CN108581633A - 一种基于遗传算法优化多传感监测刀具状态的方法 - Google Patents

一种基于遗传算法优化多传感监测刀具状态的方法 Download PDF

Info

Publication number
CN108581633A
CN108581633A CN201810319635.6A CN201810319635A CN108581633A CN 108581633 A CN108581633 A CN 108581633A CN 201810319635 A CN201810319635 A CN 201810319635A CN 108581633 A CN108581633 A CN 108581633A
Authority
CN
China
Prior art keywords
sensor
state
time domain
tool
cutter
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.)
Granted
Application number
CN201810319635.6A
Other languages
English (en)
Other versions
CN108581633B (zh
Inventor
周余庆
向家伟
高晨
孙兵涛
钟永腾
刘信芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wenzhou University
Original Assignee
Wenzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wenzhou University filed Critical Wenzhou University
Priority to CN201810319635.6A priority Critical patent/CN108581633B/zh
Publication of CN108581633A publication Critical patent/CN108581633A/zh
Application granted granted Critical
Publication of CN108581633B publication Critical patent/CN108581633B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G05B19/4065—Monitoring tool breakage, life or condition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Genetics & Genomics (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • Physiology (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
  • Numerical Control (AREA)

Abstract

本发明提供一种基于遗传算法优化多传感监测刀具状态的方法，首先通过多种传感器通道测量多个物理场信号，计算每个传感通道信号的若干时域和频域统计特征参数；进而以识别精度为优化目标，构造多传感布局优化模型，提出基于多核学习的极限学习机分类算法，得到最优的传感配置和特征参数集；然后，根据得到最优的传感配置进行信号采集，计算出待测刀具的各传感通道的有效特征参数；进而采用多核极限学习机计算刀具状态的类别概率，类别概率中概率最大对应的刀具状态即为待测刀具当前的状态。实施本发明，避免现有的多传感器监测与诊断刀具状态方法通过组合式特征提取与信号分析所带来的有效信息损失风险，提高了刀具状态的识别精度。

