CN109158953B - 一种刀具磨损状态在线监测方法及系统 - Google Patents

Abstract

本发明属于制造过程监测领域，涉及一种刀具磨损状态在线监测方法及系统，首先采集刀具在不同磨损状态下的多通道信号；其次将信号输送到DSP中进行信号处理，计算其多个统计特征参数，通过条件协方差最小化来进行特征选择，通过遗传算法进行优化，得到优化的特征参数集；然后将优化后的特征参数集作为训练样本集，并存储在RAM中；最后在线监测时，计算多通道信号经CCM优化后的特征，形成测试样本并与训练样本集同时输入到核极限学习机中进行分类，实现刀具磨损状态在线监测。有效地提取不同物理场相关的特征信号，去除干扰信号特征的影响，提高分类的准确率。

Description

一种刀具磨损状态在线监测方法及系统

技术领域

本发明属于制造过程监测领域，涉及一种刀具磨损状态在线监测方法及系统。

背景技术

随着现代制造业的不断发展，制造系统的自动化程度直接影响着企业生产效益，而数控机床的自动化程度是多数制造系统的组成部分。刀具作为数控机床最易受损的部件之一，其磨损程度与产品质量和生产效率密切相关。据统计，由于刀具破损而导致机床停机占机床总停机时间的近20％。因此，对刀具的磨损状态进行实时监测，以便提早发现异常状态是十分有价值和现实意义的。

由于通过直接测量法测量刀具磨损状态难以实现在线监测，故越来越多的学者专注于间接测量法的研究。在产品加工过程中，传感器采集的关于刀具磨损信号受加工中心其他因素的影响，其原信号特征不明显。目前，常用的特征提取方法有时域特征提取、频域特征提取以及时频域特征提取。然而，不同物理场信号适合的特征也不同，不同特征所包含的特征信息量不同，选择时频特征个数最小且包含特征信息最多的组合，可以在保证分类正确率的同时提高在线监测速度。

发明内容

本发明的目的是为了克服现有技术存在的缺点和不足，而提供一种刀具磨损状态在线监测方法及系统。

本发明所采取的技术方案如下：一种刀具磨损状态在线监测方法，包括训练模型部分和在线监测部分；

其中，训练模型部分包括以下步骤：

步骤1-1.采集刀具磨损状态相关的信号：采集刀具在不同磨损状态时的多通道信号(X_j,Y_j),j＝1,2,…,J，以第j类物理场为例，其时域信号数学形式为：

X_j＝x_ij(n) (1)；

式(1)中，X_j＝{x_1j,x_2j,…,x_mj}^T∈R^m×n是采集的m×n阶原信号样本矩阵，其中：n为信号的采点数，i＝1,2,…,m为信号采集次数；

Y_j＝{y_1j,y_2j,…,y_mj}^T∈R^m为第i次采集信号所对应的磨损状态，其中y_ij∈{1,2,3,4,5}；

步骤1-2.计算各物理场原始信号的时频和域统计特征参数，生成特征信号组：

X_T_j＝{x_t_j1(i),x_t_j2(i),…,x_t_jd(i)} (2)；

i＝1,2,…,m；s_i(k)为第i次采集的时域信号对应的频谱；

其中，d为各物理场原始信号的统计参数个数，将J个物理场的统计参数进行融合，得到第i个样本信号全部统计参数X_T＝{x_t₁(i),x_t₂(i),…,x_t_D(i)},D＝J×d；

步骤1-3.将数据映射到再生核希尔伯特空间分别得到(H_x,K_x)，(H_y,K_y)，在X_T上使用高斯核，

其中

在Y上使用线性核：

K_y(y_a,y_b)＝y_ay_b ^T (4)；

步骤1-4.用条件协方差算子的迹Q来度量特征子集对剩余特征的依赖程度,当且仅当选定的e个特征值完全独立于剩余特征值和响应Y时，

其中,⊙表示两个向量的哈达马积；ω_a∈{0,1},a＝1,2,…,D；正则化系数ε为1；G_ω⊙X为核矩阵K_ω⊙X中心化后的矩阵,(K_ω⊙X)_ab＝K_x(ω⊙x_a,ω⊙x_b)；

