CN109047949B - 一种微小齿轮给卸料装置及其顶尖施压状态识别方法 - Google Patents

Abstract

本发明公开了一种微小齿轮给卸料装置，它包括送料手爪(1)、顶尖机构(4；5)、吹扫气管(7)、进料口(9)、斜面平台(2)和右侧平台(8)，送料手爪(1)的尾部紧靠斜面平台(2)的斜面侧，送料手爪(1)在退回过程中受斜面平台(2)的压力作用实现放料口自动打开进行取料操作；吹扫气管(7)用于吹落加工好的微小齿轮。基于本发明提出的给卸料装置的顶尖施压状态识别方法可处理部分传感器损坏导致部分数据失效或异常情况。对于齿轮给卸料装置顶尖施压状态识别误判率降低。

Description

一种微小齿轮给卸料装置及其顶尖施压状态识别方法

技术领域

本发明涉及微小齿轮加工制造领域，尤其是适用于微小齿轮给卸料装置及其顶尖施压状态识别方法。

背景技术

随着我国制造业发展，对各种个性化机件的加工需求越来越大。在对微小齿轮生产加工过程中，若左、右顶尖给待加工原料两端施加压力过小，则顶尖与待加工原料两端摩擦力过小，在加工过程中，待加工原料受刀具切割产生的压力，待加工原料位置有可能发生偏移，导致加工的齿形错误，甚至在加工过程中原料脱落。反之，如果左、右顶尖施压过大，因为原料直径较小，待加工原料在加工过程中，可能会因其两端所受压力过大而变形甚至折断。若错误判断待加工原料是否到位，在没有原料处于待加工位置情况下刀具依然转动进行加工，轻则降低加工效率，重则损坏刀具和顶尖机构。采用传统单个传感器进行检测，在部分传感器失效、自然或人为干扰情况下容易出现误判。从而造成给卸料速度慢、合格产品少及生产效率低等问题。

发明内容

本发明所要解决的技术问题是：提出一种微小齿轮给卸料装置；提出基于开关量及模拟量信息融合的给卸料装置顶尖施压状态识别方法，避免单一传感器对施压状态识别可靠性低、风险大、误判率高的问题。

本发明为解决上述技术问题而采用的技术方案是：

一种微小齿轮给卸料装置，它包括送料手爪、顶尖机构、吹扫气管、进料口、斜面平台和右侧平台，送料手爪的尾部紧靠斜面平台的斜面侧，送料手爪在退回过程中受斜面平台的压力作用实现放料口自动打开进行取料操作；吹扫气管用于吹落加工好的微小齿轮；

所述顶尖机构包括不可左右移动的左侧顶尖和可左右运动的右侧顶尖机构，右侧顶尖机构固定在右侧平台上，右侧平台携带右侧顶尖机构整体向左移动以顶紧原料；右侧顶尖机构包括尾部圆柱体、红外传感器、壳体及其内部的右侧顶尖、顶尖弹簧、垫片和压力传感器，尾部圆柱体固定在右侧顶尖的中部随右侧顶尖移动，尾部圆柱体的尾部距离壳体有充足的活动空间，红外传感器固定安装在壳体上检测尾部圆柱体；右侧顶尖的尾部抵在顶尖弹簧的左侧，顶尖弹簧的右侧连接可自由运动的垫片；垫片的右侧安装三个压力传感器。

优选的，所述三个压力传感器：其中任意两个压力传感器与圆心组成的圆心角都为120o，三个传感器到圆心距离相等。

优选的，所述送料手爪由放料口、手爪弹簧、销子、转轴组成，放料口上半部，放料口下半部；

放料口上半部和放料口下半部呈对称的钳头状，放料口上半部由转轴固定并以转轴为轴可作逆时针转动，放料口下半部固定在放料口上半部的下方；

放料口上半部和放料口下半部的尾端之间连接手爪弹簧，放料口上半部和放料口下半部的尾端受手爪弹簧弹力作用呈张开状态，放料口上半部和放料口下半部的首端呈挤压状态；放料口上半部和放料口下半部的首端的挤压部位开有小口以形成放料口；

在放料口上半部上固定有销子，所述销子为突出柱状；

在送料手爪将待加工原料送至加工位后，顶尖机构给待加工原料两端施加压力，控制器识别顶尖对加工原料的施压状态，若施压状态“正常”，送料手爪开始向取料位置返回，待加工原料在顶尖摩擦力作用下脱离于放料口并被顶尖机构夹在加工位，待送料手爪后退一段距离后，待加工原料开始被加工；