Description

一种基于遗传算法优化多传感监测刀具状态的方法
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，尤其涉及一种基于遗传算法优化多传感监测刀具状态的方法。
背景技术
随着市场竞争的日益激烈，制造型企业对生产过程的自动化需求不断增加，数控机床的自动化是大多数制造过程自动化的重要组成部分。刀具作为数控机床最易损伤的部件，对其进行及时有效的状态监测与故障识别至关重要，主要原因在于：(1)据统计，在切削加工中，刀具故障通常约占机床停机时间的20％，而频繁的停机换刀严重影响企业的生产效率；(2)如若刀具发生故障而没有及时发现，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，增加生产成本。因此，加工过程中的实时刀具状态监测(TCM)是自动化制造中的关键研究课题，如何在加工过程中有效地监测刀具状态，识别刀具的损伤程度，已成为数控机床智能化以及生产过程自动化发展急需解决的问题。
近年来，基于传感器的间接式刀具状态监测TCM方法受到了国内外学者的广泛关注。基于传感器的TCM方法是通过传感器获取切削加工过程的相关信号，借助信号处理和统计分析技术对刀具状态进行估计，以达到实时监测刀具运行状态的目的。目前，学者们开展了大量TCM研究，已提出了诸多比较有效的TCM的方法，这为高精度、高可靠性的TCM提供了一定的技术基础。然而，目前大多数研究侧重于单一传感器监测与诊断。不同物理场信号对刀具不同状态(磨损、破损等)的识别精度不尽相同，基于单一传感器的监测方法容易导致刀具状态的漏判和误判。另外，虽然已有少数学者开展了基于多传感信号的刀具监测与诊断研究，但所采用的方法均是直接将多个传感数据组合在一起进行特征提取与信号分析，然而不同物理场信号对应的采样频率、故障特征灵敏度等信息相差甚远，使得上述组合式的特征提取与信号分析的方法会损失很多有效信息，影响TCM的识别精度。
发明内容
本发明实施例所要解决的技术问题在于，提供一种基于遗传算法优化多传感监测刀具状态的方法，能避免现有的多传感器监测与诊断刀具状态方法通过组合式特征提取与信号分析所带来的有效信息损失风险，提高了刀具状态的识别精度。
为了解决上述技术问题，本发明实施例提供了一种基于遗传算法优化多传感监测刀具状态的方法，包括以下步骤：
步骤(1)、采集C种刀具状态下的M个物理场传感通道的时域信号，每种刀具状态分别采集T次形成训练样本集其中，c＝1,2,...,C,m＝1,2,...,M，t＝1,2,...,T，m表示第m个物理场传感器，c表示第c类，t表示第t次采集的信号，Nm表示第m个物理场传感通道每次采样的信号点数；C、M、Nm和T均为大于1的正整数；
步骤(2)、计算训练样本集中时域信号的F个统计特征参数，构成的特征参数集其中，F为正整数；
步骤(3)、构造优化模型，所述优化模型具体如下：
Max Z＝D(aij),i＝1,2,...,M,j＝1,2,...,F；
其中，D(aij)表示某种“传感器—特征参数”组合下的刀具状态识别率，并通过预设的极限学习机算法来获得；aij表示第i个传感器的第j个特征参数的有效值，其中，aij＝1表示本次组合包含第i个传感器的第j个特征参数；否则，表示不包含；
步骤(4)、采用遗传算法求解优化模型的全局最优解，求得最优的传感器配置及其有效特征参数集，具体如下：
(4.1)初始种群设定与遗传编码：确定每次迭代个体的数量为s，采用二进制编码方式对个体进行编码，个体长度为M*F个；其中，s为正整数；
(4.2)初始进化代数t＝0，设定最大进化代数为max_t，随机生成s个个体，形成初始种群S(0)，每个个体即为一个“传感器—特征参数”组合；
(4.3)对s个个体通过多核极限学习机进行分类训练，获得每个个体的刀具状态识别率；其中，
针对某一“传感器—特征参数”组合 表示该Ψ组合使用的第m个传感器的若干特征参数，其多核极限学习机分类训练算法如下：
(4.3.1)选取K种核函数，计算训练样本的K个核函数矩阵 为训练样本中任意两个样本点i和j的第k个核函数值；其中，i、j和K均为大于1的正整数；
(4.3.2)令初始核函数权重向量为wm＝{1/K,1/K,…,1/K}，即平均分配权重。构造样本-类别矩阵Q＝(qij)CT×C，其中ci表示第i个样本对应的类别；
(4.3.3)计算总核函数矩阵：
(4.3.4)计算结构参数：am＝(H+E/2)-1Q，其中E表示单位矩阵；
(4.3.5)更新核函数权重向量：其中
(4.3.6)当时，令返回步骤(4.3.3)迭代更新结构参数am和核函数权重向量否则，进入下一步骤(4.3.7)。
