CN108956783B - 一种基于hdp-hsmm的磨削声砂轮钝化状态检测方法 - Google Patents
一种基于hdp-hsmm的磨削声砂轮钝化状态检测方法 Download PDFInfo
- Publication number
- CN108956783B CN108956783B CN201810486652.9A CN201810486652A CN108956783B CN 108956783 B CN108956783 B CN 108956783B CN 201810486652 A CN201810486652 A CN 201810486652A CN 108956783 B CN108956783 B CN 108956783B
- Authority
- CN
- China
- Prior art keywords
- acoustic emission
- grinding wheel
- grinding
- hdp
- hsmm
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/449—Statistical methods not provided for in G01N29/4409, e.g. averaging, smoothing and interpolation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/26—Scanned objects
- G01N2291/269—Various geometry objects
- G01N2291/2696—Wheels, Gears, Bearings
Abstract
本发明公开了一种基于HDP‑HSMM的磨削声砂轮钝化状态检测方法。首先由声发射传感器实时采集加工现场的声发射信号;然后利用小波软阈值降噪方法进行降噪;再对经过降噪的声发射信号进行分帧操作,并提取每帧信号的8个统计特征,组成8维声发射数据集;最后,使用8维声发射数据集训练HDP‑HSMM;利用训练好的HDP‑HSMM就可以去预测新的加工过程产生的声发射信号所代表的砂轮钝化状态。本发明所提出的HDP‑HSMM方法是一种非监督学习方法,相比于现有技术方案,该方法不需要先验的砂轮钝化状态知识,而是通过对采集到的声发射信号自动聚类实现对砂轮钝化程度的有效划分,进而得到整个加工过程中砂轮所处的状态。本发明可以准确识别磨削加工中砂轮的不同钝化状态,并能对砂轮钝化程度进行量化分级,从而大大减小了对熟练工人的依赖,提高了加工效率,具有极重要的工业应用价值。
Description
技术领域
本发明及机械加工领域的一种检测方法,具体说是一种基于分层Dirichlet过程-隐半马尔可夫模型(HDP-HSMM)的磨削声砂轮钝化状态检测方法。
背景技术
在机械加工中,磨削加工是一种重要的加工方法,而磨削车床是实施这一加工办法的主要工具。传统情况下,磨床加工需要较为熟练的工人来根据工作经验判断刀具(即砂轮)是否钝化。由于人为因素的存在,加工效率和质量常常受到影响,并可能造成工件和刀具不必要的损毁。为了实现生产的自动化,工程师们提出了各种智能化的砂轮钝化状态检测方法。
但是,这些方法虽然能够检测加工过程中砂轮的状态,却并没有对砂轮钝化程度进行细分。另外,这些方法都是监督学习方法,需要采集处于不同状态下的磨削砂轮加工中的大量声发射信号。然后,利用这些有标记的数据去学习声发射信号和砂轮状态之间的关系。这需要投入大量的时间和实验成本,占用大量的计算资源,并只能针对选定的几个特定状态的砂轮进行学习,不能反应砂轮的一个完整钝化周期所出现的不同钝化状态。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种基于HDP-HSMM的磨削声砂轮钝化状态检测方法。该方法只需采集一个完整的砂轮钝化周期的磨削声发射信号,就可以判断磨削加工过程中砂轮的不同钝化状态,并对完整加工钝化周期中砂轮状态进行量化分级。这种方法既节省实验成本,计算量又小,并能够准确的检测出磨削过程中的砂轮的不同钝化状态,确保了砂轮的及时更换,保证加工质量和精度,提高加工效率,减少工件和刀具的损毁。
技术方案:本发明的基于HDP-HSMM的磨削声砂轮钝化状态检测方法,其特征在于,包括以下步骤:
(1)采集磨削加工过程中的声发射信号:由声发射传感器实时采集加工现场的声发射信号,其中包括材料塑性变形所产生的声发射信号,频率为50KHZ~300KHZ;
(2)小波阈值降噪预处理:采集的声发射信号由于包含大量的环境及加工噪音,故需要先对其滤波。采用小波软阈值降噪方法做降噪处理,降噪后的信号仅包含磨削加工过程中材料塑形变形所产生的声发射信号;
(3)分帧处理和特征提取:对经过降噪的声发射信号进行分帧操作,每帧信号都保持相同的长度,且帧与帧之间有重叠;分帧之后,提取每帧信号的8个统计特征,组成8维声发射数据集,通过这样的方法8维声发射数据集将代替原始声发射信号,用来作为判断砂轮状态的依据;
(4)学习训练HDP-HSMM:使用步骤(3)中得到的声发射数据集训练HDP-HSMM,通过设置最大类别数目,观测概率分布,状态驻留概率分布,运行吉布斯采样循环,得到包括状态转移概率矩阵,观测概率分布,状态驻留概率分布的参数以及隐状态序列即砂轮钝化状态序列;