送料手爪继续向后运动，运动过程中销子与斜面平台接触；由于斜面平台越靠近顶尖越低、越靠近取料位置越高；故销子受斜面平台压力作用带动放料口上半部绕转轴逆时针旋转，同时放料口上半部和放料口下半部的首端彼此分离，即放料口打开；

当送料手爪退回取料位置时，放料口完全打开，进行下一次取放料操作。

本发明还公开了一种给卸料装置顶尖施压状态识别方法，基于本发明所述的装置，其特征在于具体包括以下步骤：

(1)、采用红外传感器检测右侧顶尖到位情况，判断施压状态，获得基于开关量证据施压状态BPA；

(2)、通过三个压力传感器(S₁；S₂；S₃)采集三个压力值，基于施压状态特征矩阵，加入信息熵作为权重，求取待测样本数据灰色关联度，获取三组BPA值作为证据组；

(3)、基于模糊交互熵修正证据组BPA值，对修正后的证据组进行融合获得基于模拟量证据施压状态BPA；

(4)、将基于开关量证据施压状态BPA与基于模拟量压力状态BPA进行加权融合。

具体的，步骤(1)中，控制器通过红外传感器检测右侧顶尖到位情况，将基于开关量证据施压状态分为：正常、过高、过低，若检测到“高”电平，记基于开关量证据施压状态BPA证据为(0.9,0.03,0.07)；若检测到“低”电平，记基于开关量证据施压状态BPA证据为(0.2,0.1,0.7)。

具体的，步骤(2)的具体过程如下：

(2)-A、将顶尖弹簧对垫片即顶尖对待加工原料的施压状态分为：正常、过高及过低，顺次记为状态域{A₁,A₂,A₃}，取大量不同施压状态下压力信号对应的特征参考序列样本数据，对不同施压状态对应的特征参考序列分别取平均值，以构成施压状态特征矩阵：

式中，(x_t1,x_t2,x_t3,x_t4)是A_t的特征参考序列，t＝1,2,3，A_t分别对应状态正常、状态过高、状态过低；

(2)-B、第i个压力传感器采集的压力F_i信号对应的特征参考序列记为

计算P⁽ⁱ⁾对状态域{A₁,A₂,A₃}的灰关联度{γ_i1,γ_i2,γ_i3}，具体为：

(2)-B1、计算P⁽ⁱ⁾对状态A_t在q维的关联系数α_tq：

其中，t＝1,2,3，q＝1,2,3,4，ρ为分辨系数，在0～1之间；

(2)-B2、将P⁽ⁱ⁾对状态A_t的灰关联度γ_it为：

其中，ω_q为灰关联度权重；

(2)-B3、计算灰关联权重ω_q：

将P⁽ⁱ⁾对状态域{A₁,A₂,A₃}的关联系数α_tq张成3×4矩阵，即：

定义灰关联熵E_q为：

其中，

灰关联熵采用信息熵，灰关联熵越大，所含信息量越小，定义灰关联权重ω_q：

(2)-C、归一化灰关联度{γ_i1,γ_i2,γ_i3}即获得第i个压力传感器对状态A_t的BPA证据为m_i(A_t)：

具体的，步骤(2)中，特征参考序列的获取具体过程如下：

A、记对压力F_i信号进行EMD分解所得前4个IMF为c_q(t),q＝1,2,3,4，分别对其采用加海明窗Welch法求取功率谱，记第q个IMF分量的功率谱S_q(f)；

B、第q个IMF的功率谱熵H_q为：

式中，N代表采样点数，q代表IMF序号，j代表采样点序号，P_qj代表第q个IMF功率谱S_q(f)中采样j点处功率在整个功率谱中所占百分比，

f₀代表采样频率间隔；

C、构成该压力F_i的特征参考序列：(H_i1,H_i2,H_i3,H_i4)。

具体的，步骤(3)的具体过程如下：

(3)-A、计算模糊交互熵F(m_i‖m₀)：

设3个证据BPA为：m_i＝[m_i(A₁) m_i(A₂) m_i(A₃)],i＝1,2,3

记3个证据BPA平均值为：m₀＝[m₀(A₁) m₀(A₂) m₀(A₃)]

