CN107942943B - 一种基于多源信息融合的高端数控装备状态识别方法 - Google Patents

Abstract

本发明涉及一种基于多源信息融合的高端数控装备状态识别方法，其步骤：利用现有现场采集传感器采集高端数控装备运行状态的多源传感器信息，并进行信息融合；对融合信号的时域、频域、小波域进行特征获取，并对提取的时域特征、频域特征和小波域特征进行特征融合；重构初始特征的多源多域高维相空间，采用局部线性嵌入结构进行降维，优化本征维数，构建能够反映低维流形的局部线性特性的邻域，获得运行状态高维空间中的低维流形变化；采用距离判据获得低维敏感特征，构建低维流形特征的增殖相似度实现对不同状态的识别。本发明基于实时监测和有效感知的信息对数控装备运行状态进行有效识别和判断，准确地识别了数控设备的不同状态。

Description

一种基于多源信息融合的高端数控装备状态识别方法

技术领域

本发明涉及一种数控装备状态识别方法，特别是关于一种基于多源信息融合的高端数控装备状态识别方法。

背景技术

高端数控装备正朝着高速、高精度、重载和复合加工的方向发展，因为早期故障导致服役性能下降，如果不能及时诊断并预警，将会造成废品增加、质量波动、生产率下降；另外，数控装备出现故障而导致非正常停机，尤其是处于生产线关键核心部位的高档数控装备，将带来重大的停机损失。高档数控装备由于结构复杂、传递环节较多，导致故障准确定位困难，盲目的拆修将会造成安装精度误差、服役性能下降和可靠性降低。要准确获取设备运行状态信息，需要在高端装备的主轴、进给轴的滚珠丝杠副、轴承支撑座等多部位安装传感器。研究表明流形学习比核主分量分析、遗传等传统算法更能体现事物的本质，在提取出主要变量的同时还获得了原始空间的真实结构，对非线性流形结构数据具有一定的自适应性。现有采用局部和全局结构提取滚动轴承敏感特征，或采用非线性流形等度规映射进行特征提取、对高维相空间中的结构进行了信息提取，利用非线性降维方法保留了振动信号中内含的整体集合结构信息等进行故障诊断和预测。但是上述研究主要基于单一类型传感器信号，不能解决目前基于工业现场多传感器信号的设备状态判断和预测。

发明内容

针对上述问题，本发明的目的是提供一种基于多源信息融合的高端数控装备状态识别方法，该方法基于实时监测和有效感知的信息对数控装备运行状态进行有效识别和判断，准确地识别了数控设备的不同状态。

为实现上述目的，本发明采取以下技术方案：一种基于多源信息融合的高端数控装备状态识别方法，其特征在于包括以下步骤：1)利用现有现场采集传感器采集高端数控装备运行状态的多源传感器信息，并进行信息融合；2)对融合信号的时域、频域、小波域进行特征获取，并对提取的时域特征、频域特征和小波域特征进行特征融合；3)重构初始特征的多源多域高维相空间，采用局部线性嵌入结构进行降维，优化本征维数，构建能够反映低维流形的局部线性特性的邻域，获得运行状态高维空间中的低维流形变化；4)采用距离判据获得低维敏感特征，构建低维流形特征的增殖相似度实现对不同状态的识别；其中，相似度参数为x_min、x_max、ΔB、流形方向dir：

x_min＝|xl_i+1-xl_i|，x_max＝|xr_i+1-xr_i|，

流形方向dir∈{-1,1}

式中，xl_i为流形x维最小值，xr_i为流形x维最大值，为流形y维宽度，y_imin为流形y维最小值，y_imax为流形y维最大值。

进一步，所述步骤3)中，采用局部线性嵌入结构进行降维包括以下步骤：3.1.1)给定一个高维数据集X＝{X₁,X₂,…,X_L}∈R^N，构造高维特征空间；假设S_n×v为高维特征矩阵空间，其中n为样本数，v为每个样本的维数，需求解Y＝{Y₁,Y₂,…,Y_L}∈R^d，使得Y_i＝h(X_i)i∈R,i＝1,2,…,L，其中原有样本X_i为N维向量，降维后样本Y_i为d维向量；3.1.2)计算高维数据集X中的任一样本X_i近邻点；3.1.3)求解权值矩阵W＝(w_ij)；3.1.4)保持权值矩阵W＝(w_ij)不变，最小化嵌入成本函数使低维重构误差最小；定义矩阵M＝(I-W)^T(I-W),其中I为L阶单位阵，计算矩阵M的非零特征值对应的特征向量构建矩阵Y，每个特征向量对应Y的一列；3.1.5)输出l×d阶矩阵Y。