(5)砂轮状态判断:使用训练好的HDP-HSMM,通过Viterbi算法去预测新的加工过程产生的声发射信号所代表的砂轮钝化状态。
作为优选,所述步骤(1)中,声发射传感器的采样频率f大于等于二倍的磨削加工固体声致声发射信号的频率。
作为优选,所述步骤(2)中所述的小波函数采用db5。
作为优选,所述步骤(3)中所述的帧长为2s,相邻两帧有1s的重叠;提取的8个统计特征分别为:振幅,持续时间,上升时间,能量计数,振铃计数,RMS值,峰峰值和偏度。
作为优选,所述步骤(4)中所述的最大类别数目为10,观测概率分布为十组分高斯混合分布,状态驻留分布为泊松分布,并运行200次吉布斯采样循环。
有益效果:本发明基于HDP-HSMM的磨削声砂轮钝化状态检测方法,所需磨削声发射数据少,实验成本低,计算量又小。并能有效识别砂轮的不同钝化状态并能对整个加工过程中的砂轮钝化程度进行量化分级;可以自动判断出砂轮的加工状态,确保了砂轮的及时更换,保证加工质量和精度,提高加工效率,减少工件和刀具的损毁。
附图说明
图1是本发明基于HDP-HSMM的磨削声砂轮钝化状态检测方法的框图。
图2是本发明中HDP-HSMM的有向图。
图3是本发明基于HDP-HSMM的磨削声砂轮钝化状态检测流程图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
本发明基于HDP-HSMM的磨削声砂轮钝化状态检测系统,包括传感器信号采集模块、信号预处理和特征提取模块,HDP-HSMM学习模块,砂轮状态判断模块,如图1所示。传感器信号采集模块采集磨削加工声发射信号,通过信号预处理和特征提取模块进行预处理,通过HDP-HSMM学习模块进行训练学习,确定学习模块的各个参数,训练好HDP-HSMM,对信号预处理和特征提取模块进行预处理后,通过训练好的HDP-HSMM,通过砂轮状态判断模块进行砂轮钝化状态的判断。
所述传感器信号采集模块,由声发射传感器和高速采集卡组成。主要是按照预设的采样频率采集磨削加工时的各种声发射信号。
所述信号预处理和特征提取模块,即对采集的声发射信号先滤波处理,然后进行分帧操作并提取每帧信号的8维特征组成声发射数据集。
所述HDP-HSMM学习模块,利用声发射数据集来学习HDP-HSMM的各组分参数,以此建立声发射数据集和砂轮的不同钝化状态之间的关系。在该学习过程中不需要知道砂轮状态的先验知识,而是通过对声发射数据集的自适应聚类来自动对砂轮状态进行划分。即该过程是一种非监督学习方式。
所述的砂轮状态判断模块,就是利用已经学习好的HDP-HSMM,在新数据输入时作出状态判断,实时监测磨削砂轮所处的状态。
具体步骤如图3所示:
(1)采集加工时的各种现场信号:磨削加工固体声致声发射信号的频率一般为50KHZ~300KHZ范围内,由此设定声发射传感器的采样频率f为3MHz;由声发射传感器按照预设的采样频率f采集一段加工现场的声发射信号。该段过程尽可能长,且刚开始的时候砂轮应处于锋利状态,结束时应处于完全钝化状态,即需保证砂轮至少完成一次钝化周期。
(2)小波降噪预处理:采用db5小波软阈值降噪方法,对采集到的声发射信号进行降噪。通带频率为50KHZ~300KHZ。
(3)分帧及特征提取:对经过降噪处理的信号进行分帧操作,其帧长为2s,帧移1s。并提取每帧信号中的振幅,持续时间,上升时间,能量计数,振铃计数,RMS值,峰峰值和偏度共8个特征。
其中振幅通常取最大幅值的对数:
RMS值即是信号电平的均方根值,表示为:
峰峰值即是信号最高信号电平与最低信号电平差值的一半:
偏度表示信号偏离中心的程度。其计算公式是用其三阶中心距除以标准差的三次方:
以上各式中的u(t)就是信号电平。
(4)学习HDP-HSMM:将以上得到的8维声发射数据集作为训练数据集,去训练HDP-HSMM。HDP-HSMM是一种贝叶斯非参数推断方法,其有向图如图2,可记为:
β|γ~GEM(γ)......式(5)
πj|β,α~DP(α,β)j=1,2,…......式(6)
θj|H,λ~H(λ)j=1,2,…......式(7)
ωj|Ω~Ω j=1,2,…......式(8)
τ:=0,s:=1,while τ<T do:
τ:=τ+Ds......式(12)
s:=s+1......式(13)
α,γ都是需要预先设置的超参数;GEM指的是Stick-breaking过程;β,πj是Stick-breaking过程权重系数;DP表示Dirichlet过程;zs是隐状态序列;s表示观测序列;f是观测概率分布;yt是服从分布f的观测序列;D表示状态驻留时间分布;H和Ω是互为共轭的一类基分布;θj表示特定状态观测分布的参数{j}来自于参数为λ的先验基分布H;ω表示特定隐状态分布的参数{s}来自于先验基分布Ω。HDP可视作一个无穷状态转移空间,每一个{j}都是一个Dirichlet过程并且被解释为状态j的转移概率,即转移矩阵的第j行。状态j与一组参数为相同离散测度的Dirichlet过程联系起来。
通过设置最大类别数目为10;观测概率分布f为十组分高斯混合分布,状态驻留概率分布D为泊松分布。运行200次吉布斯采样循环。得到包括状态转移概率矩阵,观测概率分布,状态驻留概率分布的参数以及隐状态序列zt即砂轮钝化状态序列。
(5)砂轮钝化状态判断:使用经过训练数据集训练的HDP-HSMM,去对新的磨削加工所产生的声发射信号进行状态预测。该步骤首先要对新的声发射信号通过(2),(3)所述的方法处理,得到相应的8维数据;然后将这些数据输入(4)所训练好的HDP-HSMM,使用Viterbi算法预测其砂轮状态。