其中，m_i(A_t)为第i个压力传感器对状态A_t的BPA证据，t＝1,2,3，A_t分别对应状态正常、状态过高、状态过低，i＝1,2,3分别对应三个压力传感器；m₀(A_t)表示BPA证据的平局值，

(3)-B、修正BPA：

定义修正证据组BPA系数σ_i为：

σ_i＝1-F(m_i‖m₀) (10)

则对BPA修正如下：

其中，i＝1,2,3,t＝1,2,3,m_i ^*为修正后证据组BPA值，X代表未知状态；

(3)-C、证据融合：

记其中两个证据修正后BPA值为：

m_i ^*＝[m_i ^*(A₁) m_i ^*(A₂) m_i ^*(A₃) m_i ^*(X)],m_j ^*＝[m_j ^*(A₁) m_j ^*(A₂) m_j ^*(A₃) m_j ^*(X)]则这两个证据融合公式为：

计算时，对于3个压力传感器获得的3个证据，首先取第1个证据m₁ ^*、第2个证据m₂ ^*按式(12)进行推理合成，再将合成结果与第3个证据m₃ ^*合成得到基于模拟量证据施压状态BPA。

具体的，步骤(4)的具体过程如下：

(4)-A、基于开关量证据施压状态BPA记为

基于模拟量证据施压状态BPA基本概率分配记为

(4)-B、修正两个证据

和

定义修正BPA证据组：

其中，σ_i为修正证据组BPA系数；

(4)-C、对修正后证据

进行融合推理，获得最终施压状态基本概率分配BPA值m^f，融合推理公式为：

选择m^f中概率最大值对应的状态A_t作为最终顶尖施压状态结果。

本发明采用以上技术手段，与现有技术相比所具有的有益效果为：

1、本发明提出的给卸料装置顶尖施压状态识别方法可处理部分传感器损坏导致部分数据失效或异常情况。

2、本发明考虑到采集的压力信号信号是非平稳、非线性的，并伴随有噪声信号，加海明窗Welch法进行功率谱分析，平衡了分辨率和方差性能，最大程度的减少了谱泄露，使得结果更精确。

3、本发明中新提出信息熵加权灰色关联分析，消除了局部时点对整体关联度波动的影响，进一步提高了故障识别的准确度。

4、本发明基于模糊交互熵对基于模拟量的和基于开关量的给卸料装置顶尖施压状态BPA值进行修正，并对同类别及不同类别证据进行融合，减少了个别传感器错误数据的影响，提高故障识别的准确度。

5、对于齿轮给卸料装置顶尖施压状态识别误判率降低。

附图说明

图1给卸料装置结构图

图2给卸料装置右侧顶尖机构剖面图

图3给卸料装置送料手爪剖面图

图4给卸料装置压力传感器侧面分布示意图

图5是给卸料装置顶尖施压状态识别方法流程图。

图6是实施案例中压力传感器S₁所采集数据处理步骤之压力F₁信号时域波形图。

图7是实施案例中压力传感器S₁所采集数据处理步骤之F₁信号EMD分解。

图8是实施案例中压力传感器S₁所采集数据处理步骤之IMF1加海明窗Welch法功率谱图。

具体实施方式

下面结合说明书附图针对本发明的具体实施方式作进一步详细的说明。

本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

下面结合实施例对本发明作进一步的说明。

对本发明一种微小齿轮给卸料装置的几个工作实施环节分解介绍如下：

1)上料环节

(1)控制器控制送料手爪1退回到取料位置，如图1所示，位于送料手爪1左侧的斜面平台2靠近顶尖方向低，因此，退回过程中：图3所示的送料手爪1上销子1-2同放料口上半部1-5为一体结构，销子1-2受斜面平台2挤压带动放料口上半部1-5的前端向上运动，即放料口上半部1-5整体呈以转轴1-4为轴做逆时针旋转，此时放料口上半部1-5的尾端压缩送料手爪1中手爪弹簧1-3，从而送料手爪1中的放料口1-1打开。

(2)进料口9与进料气管相连，控制器通过控制进料气管中气压，将原料吹送到送料手爪1中的放料口1-1。

(3)控制器控制送料手爪1携带原料向前运动，运动过程中送料手爪1上销子1-2所受压力减小直至消失，送料手爪1中手爪弹簧1-3恢复原有长度，原料被夹紧，从而避免运动过程中原料脱落的可能。