进一步，所述步骤3.1.3)中，求解如下：若X_i和X_j不是近邻点,则权值w_ij＝0且∑w_ij＝1，重构成本函数最小，则权值为：

其中，Cⁱ是X_i的局部协方差阵，元素X_j和X_k是数据点X_i的邻域点；X_m和X_l是数据点X_i的任意相邻点。

进一步，所述步骤3)中，反映低维流形的局部线性特性的邻域构建过程如下：3.2.1)记O(X)＝tr[(X-XW^T)^T(X-XW^T)]为均方误差，简记为O(k)，波动较小满足要求，令：

式中，是过(n,O(n))，(m,O(m))两点的直线在点i的取值；3.2.2)邻域容量的估计值满足下式：

进一步，所述步骤4)中，状态识别过程如下：4.1)设融合特征空间中存在两个实例点，分别为x＝{x₁,x₂,…,x_n}和y＝{y₁,y₂,…,y_n}，记两点间的距离为：

对于相同样本点数的低维流形，流形矩阵中对应位置实例间距离为dis₁,dis₂,…,dis_N，记流形间距离为：

式中，d₁,d₂分别为M₁,M₂的估计维数；M₁,M₂为矩阵M中的两个相邻的流形；4.2)设低维流形对应的矩阵为M_N×d，N是流形所包含的样本点数，d为样本点维数，定义流形变量；4.3)当流形y维最小值所在位置为x维端点时，记k_i＝1，否则为-1；令流形方向dir＝k_i·k_j，当计算值为1时表示两个流形方向趋势相同，否则相反；4.4)通过流形间距离dis(M_i,M_j)判断流形间分布区域接近程度；通过流形增量相似度x_min、x_max、dir判断两个同维流形的相似程度。

进一步，所述步骤4.4)中，判断依据如下：(1)与正常状态特征对比，dir＝-1，流形方向不同，属于严重异常的故障状态；(2)dir＝1，比较x_min、x_max、ΔB各参量值，若各参量值均小于5，状态为正常；各参量值均大于5小于10，状态为轻微异常；距离相似度大于10，属于严重异常的故障状态。

本发明由于采取以上技术方案，其具有以下优点：1、本发明基于实时监测和有效感知的信息对装备运行状态进行有效识别和判断。2、本发明对高端装备的电流信号和振动信号进行信息融合，对融合信号的时域、频域、时频域进行特征获取；重构初始特征的多域高维相空间，采用局部线性嵌入结构进行降维，优化本征维数，采用距离判据获得低维敏感特征；采用增殖流形相似度进行状态的识别。该方法在试验台和立式加工中心上进行了验证，方便准确地识别了设备的不同状态，结果验证了本发明的有效性。

附图说明

图1是本发明的整体流程示意图；

图2a是本发明实施例中的主轴电机1000rpmR相电流示意图；

图2b是本发明实施例中的主轴电机1000rpmS相电流示意图；

图2c是本发明实施例中的主轴电机1000rpmT相电流示意图；

图2d是本发明实施例中的电流信号级融合时域图；

图2e是本发明实施例中的电流原始融合频域图；

图3a是本发明实施例中融合电流信号多空间域二维ISOMAP流形图；

图3b是本发明实施例中融合电流信号多空间域二维LLE流形图；

图3c是本发明实施例中融合电流信号多空间域二维LE流形图。

具体实施方式

为了对高档数控装备的运行状态进行实时监测和有效感知，进而对状态进行有效识别和判断，本发明采用增殖流形相似度进行状态的识别。对高端数控装备的电流信号和振动信号进行信息融合；对融合信号的时域、频域、小波域进行特征获取，重构初始特征的多域高维相空间，采用局部线性嵌入结构进行降维，优化本征维数，采用距离判据获得低维敏感特征，构建低维流形特征的增殖相似度实现对不同状态的识别。下面结合附图和实施例对本发明进行详细的描述。

如图1所示，本发明提供一种基于多源信息融合的高端数控装备状态识别方法，其包括以下步骤：

1)利用现有现场采集传感器(例如电流传感器、振动传感器和温度传感器等)采集高端数控装备运行状态的多源传感器信息，并进行信息融合；

2)对融合信号的时域、频域、小波域进行特征获取，并对提取的时域特征、频域特征和小波域特征进行特征融合。

3)重构初始特征的多源多域高维相空间，采用局部线性嵌入(LLE)结构进行降维，优化本征维数，构建能够反映低维流形的局部线性特性的邻域，获得运行状态高维空间中的低维流形变化；