(6)磨床的控制系统或操作工人可根据本系统的判断提示进行进一步操作。比如开始计算刀具进给量、更换刀具、更换工件等。
Claims (5)
1.一种基于HDP-HSMM的磨削声砂轮钝化状态检测方法,其特征在于,包括以下步骤:
(1)采集磨削加工过程中的声发射信号:由声发射传感器实时采集加工现场的声发射信号,由声发射传感器实时采集加工现场的声发射信号的该段过程尽可能长,且刚开始的时候砂轮应处于锋利状态,结束时应处于完全钝化状态,需保证砂轮至少完成一次钝化周期;
(2)小波阈值降噪预处理:采集的声发射信号采用小波软阈值降噪方法做降噪处理,降噪后的信号仅包含磨削加工过程中材料塑形变形所产生的声发射信号;
(3)分帧处理和特征提取:对经过降噪的声发射信号进行分帧操作,每帧信号都保持相同的长度,且帧与帧之间有重叠;分帧之后,提取每帧信号的8个统计特征,组成8维声发射数据集,通过这样的方法8维声发射数据集将代替原始声发射信号,用来作为判断砂轮状态的依据;
(4)学习训练HDP-HSMM:使用步骤(3)中得到的声发射数据集训练HDP-HSMM,通过设置最大类别数目,观测概率分布,状态驻留概率分布,运行吉布斯采样循环,得到包括状态转移概率矩阵,观测概率分布,状态驻留概率分布的参数以及隐状态序列即砂轮钝化状态序列;
(5)砂轮状态判断:使用训练好的HDP-HSMM,通过Viterbi算法去预测新的加工过程产生的声发射信号所代表的砂轮钝化状态。
2.根据权利要求1所述的基于HDP-HSMM的磨削声砂轮钝化状态检测方法,其特征在于:所述步骤(1)中,声发射传感器的采样频率f大于等于二倍的磨削加工材料塑性变形引起的声发射信号的频率。
3.根据权利要求1所述的基于HDP-HSMM的磨削声砂轮钝化状态检测方法,其特征在于:所述步骤(2)中所述的小波函数采用db5。
4.根据权利要求1所述的基于HDP-HSMM的磨削声砂轮钝化状态检测方法,其特征在于:所述步骤(3)中所述的帧长为2s,相邻两帧有1s的重叠;提取的8个统计特征分别为:振幅,持续时间,上升时间,能量计数,振铃计数,RMS值,峰峰值和偏度。
5.根据权利要求1所述的基于HDP-HSMM的磨削声砂轮钝化状态检测方法,其特征在于:所述步骤(4)中所述的最大类别数目为10,观测概率分布为十组分高斯混合分布,状态驻留分布为泊松分布,并运行200次吉布斯采样循环。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810486652.9A CN108956783B (zh) | 2018-05-18 | 2018-05-18 | 一种基于hdp-hsmm的磨削声砂轮钝化状态检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810486652.9A CN108956783B (zh) | 2018-05-18 | 2018-05-18 | 一种基于hdp-hsmm的磨削声砂轮钝化状态检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108956783A CN108956783A (zh) | 2018-12-07 |
CN108956783B true CN108956783B (zh) | 2020-04-21 |
Family
ID=64499423
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810486652.9A Active CN108956783B (zh) | 2018-05-18 | 2018-05-18 | 一种基于hdp-hsmm的磨削声砂轮钝化状态检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108956783B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110605663A (zh) * | 2019-09-17 | 2019-12-24 | 上海理工大学 | 基于时间常数的切入式磨削砂轮钝化预测方法 |
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 |
CN114778699A (zh) * | 2022-03-29 | 2022-07-22 | 哈尔滨工业大学 | 一种基于声发射技术的微细磨削在线无损监测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819119A (zh) * | 2010-03-25 | 2010-09-01 | 南京大学 | 一种基于小波分析的磨削加工工况检测系统及其方法 |
CN102073300A (zh) * | 2010-12-28 | 2011-05-25 | 华中科技大学 | 一种数控加工状态自学习的刀具磨损监控系统 |
CN103105820A (zh) * | 2012-05-22 | 2013-05-15 | 华中科技大学 | 一种数控机床切削加工的刀具磨损状态识别方法 |
