨损、严重磨损、破损等)，并得到C种刀具状态下的振动时域信号T次，记为i＝1,…,T,c＝1,…,C，Z为每次采集的信号点数，c为第C类刀具状态。
步骤S2、确定所得振动时域信号都需计算的共同特征参数项，并计算所得振动时域信号各自对应所述共同特征参数项的特征值，且将已计算出特征值的振动时域信号与各自对应的刀具状态种类组合成样本后，形成刀具状态样本集，进一步将所述刀具状态样本集划分得到训练样本集和测试样本集；
具体过程为，确定各类刀具状态下T次振动信号的共同特征参数项(有10个，具体包括时域参数6个和频域参数4个，公式见下表1)，此时计算出特征值的振动时域信号表示为并与刀具状态种类C组成样本后形成刀具状态样本集i＝1,…,T,c＝1,…,C。
将刀具状态样本集分为训练样本集i＝1,…,T1和测试样本集j＝1,…,T2。训练样本集用于对分类器进行训练学习，测试样本集用于对分类器进行测试评估，T1和T2分别为训练样本集和测试样本集的样本容量，且有T1+T2＝T。
表1：
步骤S3、在预设的分类算法中选取一定量，得到由所选分类算法构成的基础弱分类器集，并进一步确定每个所选分类算法各自对应的基础弱分类器模型；其中，所述每个所选分类算法的基础弱分类器模型均是采用Bootstrap方法对所述训练样本集重复抽样，并利用重复抽样得到的子训练样本集进行训练学习而获得；
具体过程为，选取M个分类算法(如线性判别分析算法、基于高斯径向基核的支持向量机算法、k近邻算法和基于多项式核的支持向量机算法等)，构成基础弱分类器集Φ＝{Φ1,Φ2,…,ΦM}；对基础弱分类器Φi采用bootstrap方法进行多次训练。采用bootstrap方法对训练样本集重抽样B次，利用抽样的B个不同训练子集对基础弱分类器Φi进行训练学习，得到B个基础弱分类器Φi＝{Φi1,Φi2,…,ΦiB}。
Bootstap法是一种重复自采样方法，采取有放回抽样策略，更多地在不破坏总体分布的情况下考虑样本信息，摆脱了传统统计方法对分布假定的依赖，特别适用于小样本情形下的数据分析，可以克服样本不充足或样本不对称的不足，提升小样本估计的精度。其操作过程如下：对于含有N＝C*T个样本的原始训练集，每次先随机采集一个样本放入采样集，接着把该样本放回，也就是说下次采样时该样本仍有可能被采集到，如此采集N次，最终可以得到含有N个样本的采样集。由于是随机采样，这样每次的采样集是和原始训练集不同的，和其他采样集也是不同的，这样得到多个不同的训练子集。
步骤S4、利用所述测试样本集对所述基础弱分类器集中每个所选分类算法的基础弱分类器模型分别进行测试，并根据测试结果，计算出每个所选分类算法的基础弱分类器模型的总正确率，且进一步根据所述计算出的每个所选分类算法的基础弱分类器模型的总正确率，得到每个所选分类算法的基础弱分类器模型的权重；
具体过程为，用测试样本集对基础弱分类器Φi进行测试，计算Φi的总正确率Ai：
并进一步根据公式计算基础弱分类器Φi的权重wi。
步骤S5、采集待测铣削刀具的振动时域信号，并计算待测铣削刀具的振动时域信号各自对应所述共同特征参数项的特征值，且将已计算出特征值的待测铣削刀具的振动时域信号送入所述每个所选分类算法的基础弱分类器模型进行分类，得到所述待测铣削刀具的分类结果集；
具体过程为，每隔固定时间间隔采集一次运行状态下的待测铣削刀具振动时域信号，构成待诊断信号X’，计算X’对应共同特征参数项的特征值，如10个共同特征参数项的特征值U＝(U1,...,U10)，并将U作为输入，用每个基础弱分类器Φi进行分类，得到分类结果集UC：UC＝{UC1,…,UCM}，UCi表示Φi的分类结果。
步骤S6、根据所述每个所选分类算法的基础弱分类器模型的权重以及所述待测铣削刀具的分类结果集，计算所述待测铣削刀具的类别概率，并进一步筛选出类别概率最大所对应的刀具状态种类作为所述待测铣削刀具的故障类别。
具体过程为，根据公式计算待测铣削刀具的类别概率；其中，Pk表示待测刀具为第k类状态的概率，其取值为UC中将待测刀具判定为第k类状态(UCi＝k)的分类器Φi对应的权重之和；
并进一步根据公式计算出类别概率最大值，得到类别概率最大所对应的刀具状态种类确定为待测刀具的故障类别。
对本发明实施例中铣削刀具故障监测与识别方法的应用场景做进一步说明：