(4.3.7)输出优化的结构参数和核函数权重向量构成该Ψ组合下的多核极限学习机；
(4.3.8)计算属于第i类刀具状态的概率构成的刀具状态分类概率向量G＝{g1,g2,...,gC}；
(4.3.9)依照概率最大原则，判断所属刀具状态xc：
(4.3.10)计算检验正确数umt：
(4.3.11)对所有训练样本进行分类检验，得到Ψ组合的刀具状态识别率d(Ψ)：
(4.4)执行遗传操作，经过此过程个体产生后代s’(t)，后代继续被评价优劣的操作，父代与子代中，择优个体组成新种群S(t+1)；
(4.5)当t<max_t，则t＝t+1，返回步骤(4.3)；否则，认为运算中刀具状态识别率最大的个体为最优解Ψ*；
步骤(5)、定期周期性在线采集加工过程中待测刀具状态P个物理场时域信号ζ＝{ζi,i＝1,2,...,P}，其中，ζi表示第i个传感器采集的信号，P为正整数；
步骤(6)、采用步骤(2)计算待测刀具状态P个物理场时域信号ζ＝{ζi,i＝1,2,...,P}的最优特征参数集；
步骤(7)、利用步骤(4.3)中Ψ*对应的多核极限学习机对ζ′i进行分类，计算ζ′i属于第c类刀具状态的概率构成ζ′i刀具状态类别概率向量G＝{gg1,gg2,...,ggC}，i＝1,2,...,P；
步骤(8)、依据最大概率原则，求出ζd中类别概率最大对应的刀具状态即为待测刀具当前的状态c*：
其中，所述C种刀具状态有五种，包括正常、轻微磨损、中度磨损、严重磨损和破损。
其中，所述物理场的时域信号有八个，包括主轴振动时域信号、工作台振动时域信号、主轴电机电流时域信号、进给电机电流时域信号、主轴声发射时域信号、工作台声发射时域信号、工作台切削力时域信号和加工声音时域信号。
其中，所述10个统计特征参数包括六个时域统计参数6个和四个频域统计参数。
实施本发明实施例，具有如下有益效果：
本发明通过引入极限学习机ELM作为分类算法通过对多个核函数的组合优化“传感器—特征参数”组合，并采用遗传算法对优化模型进行全局寻优，得到最优的传感配置和特征参数集来实现对待测刀具的状态诊断和判别，从而克服现有的多传感器监测与诊断刀具状态方法通过组合式特征提取与信号分析所带来的有效信息损失风险，避免某些参数或算法对某些刀具状态有效而对另一些刀具状态无效，容易导致“局部状态识别率高、总体状态识别率低”的弊端现象出现，提高了刀具状态的识别精度。
附图说明
图1为本发明实施例提供的基于遗传算法优化多传感监测刀具状态的方法的逻辑结构示意图；
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。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1所示，为本发明实施例中，提供的一种基于遗传算法优化多传感监测刀具状态的方法，包括以下步骤：
步骤(1)、采集C种刀具状态下的M个物理场传感通道的时域信号，每种刀具状态分别采集T次形成训练样本集其中，c＝1,2,...,C,m＝1,2,...,M，t＝1,2,...,T，m表示第m个物理场传感器，c表示第c类，t表示第t次采集的信号，Nm表示第m个物理场传感通道每次采样的信号点数；C、M、Nm和T均为大于1的正整数；
步骤(2)、计算训练样本集中时域信号的F个统计特征参数，构成的特征参数集其中，F为正整数；
步骤(3)、构造优化模型，所述优化模型具体如下：
Max Z＝D(aij),i＝1,2,...,M,j＝1,2,...,F；
其中，D(aij)表示某种“传感器—特征参数”组合下的刀具状态识别率，并通过预设的极限学习机算法来获得；aij表示第i个传感器的第j个特征参数的有效值，其中，aij＝1表示本次组合包含第i个传感器的第j个特征参数；否则，表示不包含；
步骤(4)、采用遗传算法求解优化模型的全局最优解，求得最优的传感器配置及其有效特征参数集，具体如下：
(4.1)初始种群设定与遗传编码：确定每次迭代个体的数量为s，采用二进制编码方式对个体进行编码，个体长度为M*F个；其中，s为正整数；
(4.2)初始进化代数t＝0，设定最大进化代数为max_t，随机生成s个个体，形成初始种群S(0)，每个个体即为一个“传感器—特征参数”组合；
(4.3)对s个个体通过多核极限学习机进行分类训练，获得每个个体的刀具状态识别率；其中，
针对某一“传感器—特征参数”组合 表示该Ψ组合使用的第m个传感器的若干特征参数，其多核极限学习机分类训练算法如下：
(4.3.1)选取K种核函数，计算训练样本的K个核函数矩阵 为训练样本中任意两个样本点i和j的第k个核函数值；其中，i、j和K均为大于1的正整数；
(4.3.2)令初始核函数权重向量为wm＝{1/K,1/K,…,1/K}，即平均分配权重。构造样本-类别矩阵Q＝(qij)CT×C，其中ci表示第i个样本对应的类别；