步骤1-5.用遗传算法对式(5)进行寻优，设置迭代次数为500；输出最小时所对应的ω及所选择的特征子集若特征子集中，不存在第h(h＝{h₁,h₂,…h_H},H＜J)类物理场的特征，则将该物理场的样本信号剔除；

步骤1-6.计算采集的m次(J-H)类物理场样本信号的特征，形成训练样本集X_tr，

进行储存，形成训练模型；

其中，在线监测部分包括以下步骤：

步骤2-1.实时采集刀具磨损状态相关的信号：采集刀具在加工时μ(μ＝J-H)类不同物理场信号，以第μ类物理场为例，其时域信号数学形式为：

X_μ′＝x_iμ′(n) (8)；

式(8)中，X_μ′＝{x_1μ′,x_2μ′,…,x_lμ′}^T∈R^l×n是采集的l×n阶原信号样本矩阵，其中：n为信号的采点数，i＝1,2,…,l为信号采集次数；

Y_μ′＝{y_1μ′,y_2μ′,…,y_lμ′}^T∈R^l为第i次采集信号所对应的磨损状态，其中y_iμ∈{1,2,3,4,5}；

步骤2-2.计算在训练模型中经CCM遴选出的最优特征参数，生成特征信号组：

X_T′＝{x_t₁′(i),x_t₂′(i),…,x_t_e′(i)} (9)；

其中，i＝1,2,…,l，e为特征信号集τ′的总数；

步骤2-3.将特征信号组X_T′组成测试样本集X_te：

步骤2-4.选择内核函数kernel为高斯核；核参数为100，正则化系数C＝1，

算法输入：{[Y,X_tr],[Y′,X_te],ε,kernel,k-para}；

核极限学习机分类：

①将训练集X_tr映射到核空间矩阵X'_tr，测试集X_te映射到核空间矩阵X'_te；

②创建训练集标签矩阵

Y'_tr＝{Y'_tr|Y'_tr(i,y_i)＝1,其余Y'_tr＝-1}；测试标签矩阵Y'_te＝{Y'_te|Y'_te(i,y_i)＝1,其余Y'_te＝-1}；

③核极限学习机训练权重输出其中E₁为单位对角矩阵；

④训练结果测试结果其中， 为深度核极限学习机分类后的状态；

⑤当时分类正确；

算法输出：分类结果及分类正确率。

步骤1-4中，逆矩阵(G_ω⊙X+mε_mI_m)^-1近似为：

其中， 为m×m常数矩阵。

一种基于上述的刀具磨损状态在线监测方法的系统，包括信号采集模块、RAM、训练模型部分和在线监测部分；

所述信号采集模块，用于采集刀具的物理场信号；

所述训练模型部分包括以下：

统计特征参数提取模块，计算多类物理场信号的多个时频域统计特征参数，形成待选特征集f'＝{f₁',f₂',…,f_D'}；

特征提取模块，用于将统计特征参数提取模块生成的待选特征集f'＝{f₁',f₂',…,f_D'}经过CCM特征选择及遗传算法优化后，生成包含e(e≤D)个特征的训练样本信号并存储在RAM中；