(4)送料手爪1携带原料运动到左侧顶尖4和右侧顶尖5-2中间后，控制器控制右侧平台8携带右侧顶尖机构5整体向左移动，顶紧原料。

(5)原料被顶紧后，控制器检测顶尖对原料的施压状态，若施压状态“正常”，控制器控制送料手爪1向后移动，向后移动过程中，原料在顶尖摩擦力作用下自放料口1-1中脱离并被左侧顶尖4和右侧顶尖5-2夹在加工位；送料手爪1继续后移，在斜面平台2作用下手爪弹簧1-3被压缩，送料手爪1放料口1-1打开，送料手爪1退回到取料位置。

2)检测加工环节

(1)图2所示右侧顶尖5-2顶住原料后，右侧顶尖5-2不动，右侧平台8继续向左移动，顶尖弹簧5-3被压缩。导致右侧顶尖5-2的尾部圆柱体5-1与右侧顶尖机构5壳体5-7之间的空隙减小，控制器通过固定在右侧顶尖机构5壳体5-7上的红外传感器5-4便可以检测右侧顶尖5-2的尾部圆柱体5-1。

(2)图2所示右侧顶尖机构5中顶尖弹簧5-3右侧端部通过垫片5-5安装了三个压力传感器S₁、S₂、S₃，三个压力传感器分布如图4所示，任意两个传感器与圆心组成的圆心角都为120°，三个传感器到圆心距离相等。控制器读出三个压力传感器数值依次为F₁，F₂，F₃。

(3)采集红外传感器5-4输出状态及三个压力传感器数据F₁，F₂，F₃，控制器基于给卸料装置顶尖施压状态识别方法进行施压状态判断，若施压状态“正常”，控制器先控制送料手爪1向后移动，待送料手爪1移动一定距离后控制器再控制顶尖和刀具按照规划好的速度转动，进行加工。

3)下料环节

加工完成后，控制器控制右侧平台8携带右侧顶尖机构5整体向右运动，加工好齿轮两边所受压力消失，但因金属材料加工后会产生少许磁性，会粘附在两侧的顶尖上，故通过图1中吹扫气管7将加工完的成品吹落到下方成品盒中。

所述给卸料装置顶尖施压状态识别方法主要包括：获取基于开关量证据施压状态BPA、通过压力传感器采集数据及处理获取模拟量证据组BPA值、融合证据组获取基于模拟量证据施压状态BPA、融合开关量及模拟量最终识别施压状态四个部分。

1、获取基于开关量证据施压状态BPA

控制器通过红外传感器检测右侧顶尖到位情况，检测到“高”电平，判断压力状态正常，记基于开关量证据施压状态(正常、过高、过低)BPA证据为：

2、通过压力传感器采集数据及处理获取模拟量证据组BPA值

2.1数据采集及处理

本实施例利用Matlab对所采压力信号进行EMD经验模态分解，取前4个本征模函数IMF，对IMF采用加海明窗Welch法进行功率谱分析，计算功率谱熵，得待检故障特征量。

以压力传感器S₁为例，压力传感器S₁所采压力F₁信号及其EMD分解、功率谱分析(仅标注IMF1，其他同理)步骤如附图6-8所示。

根据技术方案中的式(1)计算4个本征模函数IMF的功率谱熵H_q(q＝1,2,3,4)分别为：H₁＝2.1044,H₂＝2.3194,H₃＝2.0535,H₄＝1.9117。

最终获得该压力特征参考序列：

F₁＝(2.1044 2.3194 2.0535 1.9117)。

2.2BPA获取

记施压状态分为：正常、过高及过低，顺次记为状态域{A₁,A₂,A₃}，取各状态下样本数据各10组作为训练样本，参照上述采集数据处理步骤(对不同施压状态对应的特征参考序列分别取平均值)，获得各状态的特征参考序列(x_t1,x_t2,x_t3,x_t4),t＝1,2,3，即：

正常状态的特征序列为：(2.012 2.3574 2.0351 1.82)

过高状态的特征序列为：(2.201 2.014 2.5315 2.021)

过低状态的特征序列为：(2.564 1.9022 1.8843 1.7005)