(4.3.3)计算总核函数矩阵：
(4.3.4)计算结构参数：am＝(H+E/2)-1Q，其中E表示单位矩阵；
(4.3.5)更新核函数权重向量：其中
(4.3.6)当时，令返回步骤(4.3.3)迭代更新结构参数am和核函数权重向量否则，进入下一步骤(4.3.7)。
(4.3.7)输出优化的结构参数和核函数权重向量构成该Ψ组合下的多核极限学习机；。
(4.3.8)计算属于第i类刀具状态的概率构成的刀具状态分类概率向量G＝{g1,g2,...,gC}；
(4.3.9)依照概率最大原则，判断所属刀具状态xc：
(4.3.10)计算检验正确数umt：
(4.3.11)对所有训练样本进行分类检验，得到Ψ组合的刀具状态识别率d(Ψ)：
(4.4)执行遗传操作，经过此过程个体产生后代s’(t)，后代继续被评价优劣的操作，父代与子代中，择优个体组成新种群S(t+1)；
(4.5)当t<max_t，则t＝t+1，返回步骤(4.3)；否则，认为运算中刀具状态识别率最大的个体为最优解Ψ*；
步骤(5)、定期周期性在线采集加工过程中待测刀具状态P个物理场时域信号ζ＝{ζi,i＝1,2,...,P}，其中，ζi表示第i个传感器采集的信号，P为正整数；
步骤(6)、采用步骤(2)计算待测刀具状态P个物理场时域信号ζ＝{ζi,i＝1,2,...,P}的最优特征参数集；
步骤(7)、利用步骤(4.3)中Ψ*对应的多核极限学习机对ζ′i进行分类，计算ζ′i属于第c类刀具状态的概率构成ζ′i刀具状态类别概率向量G＝{gg1,gg2,...,ggC}，i＝1,2,...,P；
步骤(8)、依据最大概率原则，求出ζd中类别概率最大对应的刀具状态即为待测刀具当前的状态c*：
具体过程为，在步骤(1)中，采集数控机床中C种刀具状态(C取5，即5种刀具状态：正常、轻微磨损、中度磨损、严重磨损和破损)下的M个物理场(M＝8，分别是①主轴振动、②工作台振动、③主轴电机电流、④进给电机电流、⑤主轴声发射、⑥工作台声发射、⑦工作台切削力和⑧加工声音)的时域信号，且每种刀具状态分别采集T次(T取30)，组成训练样本集
在步骤(2)中，计算的F个统计特征参数(可以包含时域、频域、小波能量等统计参数，构成的特征参数集本例中，F取10，其中时域统计参数6个，频域统计参数4个：
在步骤(3)中，构造优化模型，具体如下：
Max Z＝D(aij),i＝1,2,...,M,j＝1,2,...,F；
其中，D(aij)表示某种“传感器—特征参数”组合下的刀具状态识别率，并通过预设的极限学习机算法来获得；aij表示第i个传感器的第j个特征参数的有效值，其中，aij＝1表示本次组合包含第i个传感器的第j个特征参数；否则，表示不包含；
在步骤(4)中，初始种群设定与遗传编码：确定每次迭代个体的数量为s，采用二进制编码方式对个体进行编码，个体长度为M*F个；本例中s取20，个体长度为M*F＝8*10＝80，个体编码采用二进制编码方式，例如个体编码即表示该个体使用第1个传感器的第1个特征参数，个体编码表示该个体使用第1个传感器的第1个特征参数和第2个传感器的第2和第3个特征参数；
其次，初始进化代数t＝0，设定最大进化代数为max_t，随机生成s个个体，形成初始种群S(0)，每个个体即为一个“传感器—特征参数”组合；
然后，对s个个体通过步骤(4.3.1)-(4.3.11)中多核极限学习机进行分类训练，获得每个个体的刀具状态识别率；
继续执行遗传操作(如选择-交叉-变异)，经过此过程个体产生后代s’(t)，后代继续被评价优劣的操作，父代与子代中，择优个体组成新种群S(t+1)；
最后，当t<max_t，则t＝t+1，返回步骤(4.3)；否则，认为运算中刀具状态识别率最大的个体为最优解Ψ*；
在步骤(5)-(8)中，计算出待测刀具的当前状态。
实施本发明实施例，具有如下有益效果：
本发明通过引入极限学习机ELM作为分类算法通过对多个核函数的组合优化“传感器—特征参数”组合，并采用遗传算法对优化模型进行全局寻优，得到最优的传感配置和特征参数集来实现对待测刀具的状态诊断和判别，从而克服现有的多传感器监测与诊断刀具状态方法通过组合式特征提取与信号分析所带来的有效信息损失风险，避免某些参数或算法对某些刀具状态有效而对另一些刀具状态无效，容易导致“局部状态识别率高、总体状态识别率低”的弊端现象出现，提高了刀具状态的识别精度。
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。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (4)