其中，重构初始特征的多源多域高维相空间时，由于信号数据量纲不同，需对信号进行归一化处理；

4)采用距离判据获得低维敏感特征，构建低维流形特征的增殖相似度实现对不同状态的识别；其中，相似度参数为x_min、xmax、ΔB、流形方向dir。

x_min＝|xl_i+1-xl|_i，x_max＝|xr_i+1-xr_i|，

流形方向dir∈{-1,1} (2)

式中，x是流形的维数；x_min为两个流形x维最小值的差值；x_max表示两个流形x维最大值的差值；xl_i为流形x维最小值，xr_i为流形x维最大值，为流形y维最大值和流形y维最小值的差值宽度，y_imin为流形y维最小值，y_imax为流形y维最大值。

上述步骤3)中，由于对于高维非线性数据集，能够挖掘出嵌入在高维数据集中的低维流形，并给出有效的低维表示。本实施例中采用局部线性嵌入(LLE)结构进行降维，其过程如下：

3.1.1)给定一个高维数据集X＝{X₁,X₂,…,X_L}∈R^N，构造高维特征空间。假设S_n×v为高维特征矩阵空间，其中n为样本数，v为每个样本的维数，需求解Y＝{Y₁,Y₂,…,Y_L}∈R^d，使得Y_i＝h(X_i)i∈R,i＝1,2,…,L，其中原有样本X_i为N维向量，降维后样本Y_i为d维向量。

3.1.2)计算高维数据集X中的任一样本X_i近邻点。

3.1.3)求解权值矩阵W＝(w_ij)：若X_i和X_j不是近邻点,则权值w_ij＝0且∑w_ij＝1。重构成本函数最小，则权值为：

其中，Cⁱ是X_i的局部协方差阵，元素X_j和X_k是数据点X_i的邻域点。X_m和X_l是数据点X_i的任意相邻点。

3.1.4)保持权值矩阵W＝(w_ij)不变，最小化嵌入成本函数使低维重构误差最小。定义矩阵M＝(I-W)^T(I-W),其中I为L阶单位阵，计算矩阵M的非零特征值对应的特征向量构建矩阵Y，每个特征向量对应Y的一列。

3.1.5)输出l×d阶矩阵Y。

上述步骤3)中，本征维数优化过程如下：

将每个数据样本x_i(i∈R)看成是D维向量，则样本集合可以表示为X＝{x₁,x₂,…,x_N}。构建x_i∈X的k邻域，并记为U_x(i,k)。对应x_i的k邻域U_x(i,k)设一个权重向量w_i＝(w_i1,w_i2,…,w_ik),满足：

且

因k＜N，故为了构建N维权重向量，需将w_i相应位置补零，构成N维权重向量W_i，样本数N个这样的N维权重向量构成N×N阶方阵，记为W。令

E＝(I-W^T)^T(I-W^T)

其中I为N×N的单位矩阵。

进行本征维数估计，定义自逼近度和可分离度。对于选定的k值，求解E为唯一确定，d值任意，定义Q(Y)＝min tr(YEY^T)为Y在k，d下的自逼近度，其中Y为X在d维空间的嵌入，表示表达数据集Y中的样本点和它邻域点线性组合的近似程度。

若k值确定，自逼近度记作：Q(Y)＝B_a ²(k；d)。将自逼近度值较小时的d作为高维数据集X的本征维数值。但自逼近度阀值实际使用时难以合理选择，其阀值的设定与数据集和邻域的选择有关，具体操作非常困难。引入可分离度：

对于选定的k值且流形M为唯一确定，定义Y在k，d下的可分离度B_s(k；d)：

式中，U_y(i,k)表示d维空间中与U_x(i,k)一致的邻域，表示d维空间中的欧式距离。对于数据集Y，可分离度随维数d单调增加。同时考虑Y的自逼近度和可分离度可获得保持原始数据X的结构特征信息的有效的估计数据空间Y的本征维数值。构建损失函数B(k；d)：

B(k；d)＝B_a(k；d)-ln(B_s(k；d)),(1≤d≤d_s) (4)