建立施压状态特征矩阵：

根据技术方案中的式(3)计算计算F₁对状态A_t在q维的关联系数α_tq，基于关联系数α_tq根据技术方案中的式(6)计算灰关联熵E_q，基于灰关联熵E_q根据技术方案中的式(7)计算各维权重：

ω＝(0.1902 0.2764 0.3578 0.1756)

根据技术方案中的式(4)计算F₁对状态A_t的灰关联度，如表1所示：

表1 F₁对A_t的灰关联度

由技术方案中的式(8)计算待测F₁对各状态的BPA为：

m₁(A₁)＝0.74,m₁(A₂)＝0.1441,m₁(A₃)＝0.1159。

作为对比例，若是不加入基于灰关联熵的各维权重，而采用等权灰关联度(即上述公式(4)相应改为

)，则待测F₁对各状态的BPA为：m₁'(A₁)＝0.6907,m₁'(A₂)＝0.1861,m₁'(A₃)＝0.1232

由此可见，基于灰关联熵改进的灰关联度所获取的BPA对于施压状态识别更精确。

重复以上步骤，依次其余压力传感器S₂、S₃所得数据对样本空间的BPA值。

3、融合证据组获取基于模拟量证据施压状态BPA

本模块对三个压力传感器所获取的3组证据BPA推理规则合成，获取基于模拟量证据施压状态BPA值。

三个压力传感器对应的BPA值分别如下：

m₁(A₁)＝0.74,m₁(A₂)＝0.1441,m₁(A₃)＝0.1159

m₂(A₁)＝0.6912,m₂(A₂)＝0.2514,m₂(A₃)＝0.0574

m₃(A₁)＝0.9101,m₃(A₂)＝0.0038,m₃(A₃)＝0.0861

根据技术方案中的公式(9)(10)(11)计算模糊交互熵并对证据组BPA进行修正，修正后3组BPA值为：

m₁ ^*(A₁)＝0.7368,m₁ ^*(A₂)＝0.1435,m₁ ^*(A₃)＝0.1154,m₁ ^*(X)＝0.0044

m₂ ^*(A₁)＝0.6680,m₂ ^*(A₂)＝0.2429,m₂ ^*(A₃)＝0.0555,m₂ ^*(X)＝0.0336

m₃ ^*(A₁)＝0.8371,m₃ ^*(A₂)＝0.0035,m₃ ^*(A₃)＝0.0792,m₃ ^*(X)＝0.0802

根据技术方案中的公式(12)对3组证据进行融合，即得基于模拟量证据施压状态BPA值，为：

4、融合开关量及模拟量最终识别施压状态

基于开关量证据施压状态BPA记为

基于模拟量证据施压状态BPA基本概率分配记为

根据技术方案中的公式(13)对基于开关量证据施压状态BPA值

及基于模拟量证据施压状态BPA值

进行修正，得：

根据技术方案中的公式(14)对2组证据进行融合得m^f，结果如下表2所示，最终识别施压状态为A₁“正常”。

表2施压状态识别结果

本发明未涉及部分均有现有技术相同或可采用现有技术加以实现。

本技术领域技术人员可以理解的是，本发明中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地，具有本发明中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地，现有技术中的具有与本发明中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。

上面结合附图对本发明的实施方式作了详细地说明，但是本发明并不局限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (9)

1.一种微小齿轮给卸料装置，其特征在于它包括送料手爪(1)、顶尖机构(4；5)、吹扫气管(7)、进料口(9)、斜面平台(2)和右侧平台(8)，送料手爪(1)的尾部紧靠斜面平台(2)的斜面侧，送料手爪(1)在退回过程中受斜面平台(2)的压力作用实现放料口自动打开进行取料操作；吹扫气管(7)用于吹落加工好的微小齿轮；

所述顶尖机构(4；5)包括不可左右移动的左侧顶尖(4)和可左右运动的右侧顶尖机构(5)，右侧顶尖机构(5)固定在右侧平台(8)上，右侧平台(8)携带右侧顶尖机构(5)整体向左移动以顶紧原料；右侧顶尖机构(5)包括尾部圆柱体(5-1)、红外传感器(5-4)、壳体(5-7)及其内部的右侧顶尖(5-2)、顶尖弹簧(5-3)、垫片(5-5)和压力传感器(5-6)，尾部圆柱体(5-1)固定在右侧顶尖(5-2)的中部随右侧顶尖(5-2)移动，尾部圆柱体(5-1)的尾部距离壳体(5-7)有充足的活动空间，红外传感器(5-4)固定安装在壳体(5-7)上检测尾部圆柱体(5-1)；右侧顶尖(5-2)的尾部抵在顶尖弹簧(5-3)的左侧，顶尖弹簧(5-3)的右侧连接可自由运动的垫片(5-5)；垫片(5-5)的右侧安装三个压力传感器(S₁；S₂；S₃)。