所述在线监测部分包括以下：

测试样本集形成模块，计算信号采集模块实时采集的磨损相关信号与RAM存储的统计特征参数，形成测试样本集；

核极限学习机，输入训练样本与测试样本后，进行分类处理，得到刀具所处的状态，并输出分类结果及分类正确率；

输出模块，用于输出分类结果及分类正确率。

所述在线监测部分还包括报警模块，当刀具磨损状态为重度磨损时，发出警告。

本发明的有益效果如下：本发明首先通过多个传感器采集刀具在不同磨损状态下的多通道信号；其次将信号输送到DSP中进行信号处理，计算其多个统计特征参数，通过条件协方差最小化(CCM)来进行特征选择，通过遗传算法进行优化，得到优化的特征参数集；然后将优化后的特征参数集作为训练样本集，并存储在RAM中；最后在线监测时，计算多通道信号经CCM优化后的特征，形成测试样本并与存储在RAM中的训练样本同时输入到核极限学习机(kELM)中进行分类，实现刀具磨损状态在线监测。一方面利用特征选择的方法能有效地提取不同物理场相关的特征信号，去除干扰信号特征的影响，提高分类的准确率。另一方面采用基于再生核希尔伯特空间的特征选择方法，较好地解决了传统过滤式特征选择方法分类准确率低的问题。

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为数字信号处理系统的简化框图；

图2为训练模型流程图；

图3为刀具磨损状态在线监测流程图；

图4为测试样本分类结果；

图5为训练和测试结果分析。

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。

一种刀具磨损状态在线监测方法，首先通过传感器采集多个通道(切削力、振动、电流、声音等)刀具磨损状态相关的信号；其次，通过时域和频域分析，计算其多个统计参数特征构成候选参数集；然后利用条件协方差最小化(CCM)方法进行优化选择，遴选出最优的特征参数集构成训练样本集；最后，计算测试样本信号的最优特征参数集构成测试样本集与训练样本集同时输入到核极限学习机(kELM)进行训练与分类，主要包括模型训练、在线监测两个部分：

其中，训练模型部分包括以下步骤：

步骤1-1.采集刀具磨损状态相关的信号。

采集刀具在不同磨损状态(正常、轻微磨损、中度磨损、重度磨损、破损)时的多通道信号(X_j,Y_j),j＝1,2,…,J，以第j类物理场为例，其时域信号数学形式为：

X_j＝x_ij(n) (1)

式(1)中，X_j＝{x_1j,x_2j,…,x_mj}^T∈R^m×n是采集的m×n阶原信号样本矩阵，其中：n为信号的采点数，i＝1,2,…,m为信号采集次数。

Y_j＝{y_1j,y_2j,…,y_mj}^T∈R^m为第_i次采集信号所对应的磨损状态，其中y_ij∈{1,2,3,4,5}。

步骤1-2.计算各物理场原始信号的时频和域统计特征参数

其中，为第i次采集的时域信号x_i(n)的均值，i＝1,2,…,m；s_i(k)为第i次采集的时域信号对应的频谱，k＝1,2,…,K代表谱线数；v_i(k)为第k条谱线对应的频率值；u_i(k)为第i次采集的时域信号对应的功率谱。

生成特征信号组：

X_T_j＝{x_t_j1(i),x_t_j2(i),…,x_t_jd(i)} (2)

其中，d为各物理场原始信号的统计参数个数，将J个物理场的统计参数进行融合，得到第i个样本信号全部统计参数X_T＝{x_t₁(i),x_t₂(i),…,x_t_D(i)},D＝J×d。

步骤1-3.将数据映射到再生核希尔伯特空间分别得到(H_x,K_x)，(H_y,K_y)，在X_T上使用高斯核：

其中

在Y上使用线性核：

K_y(y_a,y_b)＝y_ay_b ^T (4)；

步骤1-4.用条件协方差算子的迹Q来度量特征子集对剩余特征的依赖程度,当且仅当选定的e个特征值完全独立于剩余特征值和响应Y时，

其中,⊙表示两个向量的哈达马积；ω_a∈{0,1},a＝1,2,…,D；正则化系数ε为1；G_ω⊙X为核矩阵K_ω⊙X中心化后的矩阵,(K_ω⊙X)_ab＝K_x(ω⊙x_a,ω⊙x_b)。

为降低计算量，逆矩阵(G_ω⊙X+mε_mI_m)^-1可近似为：

其中， 为m×m常数矩阵。

步骤1-5.用遗传算法对式(5)进行寻优，设置迭代次数为500。输出最小时所对应的ω及所选择的特征子集若特征子集中，不存在第h(h＝{h₁,h₂,…h_H},H＜J)类物理场的特征，则将该物理场的样本信号剔除。