选取三种刀具状态种类(包括正常、中等磨损和严重磨损)，每种刀具状态下所得振动时域信号T＝25次，记为i＝1,…,T,c＝1,…,C，Z为每次采集的信号点数(本例中取Z＝4096)；
计算三种刀具状态下25次振动时域信号的10个共同特征参数项的特征值，并取T1＝20，T2＝5，即每一种刀具状态中随机选取20次信号作训练用，剩下的5次作为测试用。从而，总体训练样本容量为20*3＝60，总体测试样本容量为5*3＝15；
选取M＝4个分类算法，构成基础弱分类器集Φ＝{Φ1,Φ2,Φ3,Φ4}，并采用Bootstrap方法对训练样本集重抽样50次，利用抽样的50个不同训练子集对基础弱分类器Φi进行训练学习，得到50个基础弱分类器Φi＝{Φi1,Φi2,…,Φi50}；
计算出基础弱分类器Φi的总正确率，具体如下表2所示：
表2
计算出基础弱分类器Φi的权重wi，具体如下表3所示：
表3
计算出待测铣削刀具的分类结果，具体如下表4所示：
表4
计算出待测铣削刀具的类别概率，具体如下表5所示：
表5
| 刀具状态 | 正常 | 中等磨损 | 严重磨损 |
| 概率 | 0.462 | 0.538 | 0 |
| 判定结果 | √ |
从上表5中可以看出，概率最大对应的刀具状态种类-中等磨损，确定为待测铣削刀具的故障类别。
如图2所示，为本发明实施例中，提供的一种铣削刀具故障监测与识别系统，所述系统包括：
刀具种类及信号获取单元210，用于在已测铣削刀具的历史数据中，获取刀具状态的种类及各种刀具状态下所得振动时域信号；
刀具状态样本构建单元220，用于确定所得振动时域信号都需计算的共同特征参数项，并计算所得振动时域信号各自对应所述共同特征参数项的特征值，且将已计算出特征值的振动时域信号与各自对应的刀具状态种类组合成样本后，形成刀具状态样本集，进一步将所述刀具状态样本集划分得到训练样本集和测试样本集；
模型训练单元230，用于在预设的分类算法中选取一定量，得到由所选分类算法构成的基础弱分类器集，并进一步确定每个所选分类算法各自对应的基础弱分类器模型；其中，所述每个所选分类算法的基础弱分类器模型均是采用Bootstrap方法对所述训练样本集重复抽样，并利用重复抽样得到的子训练样本集进行训练学习而获得；
模型权重计算单元240，用于利用所述测试样本集对所述基础弱分类器集中每个所选分类算法的基础弱分类器模型分别进行测试，并根据测试结果，计算出每个所选分类算法的基础弱分类器模型的总正确率，且进一步根据所述计算出的每个所选分类算法的基础弱分类器模型的总正确率，得到每个所选分类算法的基础弱分类器模型的权重；
待测刀具分类结果计算单元250，用于采集待测铣削刀具的振动时域信号，并计算待测铣削刀具的振动时域信号各自对应所述共同特征参数项的特征值，且将已计算出特征值的待测铣削刀具的振动时域信号送入所述每个所选分类算法的基础弱分类器模型进行分类，得到所述待测铣削刀具的分类结果集；
待测刀具故障类别识别单元260，用于根据所述每个所选分类算法的基础弱分类器模型的权重以及所述待测铣削刀具的分类结果集，计算所述待测铣削刀具的类别概率，并进一步筛选出类别概率最大所对应的刀具状态种类作为所述待测铣削刀具的故障类别。
其中，所述刀具状态的种类包括正常、中等磨损和严重磨损。
其中，所述共同特征参数项由6个时域参数项和4个频域参数项形成。
其中，所述预设的分类算法包括线性判别分析算法、基于高斯径向基核的支持向量机算法、k近邻算法和基于多项式核的支持向量机算法。
实施本发明实施例，具有如下有益效果：
本发明实施例通过采集不同刀具状态加工过程中的振动信号，提取若干时频统计特征参数构成训练数据集；然后基于bagging集成学习原理，选定几种分类器(如SVM、线性判别分析、k近邻、神经网络等)作为基础弱分类器，并对每个基础弱分类器，采用bootstrap重抽样方法对训练样本进行重抽样，获得若干训练子集，利用这些训练子集对基础分类器进行训练学习，得到来自不同训练子集的基础弱分类器模型，且进一步计算每个基础弱分类器模型的正确率；最后采用加权投票策略进行铣削刀具故障的最终识别，因此在不增加试验成本的基础上为铣削刀具故障识别过程提供了更丰富的样本集合，并能整合不同基础分类器的优势，提高铣削刀具故障识别的整体精度。
值得注意的是，上述系统实施例中，所包括的各个系统单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