1.一种基于遗传算法优化多传感监测刀具状态的方法，其特征在于，包括以下步骤：
步骤(1)、采集C种刀具状态下的M个物理场传感通道的时域信号，每种刀具状态分别采集T次形成训练样本集其中，c＝1,2,...,C,m＝1,2,...,M，t＝1,2,...,T，m表示第m个物理场传感器，c表示第c类，t表示第t次采集的信号，Nm表示第m个物理场传感通道每次采样的信号点数；C、M、Nm和T均为大于1的正整数；
步骤(2)、计算训练样本集中时域信号的F个统计特征参数，构成的特征参数集其中，F为正整数；
步骤(3)、构造优化模型，所述优化模型具体如下：
Max Z＝D(aij),i＝1,2,...,M,j＝1,2,...,F；
其中，D(aij)表示某种“传感器—特征参数”组合下的刀具状态识别率，并通过预设的极限学习机算法来获得；aij表示第i个传感器的第j个特征参数的有效值，其中，aij＝1表示本次组合包含第i个传感器的第j个特征参数；否则，表示不包含；
步骤(4)、采用遗传算法求解优化模型的全局最优解，求得最优的传感器配置及其有效特征参数集，具体如下：
(4.1)初始种群设定与遗传编码：确定每次迭代个体的数量为s，采用二进制编码方式对个体进行编码，个体长度为M*F个；其中，s为正整数；
(4.2)初始进化代数t＝0，设定最大进化代数为max_t，随机生成s个个体，形成初始种群S(0)，每个个体即为一个“传感器—特征参数”组合；
(4.3)对s个个体通过多核极限学习机进行分类训练，获得每个个体的刀具状态识别率；其中，
针对某一“传感器—特征参数”组合 表示该Ψ组合使用的第m个传感器的若干特征参数，其多核极限学习机分类训练算法如下：
(4.3.1)选取K种核函数，计算训练样本的K个核函数矩阵 为训练样本中任意两个样本点i和j的第k个核函数值；其中，i、j和K均为大于1的正整数；
(4.3.2)令初始核函数权重向量为wm＝{1/K,1/K,…,1/K}，即平均分配权重。构造样本-类别矩阵Q＝(qij)CT×C，其中ci表示第i个样本对应的类别；
(4.3.3)计算总核函数矩阵：
(4.3.4)计算结构参数：am＝(H+E/2)-1Q，其中E表示单位矩阵；
(4.3.5)更新核函数权重向量：其中
(4.3.6)当时，令返回步骤(4.3.3)迭代更新结构参数am和核函数权重向量否则，进入下一步骤(4.3.7)。
(4.3.7)输出优化的结构参数和核函数权重向量构成该Ψ组合下的多核极限学习机；
(4.3.8)计算属于第i类刀具状态的概率构成的刀具状态分类概率向量G＝{g1,g2,...,gC}；
(4.3.9)依照概率最大原则，判断所属刀具状态xc：
(4.3.10)计算检验正确数umt：
(4.3.11)对所有训练样本进行分类检验，得到Ψ组合的刀具状态识别率d(Ψ)：
(4.4)执行遗传操作，经过此过程个体产生后代s’(t)，后代继续被评价优劣的操作，父代与子代中，择优个体组成新种群S(t+1)；
(4.5)当t<max_t，则t＝t+1，返回步骤(4.3)；否则，认为运算中刀具状态识别率最大的个体为最优解Ψ*；
步骤(5)、定期周期性在线采集加工过程中待测刀具状态P个物理场时域信号ζ＝{ζi,i＝1,2,...,P}，其中，ζi表示第i个传感器采集的信号，P为正整数；
步骤(6)、采用步骤(2)计算待测刀具状态P个物理场时域信号ζ＝{ζi,i＝1,2,...,P}的最优特征参数集；
步骤(7)、利用步骤(4.3)中Ψ*对应的多核极限学习机对ζ′i进行分类，计算ζ′i属于第c类刀具状态的概率构成ζ′i刀具状态类别概率向量G＝{gg1,gg2,...,ggC}，i＝1,2,...,P；
步骤(8)、依据最大概率原则，求出ζd中类别概率最大对应的刀具状态即为待测刀具当前的状态c*：
2.如权利要求1所述的基于遗传算法优化多传感监测刀具状态的方法，其特征在于，所述C种刀具状态有五种，包括正常、轻微磨损、中度磨损、严重磨损和破损。
3.如权利要求1所述的基于遗传算法优化多传感监测刀具状态的方法，其特征在于，所述物理场的时域信号有八个，包括主轴振动时域信号、工作台振动时域信号、主轴电机电流时域信号、进给电机电流时域信号、主轴声发射时域信号、工作台声发射时域信号、工作台切削力时域信号和加工声音时域信号。
4.如权利要求1所述的基于遗传算法优化多传感监测刀具状态的方法，其特征在于，所述10个统计特征参数包括六个时域统计参数6个和四个频域统计参数。
CN201810319635.6A 2018-04-11 2018-04-11 一种基于遗传算法优化多传感监测刀具状态的方法 Active CN108581633B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810319635.6A CN108581633B (zh) 2018-04-11 2018-04-11 一种基于遗传算法优化多传感监测刀具状态的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810319635.6A CN108581633B (zh) 2018-04-11 2018-04-11 一种基于遗传算法优化多传感监测刀具状态的方法