步骤1-6.计算采集的m次(J-H)类物理场样本信号的特征，形成训练样本集X_tr：

其中，在线监测部分包括以下步骤：

步骤2-1.实时采集刀具磨损状态相关的信号。

采集刀具在加工时μ(μ＝J-H)类不同物理场信号，以第μ类物理场为例，其时域信号数学形式为：

X_μ′＝x_iμ′(n) (8)

式(8)中，X′_μ＝{x_1μ′,x_2μ′,…,x_lμ′}^T∈R^l×n是采集的l×n阶原信号样本矩阵，其中：n为信号的采点数，i＝1,2,…,l为信号采集次数。

Y_μ′＝{y_1μ′,y_2μ′,…,y_lμ′}^T∈R^l为第i次采集信号所对应的磨损状态，其中y_iμ∈{1,2,3,4,5}。

步骤2-2.计算在训练模型中经CCM遴选出的最优特征参数，生成特征信号组：

X_T′＝{x_t₁′(i),x_t₂′(i),…,x_t_e′(i)} (9)

其中，i＝1,2,…,l，e为特征信号集的总数。

步骤2-3.由特征信号组成测试样本集X_te：

步骤2-4.选择内核函数kernel为高斯核；核参数为100，正则化系数C＝1。

算法输入：{[Y,X_tr],[Y′,X_te],ε,kernel,k-para}

核极限学习机分类：

①将训练集X_tr映射到核空间矩阵X'_tr，测试集X_te映射到核空间矩阵X'_te。

②创建训练集标签矩阵

Y'_tr＝{Y'_tr|Y'_tr(i,y_i)＝1,其余Y'_tr＝-1}。

测试标签矩阵

Y'_te＝{Y'_te|Y'_te(i,y_i)＝1,其余Y'_te＝-1}。

③核极限学习机训练权重输出其中E₁为单位对角矩阵。

④训练结果测试结果其中， 为深度核极限学习机分类后的状态。

⑤当时分类正确。

算法输出：分类结果及分类正确率。

一种基于上述的刀具磨损状态在线监测方法的系统，其特征在于，包括信号采集模块、RAM、训练模型部分和在线监测部分；

所述信号采集模块，用于采集刀具的物理场信号；

所述训练模型部分通过多类传感器采集T次刀具的相关模拟信号，通过RS232接口输送至DSP开发板中，数字信号处理系统的简化框图如图1所示，包括以下：

统计特征参数提取模块，计算多类物理场信号的多个时频域统计特征参数，形成待选特征集f'＝{f₁',f₂',…,f_D'}；

特征提取模块，用于将统计特征参数提取模块生成的待选特征集f'＝{f₁',f₂',…,f_D'}经过CCM特征选择及遗传算法优化后，生成包含e(e≤D)个特征的训练样本信号并存储在RAM中；

所述在线监测部分包括以下：

测试样本集形成模块，计算信号采集模块实时采集的磨损相关信号与RAM存储的统计特征参数，形成测试样本集；

核极限学习机，输入训练样本与测试样本后，进行分类处理，得到刀具所处的状态，并输出分类结果及分类正确率；

输出模块，用于输出分类结果及分类正确率。

所述在线监测部分还包括报警模块，当刀具磨损状态为重度磨损时，发出警告。

其中输出模块可以为显示屏，刀具所处的状态通过显示屏输出显示，当刀具磨损状态显示为重度磨损时，显示屏发出警告，提示操作者及时换刀。

本实施例中使用TL-6748F-EVM来搭建在线监测系统，其训练模型及在线监测模型流程如图2、3所示。

实施案例：

以2010年PHM协会数据挑战的刀具磨损数据作为采集信号，根据刀具的磨损程度不同，将其响应输出Y分为五类(正常、轻微磨损、中度磨损、重度磨损、破损)。其时域信号的数学形式为：

X_j＝x_ij(n) (11)