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)
1.一种铣削刀具故障监测与识别方法，其特征在于，所述方法包括：
在已测铣削刀具的历史数据中，获取刀具状态的种类及各种刀具状态下所得振动时域信号；
确定所得振动时域信号都需计算的共同特征参数项，并计算所得振动时域信号各自对应所述共同特征参数项的特征值，且将已计算出特征值的振动时域信号与各自对应的刀具状态种类组合成样本后，形成刀具状态样本集，进一步将所述刀具状态样本集划分得到训练样本集和测试样本集；
在预设的分类算法中选取一定量，得到由所选分类算法构成的基础弱分类器集，并进一步确定每个所选分类算法各自对应的基础弱分类器模型；其中，所述每个所选分类算法的基础弱分类器模型均是采用Bootstrap方法对所述训练样本集重复抽样，并利用重复抽样得到的子训练样本集进行训练学习而获得；
利用所述测试样本集对所述基础弱分类器集中每个所选分类算法的基础弱分类器模型分别进行测试，并根据测试结果，计算出每个所选分类算法的基础弱分类器模型的总正确率，且进一步根据所述计算出的每个所选分类算法的基础弱分类器模型的总正确率，得到每个所选分类算法的基础弱分类器模型的权重；
采集待测铣削刀具的振动时域信号，并计算待测铣削刀具的振动时域信号各自对应所述共同特征参数项的特征值，且将已计算出特征值的待测铣削刀具的振动时域信号送入所述每个所选分类算法的基础弱分类器模型进行分类，得到所述待测铣削刀具的分类结果集；
根据所述每个所选分类算法的基础弱分类器模型的权重以及所述待测铣削刀具的分类结果集，计算所述待测铣削刀具的类别概率，并进一步筛选出类别概率最大所对应的刀具状态种类作为所述待测铣削刀具的故障类别。
2.如权利要求1所述的铣削刀具故障监测与识别方法，其特征在于，所述刀具状态的种类包括正常、中等磨损和严重磨损。
3.如权利要求2所述的铣削刀具故障监测与识别方法，其特征在于，所述共同特征参数项由6个时域参数项和4个频域参数项形成。
4.如权利要求3所述的铣削刀具故障监测与识别方法，其特征在于，所述预设的分类算法包括线性判别分析算法、基于高斯径向基核的支持向量机算法、k近邻算法和基于多项式核的支持向量机算法。
5.一种铣削刀具故障监测与识别系统，其特征在于，所述系统包括：
刀具种类及信号获取单元，用于在已测铣削刀具的历史数据中，获取刀具状态的种类及各种刀具状态下所得振动时域信号；
刀具状态样本构建单元，用于确定所得振动时域信号都需计算的共同特征参数项，并计算所得振动时域信号各自对应所述共同特征参数项的特征值，且将已计算出特征值的振动时域信号与各自对应的刀具状态种类组合成样本后，形成刀具状态样本集，进一步将所述刀具状态样本集划分得到训练样本集和测试样本集；
模型训练单元，用于在预设的分类算法中选取一定量，得到由所选分类算法构成的基础弱分类器集，并进一步确定每个所选分类算法各自对应的基础弱分类器模型；其中，所述每个所选分类算法的基础弱分类器模型均是采用Bootstrap方法对所述训练样本集重复抽样，并利用重复抽样得到的子训练样本集进行训练学习而获得；
模型权重计算单元，用于利用所述测试样本集对所述基础弱分类器集中每个所选分类算法的基础弱分类器模型分别进行测试，并根据测试结果，计算出每个所选分类算法的基础弱分类器模型的总正确率，且进一步根据所述计算出的每个所选分类算法的基础弱分类器模型的总正确率，得到每个所选分类算法的基础弱分类器模型的权重；
待测刀具分类结果计算单元，用于采集待测铣削刀具的振动时域信号，并计算待测铣削刀具的振动时域信号各自对应所述共同特征参数项的特征值，且将已计算出特征值的待测铣削刀具的振动时域信号送入所述每个所选分类算法的基础弱分类器模型进行分类，得到所述待测铣削刀具的分类结果集；
待测刀具故障类别识别单元，用于根据所述每个所选分类算法的基础弱分类器模型的权重以及所述待测铣削刀具的分类结果集，计算所述待测铣削刀具的类别概率，并进一步筛选出类别概率最大所对应的刀具状态种类作为所述待测铣削刀具的故障类别。
6.如权利要求5所述的铣削刀具故障监测与识别系统，其特征在于，所述刀具状态的种类包括正常、中等磨损和严重磨损。
7.如权利要求6所述的铣削刀具故障监测与识别系统，其特征在于，所述共同特征参数项由6个时域参数项和4个频域参数项形成。