2.根据权利要求1所述的装置，其特征在于所述三个压力传感器(S₁；S₂；S₃)：其中任意两个压力传感器与圆心组成的圆心角都为120°，三个压力传感器到圆心距离相等。

3.根据权利要求1所述的装置，其特征在于所述送料手爪(1)由放料口(1-1)、手爪弹簧(1-3)、销子(1-2)、转轴(1-4)、放料口上半部(1-5)，放料口下半部(1-6)组成；

放料口上半部(1-5)和放料口下半部(1-6)呈对称的钳头状，放料口上半部(1-5)由转轴(1-4)固定并以转轴(1-4)为轴可作逆时针转动，放料口下半部(1-6)固定在放料口上半部(1-5)的下方；

放料口上半部(1-5)和放料口下半部(1-6)的尾端之间连接手爪弹簧(1-3)，放料口上半部(1-5)和放料口下半部(1-6)的尾端受手爪弹簧(1-3)弹力作用呈张开状态，放料口上半部(1-5)和放料口下半部(1-6)的首端呈挤压状态；放料口上半部(1-5)和放料口下半部(1-6)的首端的挤压部位开有小口以形成放料口(1-1)；

在放料口上半部(1-5)上固定有销子(1-2)，所述销子(1-2)为突出柱状；

在送料手爪(1)将待加工原料送至加工位后，顶尖机构(4；5)给待加工原料两端施加压力，控制器识别顶尖对加工原料的施压状态，若施压状态“正常”，送料手爪(1)开始向取料位置返回，待加工原料在顶尖摩擦力作用下脱离于放料口(1-1)并被顶尖机构(4；5)夹在加工位，待送料手爪(1)后退一段距离后，待加工原料开始被加工；

送料手爪(1)继续向后运动，运动过程中销子(1-2)与斜面平台(2)接触；由于斜面平台(2)越靠近顶尖越低、越靠近取料位置越高；故销子(1-2)受斜面平台(2)压力作用带动放料口上半部(1-5)绕转轴(1-4)逆时针旋转，同时放料口上半部(1-5)和放料口下半部(1-6)的首端彼此分离，即放料口(1-1)打开；

当送料手爪(1)退回取料位置时，放料口(1-1)完全打开，进行下一次取放料操作。

4.一种给卸料装置顶尖施压状态识别方法，基于权利要求1～3任一项所述的装置，其特征在于具体包括以下步骤：

(1)、采用红外传感器(5-4)检测右侧顶尖(5-2)到位情况，判断施压状态，获得基于开关量证据施压状态BPA；

(2)、通过三个压力传感器(S₁；S₂；S₃)采集三个压力值，基于施压状态特征矩阵，加入信息熵作为权重，求取待测样本数据灰色关联度，获取三组BPA值作为证据组；

(3)、基于模糊交互熵修正证据组BPA值，对修正后的证据组进行融合获得基于模拟量证据施压状态BPA；

(4)、将基于开关量证据施压状态BPA与基于模拟量证据施压状态BPA进行加权融合。

5.根据权利要求4所述的方法，其特征是，步骤(1)中，控制器通过红外传感器(5-4)检测右侧顶尖(5-2)到位情况，将基于开关量证据施压状态分为：正常、过高、过低，若检测到“高”电平，记基于开关量证据施压状态BPA证据为(0.9,0.03,0.07)；若检测到“低”电平，记基于开关量证据施压状态BPA证据为(0.2,0.1,0.7)。

6.根据权利要求4所述给卸料装置顶尖施压状态识别方法，其特征是，步骤(2)的具体过程如下：

(2)-A、将顶尖弹簧(5-3)对垫片(5-5)即顶尖对待加工原料的施压状态分为：正常、过高及过低，顺次记为状态域{A₁,A₂,A₃}，取大量不同施压状态下压力信号对应的特征参考序列样本数据，对不同施压状态对应的特征参考序列分别取平均值，以构成施压状态特征矩阵：