式(11)中，X＝{x₁,x₂,…,x_m}^T∈R^m×n是采集的n×m阶原信号样本矩阵，其中：n为信号的采点数，m为采集次数，j为物理场类别。

信号以50kHz/通道采集，共采集945次，采点数为10000，随机抽取645作为训练样本，剩余300次采集信号作为测试样本。共有7类物理场信号，包括X、Y、Z切削力信号，X、Y、Z振动信号以及声发射均方根。

计算第j类物理场训练样本信号的20个时频域统计特征参数，生成特征信号组：

X_T_j＝{x_t₁(i),x_t₂(i),…,x_t₂₀(i)} (12)

其中，i＝1,2,…,m。

将7类物理场信号的20个统计参数进行融合，形成待选参数集X_T＝{x_t₁(i),x_t₂(i),…,x_t₁₄₀(i)}。

通过CCM进行特征选择及优化后得到训练样本矩阵X_tr

其中e＜140。

计算测试样本信号的e个最优特征参数集，形成测试样本矩阵X_te

将测试样本矩阵和训练样本矩阵采用核极限学习机进行分类，其中，kELM选用的内核函数kernel为高斯核，核参数为100，正则化系数ε＝1。

算法输入：{[Y,X_tr],[Y′,X_te],ε,kernel,k-para}

核极限学习机分类具体步骤：

①将训练集X_tr与测试集X_te分别映射到核空间矩阵X'_tr和X'_te。

②分别创建训练集与测试集标签矩阵

Y'_tr＝{Y'_tr|Y'_tr(i,y_i)＝1,其余Y'_tr＝-1}、

Y'_te＝{Y'_te|Y'_te(i,y_i)＝1,其余Y'_te＝-1}。

③核极限学习机训练权重输出其中E₁为单位对角矩阵。

④训练结果

测试结果

其中， 为深度核极限学习机分类后的状态。

⑤当时分类正确。

200个测试样本的分类结果如图4所示，将分类正确的样本数比上信号样本的总数得到刀具磨损状态分类的正确率。随机进行20次实验，其训练、测试准确率如图5所示。

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)

1.一种刀具磨损状态在线监测方法，其特征在于，包括训练模型部分和在线监测部分；

其中，训练模型部分包括以下步骤：

步骤1-1.采集刀具磨损状态相关的信号：采集刀具在不同磨损状态时的多通道信号(X_j,Y_j),j＝1,2,…,J，其时域信号数学形式为：

X_j＝x_ij(n) (1)；

式(1)中，X_j＝{x_1j,x_2j,…,x_mj}^T∈R^m×n是采集的m×n阶原信号样本矩阵，其中：n为信号的采点数，i＝1,2,…,m为信号采集次数；

Y_j＝{y_1j,y_2j,…,y_mj}^T∈R^m为第i次采集信号所对应的磨损状态，其中y_ij∈{1,2,3,4,5}；

步骤1-2.计算各物理场原始信号的时频和域统计特征参数，生成特征信号组：

X_T_j＝{x_t_j1(i),x_t_j2(i),…,x_t_jd(i)} (2)；

i＝1,2,…,m；s_i(k)为第i次采集的时域信号对应的频谱；

其中，d为各物理场原始信号的统计参数个数，将J个物理场的统计参数进行融合，得到第i个样本信号全部统计参数X_T＝{x_t₁(i),x_t₂(i),…,x_t_D(i)},D＝J×d；

步骤1-3.将数据映射到再生核希尔伯特空间(RKHS)分别得到(H_x,K_x)，(H_y,K_y)，在X_T上使用高斯核，

其中

在Y上使用线性核：

K_y(y_a,y_b)＝y_ay_b ^T (4)；

步骤1-4.用条件协方差算子的迹Q来度量特征子集对剩余特征的依赖程度,当且仅当选定的e个特征值完全独立于剩余特征值和响应Y时，

其中,⊙表示两个向量的哈达马积；ω_a∈{0,1},a＝1,2,…,D；正则化系数ε为1；G_ω⊙X为核矩阵K_ω⊙X中心化后的矩阵,(K_ω⊙X)_ab＝K_x(ω⊙x_a,ω⊙x_b)；