Publications (2)

Publication Number Publication Date
CN108581633A true CN108581633A (zh) 2018-09-28
CN108581633B CN108581633B (zh) 2020-10-23

Family

ID=63621562

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810319635.6A Active CN108581633B (zh) 2018-04-11 2018-04-11 一种基于遗传算法优化多传感监测刀具状态的方法

Country Status (1)

Country Link
CN (1) CN108581633B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109333160A (zh) * 2018-10-09 2019-02-15 西北工业大学 高温合金钻削过程钻头磨损形式及磨损状态的在线监测方法
CN109635847A (zh) * 2018-11-19 2019-04-16 昆明理工大学 一种基于振动和声发射的刀具磨损状态识别方法
CN111300146A (zh) * 2019-11-29 2020-06-19 上海交通大学 基于主轴电流和振动信号的数控机床刀具磨损量在线预测方法
CN111590390A (zh) * 2020-04-27 2020-08-28 黄河水利职业技术学院 一种刀具磨损状态实时评估方法、系统、存储介质、终端
CN111644900A (zh) * 2020-05-21 2020-09-11 西安交通大学 一种基于主轴振动特征融合的刀具破损实时监测方法
CN113780208A (zh) * 2021-09-16 2021-12-10 华中科技大学 一种基于对抗迁移学习的刀具磨损状态预测方法及装置
CN113847949A (zh) * 2021-09-23 2021-12-28 徐州万达回转支承有限公司 一种基于传感器信息融合的多工况砂带磨损状态在线检测方法
CN117961645A (zh) * 2024-03-29 2024-05-03 中国矿业大学 一种面向小样本噪声数据的刀具磨损软测量方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007167966A (ja) * 2005-12-19 2007-07-05 Brother Ind Ltd 工作機械の温度測定位置決定方法及び工作機械、並びに工作機械の温度測定位置決定プログラム
CN103411913A (zh) * 2013-05-22 2013-11-27 温州大学 一种基于遗传算法自适应选择分段点的红外光谱pls建模方法
CN103465107A (zh) * 2013-09-24 2013-12-25 沈阳利笙电子科技有限公司 一种刀具磨损监测方法
CN104599264A (zh) * 2014-12-26 2015-05-06 温州大学 一种基于遗传算法的视频对象分割方法
CN106649964A (zh) * 2016-10-17 2017-05-10 贵州大学 一种基于ga‑elm算法的铝合金压铸件晶粒尺寸预测方法
CN108632764A (zh) * 2018-04-02 2018-10-09 浙江大学 一种多传感器选择性量测数据融合估计算法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007167966A (ja) * 2005-12-19 2007-07-05 Brother Ind Ltd 工作機械の温度測定位置決定方法及び工作機械、並びに工作機械の温度測定位置決定プログラム
CN103411913A (zh) * 2013-05-22 2013-11-27 温州大学 一种基于遗传算法自适应选择分段点的红外光谱pls建模方法
CN103465107A (zh) * 2013-09-24 2013-12-25 沈阳利笙电子科技有限公司 一种刀具磨损监测方法
CN104599264A (zh) * 2014-12-26 2015-05-06 温州大学 一种基于遗传算法的视频对象分割方法
CN106649964A (zh) * 2016-10-17 2017-05-10 贵州大学 一种基于ga‑elm算法的铝合金压铸件晶粒尺寸预测方法
CN108632764A (zh) * 2018-04-02 2018-10-09 浙江大学 一种多传感器选择性量测数据融合估计算法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周缓婧: "基于遗传算法的BP神经网络在刀具磨损状态监测中的应用", 《西安交通大学硕士论文》 *
罗旋，陈冰等: "常态及故障条件下的多传感器任务管控调度研究", 《数学的实践与认识》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109333160A (zh) * 2018-10-09 2019-02-15 西北工业大学 高温合金钻削过程钻头磨损形式及磨损状态的在线监测方法
CN109333160B (zh) * 2018-10-09 2020-09-22 西北工业大学 高温合金钻削过程钻头磨损形式及磨损状态的在线监测方法
CN109635847A (zh) * 2018-11-19 2019-04-16 昆明理工大学 一种基于振动和声发射的刀具磨损状态识别方法
CN111300146A (zh) * 2019-11-29 2020-06-19 上海交通大学 基于主轴电流和振动信号的数控机床刀具磨损量在线预测方法
CN111590390A (zh) * 2020-04-27 2020-08-28 黄河水利职业技术学院 一种刀具磨损状态实时评估方法、系统、存储介质、终端
CN111590390B (zh) * 2020-04-27 2021-08-27 黄河水利职业技术学院 一种刀具磨损状态实时评估方法、系统、存储介质、终端
CN111644900A (zh) * 2020-05-21 2020-09-11 西安交通大学 一种基于主轴振动特征融合的刀具破损实时监测方法
CN113780208A (zh) * 2021-09-16 2021-12-10 华中科技大学 一种基于对抗迁移学习的刀具磨损状态预测方法及装置
CN113847949A (zh) * 2021-09-23 2021-12-28 徐州万达回转支承有限公司 一种基于传感器信息融合的多工况砂带磨损状态在线检测方法
CN117961645A (zh) * 2024-03-29 2024-05-03 中国矿业大学 一种面向小样本噪声数据的刀具磨损软测量方法
CN117961645B (zh) * 2024-03-29 2024-05-28 中国矿业大学 一种面向小样本噪声数据的刀具磨损软测量方法