假设邻域为k时，最优估计值为则满足：

上述步骤3)中，反映低维流形的局部线性特性的邻域构建过程如下：

3.2.1)记O(X)＝tr[(X-XW^T)^T(X-XW^T)]为均方误差，简记为O(k)，波动较小满足要求，令：

式中，是过(n,O(n))，(m,O(m))两点的直线在点i的取值。

3.2.2)邻域容量的估计值满足下式：

上述步骤4)中，状态识别过程如下：

4.1)设融合特征空间中存在两个实例点，分别为x＝{x₁,x₂,…,x_n}和y＝{y₁,y₂,…,y_n}，记两点间的距离为：

对于相同样本点数的低维流形，流形矩阵中对应位置实例间距离为dis₁,dis₂,…,dis_N，记流形间距离为：

式中，d₁,d₂分别为M₁,M₂的估计维数。M₁,M₂为矩阵M中的两个相邻的流形。

4.2)设低维流形对应的矩阵为M_N×d，N是流形所包含的样本点数，d为样本点维数，定义流形变量；

4.3)当流形y维最小值所在位置为x维端点时，记k_i＝1，否则为-1；令流形方向dir＝k_i·k_j，当计算值为1时表示两个流形方向趋势相同，否则相反。

4.4)通过流形间距离dis(M_i,M_j)判断流形间分布区域接近程度；通过流形增量相似度x_min、x_max、dir判断两个同维流形的相似程度。判断依据如下：

(1)与正常状态特征对比，dir＝-1，流形方向不同，属于严重异常的故障状态；

(2)dir＝1，比较x_min、x_max、ΔB各参量值，若各参量值均小于5，状态为正常；各参量值均大于5小于10，状态为轻微异常；距离相似度大于10，属于严重异常的故障状态。

实施例：

立式加工中心VDL-600A，采用IPC型三向加速度传感器、电流互感器等传感器采集主轴的振动和电流信号，对高端装备的状态进行识别。对主轴的空载状态进行监测分析，通道1、2、3、4分别对应主轴电机的R相、S相、Z相电流信号和靠近轴端的振动信号。转速分别设置为500r/min、1000r/min、2000r/min、3000r/min、4000r/min、5000r/min。如图2a～图2e所示为1000rpm时主轴电机三相电流融合及分析图。

计算融合信号的时域及频域特征参量及小波系数向量的特征参量，构建高维特征空间。确定本征维数d估计值为2，邻域容量估计值为10，进行流形学习降维，低维流形如图3a～图3c所示。从图中看出，ISOMAP提取的低维流形点较为分散，聚合度较差，LE提取的流形点的聚合度及流形分布趋势都较好。由电流与振动的信号及低维流形可以判断，主轴空载时的振动信号和电流信号都较稳定，但电流信号存在一定的局部突变性，对于空载状态的感应更为敏感。

采用立铣刀分六次切削铝材，每次切削深度分别为1mm、2mm、3mm、4mm、5mm、6mm，主轴转速为1000r/min，进给速度为100mm/min。一组采用缺损一个齿的铣刀进行加工。分别提取主轴2000、4000r/min空载转速、切削深度为2mm、铣刀故障状态四种状态下的振动融合电流低维流形，以1000r/min时的二维流形为基准，通过距离判据及流形增量相似度对流形间的差异做出量化，如表1所示。

表1不同转速状态下融合流形相似度

根据表1中各参数值可以判断，当转速处于不同状态时，dir值为1时，提取的融合电流多空间域二维流形的距离相似度非常接近，端点间差异及带宽差异值很小，流形趋势保持一致，表明主轴在空载状态下转速不同时，融合电流多空间域的二维流形变化微小，通过不同转速下的流形可以判断主轴处于正常运行状态，刀具故障时dir值为-1时，为故障即非正常状态，证明了模型的正确性。

综上所述，本发明对高端装备的电流信号和振动信号进行信息融合，对融合信号的时域、频域、小波域进行特征获取；重构初始特征的多域高维相空间，采用局部线性嵌入结构进行降维，优化本征维数，采用距离判据获得低维敏感特征；采用增殖流形相似度进行状态的识别。该方法在试验台和立式加工中心上进行了验证，方便准确地识别了设备的不同状态，结果验证了本发明的有效性。

上述各实施例仅用于说明本发明，各个步骤都是可以有所变化的，在本发明技术方案的基础上，凡根据本发明原理对个别步骤进行的改进和等同变换，均不应排除在本发明的保护范围之外。

Claims (6)