步骤1-5.用遗传算法对式(5)进行寻优，设置迭代次数为500；输出最小时所对应的ω及所选择的特征子集若特征子集中，不存在第h类物理场的特征，h＝{h₁,h₂,…h_H},H<J，则将该物理场的样本信号剔除；

步骤1-6.计算采集的m次(J-H)类物理场样本信号的特征，形成训练样本集X_tr，

进行储存，形成训练模型；

其中，在线监测部分包括以下步骤：

步骤2-1.实时采集刀具磨损状态相关的信号：采集刀具在加工时μ类不同物理场信号，μ＝J-H，以第μ类物理场为例，其时域信号数学形式为：

X_μ′＝x_iμ′(n) (8)；

式(8)中，X′_μ＝{x_1μ′,x_2μ′,…,x_lμ′}^T∈R^l×n是采集的l×n阶原信号样本矩阵，其中：n为信号的采点数，i＝1,2,…,l为信号采集次数；

Y_μ′＝{y_1μ′,y_2μ′,…,y_lμ′}^T∈R^l为第i次采集信号所对应的磨损状态，其中y_iμ∈{1,2,3,4,5}；

步骤2-2.计算在训练模型中经CCM遴选出的最优特征参数，生成特征信号组：

X_T′＝{x_t₁′(i),x_t₂′(i),…,x_t_e′(i)} (9)；

其中，i＝1,2,…,l，e为特征信号集的总数；

步骤2-3.将特征信号组X_T′组成测试样本集X_te：

步骤2-4.选择内核函数kernel为高斯核；核参数为100，正则化系数C＝1，

算法输入：{[Y,X_tr],[Y′,X_te],ε,kernel,k-para}；

核极限学习机分类：

①将训练集X_tr映射到核空间矩阵X'_tr，测试集X_te映射到核空间矩阵X'_te；

②创建训练集标签矩阵

Y'_tr＝{Y'_tr|Y'_tr(i,y_i)＝1,其余Y'_tr＝-1}；测试标签矩阵Y'_te＝{Y'_te|Y'_te(i,y_i)＝1,其余Y'_te＝-1}；

③核极限学习机训练权重输出其中E₁为单位对角矩阵；

④训练结果测试结果其中， 为深度核极限学习机分类后的状态；

⑤当时分类正确；

算法输出：分类结果及分类正确率。

2.根据权利要求1所述的刀具磨损状态在线监测方法，其特征在于：步骤1-4中，逆矩阵(G_ω⊙X+mε_mI_m)^-1近似为：

其中，K_x≈U_ωU_ω ^T， 为m×m常数矩阵。

3.一种基于权利要求1或2所述的刀具磨损状态在线监测方法的系统，其特征在于，包括信号采集模块、RAM、训练模型部分和在线监测部分；

所述信号采集模块，用于采集刀具的物理场信号；

所述训练模型部分包括以下：

统计特征参数提取模块，计算多类物理场信号的多个时频域统计特征参数，形成待选特征集f'＝{f₁',f₂',…,f_D'}；

特征提取模块，用于将统计特征参数提取模块生成的待选特征集f'＝{f₁',f₂',…,f_D'}经过CCM特征选择及遗传算法优化，批生成包含e个特征的训练样本信号并存储在RAM中，e≤D；

所述在线监测部分包括以下：

测试样本集形成模块，计算信号采集模块实时采集的磨损相关信号与RAM存储的统计特征参数，形成测试样本集；

核极限学习机，输入训练样本与测试样本后，进行分类处理，得到刀具所处的状态，并得到分类结果及分类正确率；

输出模块，用于输出分类结果及分类正确率。

4.根据权利要求3所述的刀具磨损状态在线监测方法的系统，其特征在于：所述在线监测部分还包括报警模块，当刀具磨损状态为重度磨损时，发出警告。