Also Published As

Publication number Publication date
CN108581633B (zh) 2020-10-23

Similar Documents

Publication Publication Date Title
CN108581633B (zh) 一种基于遗传算法优化多传感监测刀具状态的方法
CN114619292B (zh) 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法
CN113664612A (zh) 一种基于深度卷积神经网络的数控机床铣削刀具磨损实时监测方法
CN110110768B (zh) 基于并行特征学习和多分类器的滚动轴承故障诊断方法
CN113255848B (zh) 基于大数据学习的水轮机空化声信号辨识方法
CN111761409A (zh) 一种基于深度学习的多传感器数控机床刀具磨损监测方法
CN108393744A (zh) 一种刀具状态多传感监测方法
CN109318055B (zh) 一种铣削刀具磨损状态特征提取多目标优化方法
CN113378725B (zh) 一种基于多尺度-通道注意力网络的刀具故障诊断方法、设备及存储介质
CN111716150A (zh) 一种刀具状态智能监测的进化学习方法
CN110059442A (zh) 一种基于零件表面粗糙度和功率信息的车削加工换刀方法
CN116975771B (zh) 一种用于电机生产的异常自动识别方法及系统
CN109333159B (zh) 刀具磨损状态在线监测的深度核极限学习机方法及系统
CN116070527B (zh) 基于退化模型的铣削刀具剩余寿命预测方法
CN113414638A (zh) 一种基于铣削力时序图深度学习的变工况铣刀磨损状态预测方法
CN113627544B (zh) 一种基于多源异构数据融合的机床铣刀状态识别方法
CN112487890A (zh) 一种基于并行稀疏滤波的轴承声信号故障诊断方法
CN114714145A (zh) 一种刀具磨损状态的格拉姆角场增强对比学习监测方法
CN116433218A (zh) 基于自组织映射聚类的矿井机械设备在线健康评估方法
CN114764538B (zh) 一种设备声音信号模式识别方法
CN117131425B (zh) 一种基于反馈数据的数控机床加工状态监测方法及系统
CN117283372A (zh) 基于孪生长短时记忆神经网络的刀具磨损监测方法
CN111695582A (zh) 一种颤振纹理的检测方法及其装置
CN113807431A (zh) 一种基于多源信息融合的智能主轴状态评估方法和系统
CN113551904A (zh) 基于层次机器学习的齿轮箱多类型并发故障诊断方法

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
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20180928

Assignee: WENZHOU RUIMING INDUSTRIAL Co.,Ltd.

Assignor: Wenzhou University

Contract record no.: X2021330000784

Denomination of invention: A method of optimizing multi-sensor monitoring tool state based on genetic algorithm

Granted publication date: 20201023

License type: Common License

Record date: 20211207