8.如权利要求7所述的铣削刀具故障监测与识别系统，其特征在于，所述预设的分类算法包括线性判别分析算法、基于高斯径向基核的支持向量机算法、k近邻算法和基于多项式核的支持向量机算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710383932.2A CN107194427A (zh) | 2017-05-26 | 2017-05-26 | 一种铣削刀具故障监测与识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710383932.2A CN107194427A (zh) | 2017-05-26 | 2017-05-26 | 一种铣削刀具故障监测与识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107194427A true CN107194427A (zh) | 2017-09-22 |
Family
ID=59874585
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710383932.2A Pending CN107194427A (zh) | 2017-05-26 | 2017-05-26 | 一种铣削刀具故障监测与识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107194427A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108319962A (zh) * | 2018-01-29 | 2018-07-24 | 安徽大学 | 一种基于卷积神经网络的刀具磨损监测方法 |
| CN109158954A (zh) * | 2018-09-10 | 2019-01-08 | 杭州电子科技大学 | 一种基于声信号检测的超声刀具磨损状态识别方法与系统 |
| CN109389039A (zh) * | 2018-09-04 | 2019-02-26 | 温州大学激光与光电智能制造研究院 | 一种优化核极限学习机在线监测刀具磨损状态方法及系统 |
| CN109382702A (zh) * | 2018-11-06 | 2019-02-26 | 重庆大学 | 一种数控滚齿机滚刀失效形式自动识别方法 |
| CN109434562A (zh) * | 2018-09-30 | 2019-03-08 | 天津大学 | 基于划分聚类的铣削刀具磨损状态识别方法 |
| CN109514349A (zh) * | 2018-11-12 | 2019-03-26 | 西安交通大学 | 基于振动信号和Stacking集成模型的刀具磨损状态监测方法 |
| CN109781244A (zh) * | 2019-02-25 | 2019-05-21 | 吉林大学 | 一种数控机床刀具振动信号检测系统及检测方法 |
| CN109940462A (zh) * | 2019-04-12 | 2019-06-28 | 哈尔滨理工大学 | 铣刀切削振动变化特性的检测与高斯过程模型构建方法 |
| CN109976997A (zh) * | 2017-12-28 | 2019-07-05 | 北京京东尚科信息技术有限公司 | 测试方法和装置 |
| CN111085898A (zh) * | 2019-12-30 | 2020-05-01 | 南京航空航天大学 | 一种工况自适应的高速铣削加工过程刀具监测方法及系统 |
| CN111122083A (zh) * | 2019-12-16 | 2020-05-08 | 珠海格力电器股份有限公司 | 一种刀具检测方法、装置、电子设备以及可读介质 |
| CN111566375A (zh) * | 2018-01-04 | 2020-08-21 | 赛峰电子与防务公司 | 用于诊断飞行器驻停制动器的磨损状态的方法 |
| CN111716150A (zh) * | 2020-06-30 | 2020-09-29 | 大连理工大学 | 一种刀具状态智能监测的进化学习方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102708376A (zh) * | 2012-04-19 | 2012-10-03 | 中国人民解放军总参谋部第六十三研究所 | 一种实现基于单源信息融合的组合分类器的系统及方法 |