1.一种基于多源信息融合的高端数控装备状态识别方法，其特征在于包括以下步骤：

1)利用现有现场采集传感器采集高端数控装备运行状态的多源传感器信息，并进行信息融合；

2)对融合信号的时域、频域、小波域进行特征获取，并对提取的时域特征、频域特征和小波域特征进行特征融合；

3)重构初始特征的多源多域高维相空间，采用局部线性嵌入结构进行降维，优化本征维数，构建能够反映低维流形的局部线性特性的邻域，获得运行状态高维空间中的低维流形变化；

4)采用距离判据获得低维敏感特征，构建低维流形特征的增殖相似度实现对不同状态的识别；其中，相似度参数为x_min、x_max、▽ B、流形方向dir：

x_min＝|xl_i+1-xl_i|，x_max＝|xr_i+1-xr_i|，

流形方向 dir∈{-1,1}

式中，xl_i为流形x维最小值，xr_i为流形x维最大值，为流形y维宽度，y_imin为流形y维最小值，y_imax为流形y维最大值。

2.如权利要求1所述的一种基于多源信息融合的高端数控装备状态识别方法，其特征在于：所述步骤3)中，采用局部线性嵌入结构进行降维包括以下步骤：

3.1.1)给定一个高维数据集X＝{X₁,X₂,…,X_L}∈R^N，构造高维特征空间；假设S_n×v为高维特征矩阵空间，其中n为样本数，v为每个样本的维数，需求解Y＝{Y₁,Y₂,…,Y_L}∈R^d，使得Y_i＝h(X_i)i∈R,i＝1,2,…,L，其中原有样本X_i为N维向量，降维后样本Y_i为d维向量；

3.1.2)计算高维数据集X中的任一样本X_i近邻点；

3.1.3)求解权值矩阵W＝(w_ij)；w_ij为权值；

3.1.4)保持权值矩阵W＝(w_ij)不变，最小化嵌入成本函数使低维重构误差最小；定义矩阵M＝(I-W)^T(I-W),其中I为L阶单位阵，计算矩阵M的非零特征值对应的特征向量构建矩阵Y，每个特征向量对应Y的一列；

3.1.5)输出l×d阶矩阵Y。

3.如权利要求2所述的一种基于多源信息融合的高端数控装备状态识别方法，其特征在于：所述步骤3.1.3)中，求解如下：

若X_i和X_j不是近邻点,则权值w_ij＝0且∑w_ij＝1，重构成本函数最小，则权值为：

其中，Cⁱ是X_i的局部协方差阵，元素X_j和X_k是数据点X_i的邻域点；X_m和X_l是数据点X_i的任意相邻点。

4.如权利要求1所述的一种基于多源信息融合的高端数控装备状态识别方法，其特征在于：所述步骤3)中，反映低维流形的局部线性特性的邻域构建过程如下：

3.2.1)记O(X)＝tr[(X-XW^T)^T(X-XW^T)]为均方误差，简记为O(k)，波动较小满足要求，令：

式中，是过(n,O(n))，(m,O(m))两点的直线在点i的取值；

3.2.2)邻域容量的估计值满足下式：

5.如权利要求1所述的一种基于多源信息融合的高端数控装备状态识别方法，其特征在于：所述步骤4)中，状态识别过程如下：

4.1)设融合特征空间中存在两个实例点，分别为x＝{x₁,x₂,…,x_n}和y＝{y₁,y₂,…,y_n}，记两点间的距离为：

对于相同样本点数的低维流形，流形矩阵中对应位置实例间距离为dis₁ ,dis₂,…,dis_N，记流形间距离为：

式中，d₁,d₂分别为M₁,M₂的估计维数；M₁,M₂为矩阵M中的两个相邻的流形；

4.2)设低维流形对应的矩阵为M_N×d，N是流形所包含的样本点数，d为样本点维数，定义流形变量；

4.3)当流形y维最小值所在位置为x维端点时，记k_i＝1，否则为-1；令流形方向dir＝k_i·k_j，当计算值为1时表示两个流形方向趋势相同，否则相反；

4.4)通过流形间距离dis(M_i,M_j)判断流形间分布区域接近程度；通过流形增量相似度x_min、x_max、dir判断两个同维流形的相似程度。

6.如权利要求5所述的一种基于多源信息融合的高端数控装备状态识别方法，其特征在于：所述步骤4.4)中，判断依据如下：

(1)与正常状态特征对比，dir＝-1，流形方向不同，属于严重异常的故障状态；

(2)dir＝1，比较x_min、x_max、▽ B各参量值，若各参量值均小于5，状态为正常；各参量值均大于5小于10，状态为轻微异常；距离相似度大于10，属于严重异常的故障状态。