式中，(x_t1,x_t2,x_t3,x_t4)是A_t的特征参考序列，t＝1,2,3，A_t分别对应状态正常、状态过高、状态过低；

(2)-B、第i个压力传感器采集的压力F_i信号对应的特征参考序列记为P⁽ⁱ⁾＝(y⁽ⁱ⁾ ₁,y⁽ⁱ⁾ ₂，y⁽ⁱ⁾ ₃,y⁽ⁱ⁾ ₄)，i＝1,2,3；计算P⁽ⁱ⁾对状态域{A₁,A₂,A₃}的灰关联度{γ_i1,γ_i2,γ_i3}，具体为：

(2)-B1、计算P⁽ⁱ⁾对状态A_t在q维的关联系数α_tq：

其中，t＝1,2,3，q＝1,2,3,4，ρ为分辨系数，在0～1之间；

(2)-B2、将P⁽ⁱ⁾对状态A_t的灰关联度γ_it为：

其中，ω_q为灰关联度权重；

(2)-B3、计算灰关联权重ω_q：

将P⁽ⁱ⁾对状态域{A₁,A₂,A₃}的关联系数α_tq张成3×4矩阵，即：

定义灰关联熵E_q为：

其中，

定义灰关联权重ω_q：

(2)-C、归一化灰关联度{γ_i1,γ_i2,γ_i3}即获得第i个压力传感器对状态A_t的BPA证据为m_i(A_t)：

7.根据权利要求6所述给卸料装置顶尖施压状态识别方法，其特征是，步骤(2)中，特征参考序列的获取具体过程如下：

A、记对压力F_i信号进行EMD分解所得前4个IMF为c_q(t),q＝1,2,3,4，分别对其采用加海明窗Welch法求取功率谱，记第q个IMF分量的功率谱S_q(f)；

B、第q个IMF的功率谱熵H_q为：

式中，N代表采样点数，q代表IMF序号，j代表采样点序号，P_qj代表第q个IMF功率谱S_q(f)中采样j点处功率在整个功率谱中所占百分比，

f₀代表采样频率间隔；

C、构成该压力F_i的特征参考序列：(H_i1,H_i2,H_i3,H_i4)。

8.根据权利要求4所述给卸料装置顶尖施压状态识别方法，其特征是，步骤(3)的具体过程如下：

(3)-A、计算模糊交互熵F(m_i||m₀)：

设3个证据BPA为：m_i＝[m_i(A₁) m_i(A₂) m_i(A₃)],i＝1,2,3

记3个证据BPA平均值为：m₀＝[m₀(A₁) m₀(A₂) m₀(A₃)]

其中，m_i(A_t)为第i个压力传感器对状态A_t的BPA证据，t＝1,2,3，A_t分别对应状态正常、状态过高、状态过低，i＝1,2,3分别对应三个压力传感器；m₀(A_t)表示BPA证据的平均值，

(3)-B、修正BPA：

定义修正证据组BPA系数σ_i为：

σ_i＝1-F(m_i||m₀) (10)

则对BPA修正如下：

其中，i＝1,2,3,t＝1,2,3,m_i ^*为修正后证据组BPA值，X代表未知状态；

(3)-C、证据融合：

记其中两个证据修正后BPA值为：

m_i ^*＝[m_i ^*(A₁) m_i ^*(A₂) m_i ^*(A₃) m_i ^*(X)],m_j ^*＝[m_j ^*(A₁) m_j ^*(A₂) m_j ^*(A₃) m_j ^*(X)]则这两

个证据融合公式为：

计算时，对于3个压力传感器获得的3个证据，首先取第1个证据m₁ ^*、第2个证据m₂ ^*按式(12)进行推理合成，再将合成结果与第3个证据m₃ ^*合成得到基于模拟量证据施压状态BPA。

9.根据权利要求4所述给卸料装置顶尖施压状态识别方法，其特征是，步骤(4)的具体过程如下：

(4)-A、基于开关量证据施压状态BPA记为

基于模拟量证据施压状态BPA基本概率分配记为

(4)-B、修正两个证据

和

定义修正BPA证据组：

其中，σ_i为修正证据组BPA系数；

(4)-C、对修正后证据

进行融合推理，获得最终施压状态基本概率分配BPA值m^f，融合推理公式为：

选择m^f中概率最大值对应的状态A_t作为最终顶尖施压状态结果。

Images