| CN104484678A (zh) * | 2015-01-07 | 2015-04-01 | 青岛理工大学 | 基于故障类型分类能力评价矩阵的多分类器融合故障诊断方法 |
-
2017
- 2017-05-26 CN CN201710383932.2A patent/CN107194427A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102708376A (zh) * | 2012-04-19 | 2012-10-03 | 中国人民解放军总参谋部第六十三研究所 | 一种实现基于单源信息融合的组合分类器的系统及方法 |
| CN104484678A (zh) * | 2015-01-07 | 2015-04-01 | 青岛理工大学 | 基于故障类型分类能力评价矩阵的多分类器融合故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 文妍: "基于多源信息融合的数控机床进给系统机械故障诊断研究", 《中国博士学位论文全文数据库工程科技Ⅰ辑（月刊 ）》 * |
| 李勇: "基于振动和声发射信号融合的铣刀状态监测技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑（月刊 ）》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109976997A (zh) * | 2017-12-28 | 2019-07-05 | 北京京东尚科信息技术有限公司 | 测试方法和装置 |
| CN111566375B (zh) * | 2018-01-04 | 2022-05-27 | 赛峰电子与防务公司 | 用于诊断飞行器驻停制动器的磨损状态的方法 |
| CN111566375A (zh) * | 2018-01-04 | 2020-08-21 | 赛峰电子与防务公司 | 用于诊断飞行器驻停制动器的磨损状态的方法 |
| CN108319962A (zh) * | 2018-01-29 | 2018-07-24 | 安徽大学 | 一种基于卷积神经网络的刀具磨损监测方法 |
| CN108319962B (zh) * | 2018-01-29 | 2021-11-23 | 安徽大学 | 一种基于卷积神经网络的刀具磨损监测方法 |
| CN109389039A (zh) * | 2018-09-04 | 2019-02-26 | 温州大学激光与光电智能制造研究院 | 一种优化核极限学习机在线监测刀具磨损状态方法及系统 |
| CN109158954A (zh) * | 2018-09-10 | 2019-01-08 | 杭州电子科技大学 | 一种基于声信号检测的超声刀具磨损状态识别方法与系统 |
| CN109434562A (zh) * | 2018-09-30 | 2019-03-08 | 天津大学 | 基于划分聚类的铣削刀具磨损状态识别方法 |
| CN109382702A (zh) * | 2018-11-06 | 2019-02-26 | 重庆大学 | 一种数控滚齿机滚刀失效形式自动识别方法 |
| CN109514349B (zh) * | 2018-11-12 | 2020-05-22 | 西安交通大学 | 基于振动信号和Stacking集成模型的刀具磨损状态监测方法 |
| CN109514349A (zh) * | 2018-11-12 | 2019-03-26 | 西安交通大学 | 基于振动信号和Stacking集成模型的刀具磨损状态监测方法 |
| CN109781244B (zh) * | 2019-02-25 | 2020-06-02 | 吉林大学 | 一种数控机床刀具振动信号检测系统及检测方法 |
| CN109781244A (zh) * | 2019-02-25 | 2019-05-21 | 吉林大学 | 一种数控机床刀具振动信号检测系统及检测方法 |
| CN109940462A (zh) * | 2019-04-12 | 2019-06-28 | 哈尔滨理工大学 | 铣刀切削振动变化特性的检测与高斯过程模型构建方法 |