CN103264317A (zh) * | 2013-05-16 | 2013-08-28 | 湖南科技大学 | 一种铣削加工刀具运行可靠性的评估方法 |
-
2018
- 2018-05-18 CN CN201810486652.9A patent/CN108956783B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819119A (zh) * | 2010-03-25 | 2010-09-01 | 南京大学 | 一种基于小波分析的磨削加工工况检测系统及其方法 |
CN102073300A (zh) * | 2010-12-28 | 2011-05-25 | 华中科技大学 | 一种数控加工状态自学习的刀具磨损监控系统 |
CN103105820A (zh) * | 2012-05-22 | 2013-05-15 | 华中科技大学 | 一种数控机床切削加工的刀具磨损状态识别方法 |
CN103264317A (zh) * | 2013-05-16 | 2013-08-28 | 湖南科技大学 | 一种铣削加工刀具运行可靠性的评估方法 |
Non-Patent Citations (2)
Title |
---|
An intelligent system for grinding wheel condition monitoring;Lezanski P.;《Journal of Materials Processing Technology》;20011231;258-263 * |
分层Dirichlet过程及其应用综述;周建英 等;《自动化学报》;20110430;第37卷(第4期);389-407 * |
Also Published As
Publication number | Publication date |
---|---|
CN108956783A (zh) | 2018-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102017011290B4 (de) | Vorrichtung für maschinelles Lernen, CNC-Vorrichtung und maschinelles Lernverfahren zum Erkennen eines Anzeichens eines Auftretens von Rattern im Werkzeug einer Werkzeugmaschine | |
CN108956783B (zh) | 一种基于hdp-hsmm的磨削声砂轮钝化状态检测方法 | |
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 | |
CN112254964A (zh) | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 | |
CN111716150B (zh) | 一种刀具状态智能监测的进化学习方法 | |
CN111136509B (zh) | 一种基于elm-sdae算法的刀具状态监测方法 | |
CN110653661A (zh) | 基于信号融合和多重分形谱算法的刀具状态监测识别方法 | |
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 | |
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 | |
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 | |
CN113927371A (zh) | 一种基于多传感器特征融合的刀具磨损预测方法 | |
CN113177537B (zh) | 一种旋转机械设备的故障诊断方法及系统 | |
CN111113150B (zh) | 一种机床刀具状态的监控方法 | |
CN114850969B (zh) | 一种基于振动信号的刀具失效监控方法 | |
CN113752089B (zh) | 一种基于奇异性李氏指数的刀具状态监测方法 | |
CN109141625B (zh) | 一种滚珠丝杠副的在线状态监测方法 | |
CN111660141A (zh) | 一种工况无关的基于主轴驱动电流的铣刀磨损状态识别方法 | |
CN109635847A (zh) | 一种基于振动和声发射的刀具磨损状态识别方法 | |
CN112207631B (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
CN114872290B (zh) | 一种注塑件的自适应生产异常监测方法 | |
CN116061006B (zh) | 一种刀具监控方法、装置、设备及介质 | |
CN111783544B (zh) | 加工陶瓷手机背板的金刚石铣磨头状态监测系统搭建方法 | |
CN116070527A (zh) | 基于退化模型的铣削刀具剩余寿命预测方法 | |
CN113369993B (zh) | 一种小样本下刀具磨损状态监测方法 | |
CN112783138B (zh) | 生产线设备加工稳定性智能监控和异常诊断方法及装置 |
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 |