| CN111122083A (zh) * | 2019-12-16 | 2020-05-08 | 珠海格力电器股份有限公司 | 一种刀具检测方法、装置、电子设备以及可读介质 |
| CN111085898A (zh) * | 2019-12-30 | 2020-05-01 | 南京航空航天大学 | 一种工况自适应的高速铣削加工过程刀具监测方法及系统 |
| CN111716150A (zh) * | 2020-06-30 | 2020-09-29 | 大连理工大学 | 一种刀具状态智能监测的进化学习方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107194427A (zh) | 一种铣削刀具故障监测与识别方法及系统 | |
| CN104849050B (zh) | 一种基于复合多尺度排列熵的滚动轴承故障诊断方法 | |
| CN105834834B (zh) | 基于果蝇优化算法的铣刀磨损状态监测方法 | |
| CN109514349A (zh) | 基于振动信号和Stacking集成模型的刀具磨损状态监测方法 | |
| CN105512799B (zh) | 一种基于海量在线历史数据的电力系统暂态稳定评估方法 | |
| CN107584334B (zh) | 一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法 | |
| Liu et al. | On-line chatter detection using servo motor current signal in turning | |
| CN109158954B (zh) | 一种基于声信号检测的超声刀具磨损状态识别方法与系统 | |
| Madhusudana et al. | Fault diagnosis of face milling tool using decision tree and sound signal | |
| CN111037365B (zh) | 基于生成式对抗网络的刀具状态监测数据集增强方法 | |
| CN109571141A (zh) | 一种基于机器学习的刀具磨损状态监测方法 | |
| CN110153801A (zh) | 一种基于多特征融合的刀具磨损状态辨识方法 | |
| CN107378641A (zh) | 一种基于图像特征和lltsa算法的刀具磨损状态监测方法 | |
| CN110355608A (zh) | 基于自注意力机制与深度学习的刀具磨损量预测方法 | |
| CN102254177B (zh) | 一种不均衡数据svm轴承故障检测方法 | |
| CN103324939B (zh) | 基于最小二乘支持向量机技术的偏向性分类及参数寻优方法 | |
| CN105108584A (zh) | 一种车削颤振检测方法 | |
| CN109186964A (zh) | 基于角度重采样与roc-svm的旋转机械故障诊断方法 | |
| CN109635847A (zh) | 一种基于振动和声发射的刀具磨损状态识别方法 | |
| CN107563008A (zh) | 基于svd变换和支持向量空间的刀具运行可靠性评估方法 | |
| CN107350900A (zh) | 一种基于断屑时间提取的刀具状态监测方法 | |
| CN113369994A (zh) | 一种高速铣削过程刀具状态监测方法 | |
| Madhusudana et al. | Use of discrete wavelet features and support vector machine for fault diagnosis of face milling tool | |
| CN109434562A (zh) | 基于划分聚类的铣削刀具磨损状态识别方法 | |
| Khalifa et al. | An intelligent approach based on adaptive neuro-fuzzy inference systems (ANFIS) for walnut sorting |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170922 |