CN109323832A - 一种冷镦成型机模具冲击状态的监测方法 - Google Patents

Abstract

本发明提供一种冷镦成型机模具冲击状态的监测方法，包括获取冷镦成型机模具工作在当前冲击状态下的振动信号；建立变分模态分解模型导入振动信号求最优解，得到K个本征模态分量；对每一个本征模态分量均进行M种熵计算，并将每一个本征模态分量各自计算的同一种熵串行组合成相应的一特征向量后，形成K×M特征向量矩阵；利用核主元分析模型对所形成的K×M特征向量矩阵进行特征融合，得到特征融合后的特征向量矩阵；建立隐单元逻辑模型，并将特征融合后的特征向量矩阵引入隐单元逻辑模型中求解，得到冷镦成型机模具工作在当前冲击状态的概率。实施本发明，能够精确提取高噪声信号，具有良好的噪声鲁棒性，提高了故障诊断精度。

Description

一种冷镦成型机模具冲击状态的监测方法

技术领域

本发明涉及机械设备加工过程监测技术领域，尤其涉及一种冷镦成型机模具冲击状态的监测方法。

背景技术

一直以来，我国紧固件行业借鉴了国外大量的工模具新技术，不断地研制和改进，并采用了一些新的模具，取得了很好的成效。然而，随着工业的发展，市场对紧固件的强度和精度的要求越来越高，而紧固件产品想要降低成本，提高产品在市场上的竞争能力，必须提高冷镦成型机的工模具的精度和使用寿命，所以对冷镦成型机模具的冲击状态监测就显得很重要。

由于振动信号特征明显，监测手段成熟且易于实现，基于振动信号的状态监测方法也是目前应用最广泛的诊断方法，然而现实中采集的信号多是具有高噪声的非平稳信号，且总是被各种背景噪声所掩盖，所以，提取出有效的冲击状态很有研究意义。

发明内容

本发明实施例所要解决的技术问题在于，提供一种冷镦成型机模具冲击状态的监测方法，能够精确提取高噪声信号，具有良好的噪声鲁棒性，提高了故障诊断精度。

为了解决上述技术问题，本发明实施例提供了一种冷镦成型机模具冲击状态的监测方法，包括以下步骤：

获取冷镦成型机模具工作在当前冲击状态下的振动信号；

建立变分模态分解模型，并将所述振动信号引入所述变分模态分解模型中求最优解，得到K个本征模态分量；其中，K为大于1的正整数；

对每一个本征模态分量均进行M种熵计算，并将每一个本征模态分量各自计算的同一种熵串行组合成相应的一特征向量，形成K×M特征向量矩阵；其中，M为大于1的正整数；

利用预设的核主元分析模型对所形成的K×M特征向量矩阵进行特征融合，得到特征融合后的特征向量矩阵；

建立隐单元逻辑模型，并将所得到的特征融合后的特征向量矩阵引入所述隐单元逻辑模型中求解，得到所述冷镦成型机模具工作在当前冲击状态的概率。

其中，所述建立变分模态分解模型，并将所述振动信号引入所述变分模态分解模型中求最优解，得到K个本征模态分量的具体步骤包括：

第一步、确定变分约束模型为：

其中，δ(t)为Dirac分布；*表示卷积；k＝1,2,…,K；f为原始信号；{u_k}＝{u₁,u₂,…,u_k}，{ω_k}＝{ω₁,ω₂,…,ω_k}；

第二步、为求取所述变分约束模型的最优解，引入二次罚函数项α和Lagrange乘子λ可得：

第三步、采用乘法算子交替的方法求取公式(2)的最优解，将信号分解成为K个窄带的本征模态分量，其具体如下：

①初始化，令λ¹和n的值为0；

②令n＝n+1，执行整个循环；

③令k＝0,k＝k+1，当k＜K时执行内层第1个循环，更新u_k为

④令k＝0,k＝k+1，当k＜K时执行内层第2个循环，更新ω_k为

⑤更新λ为

⑥重复发步骤②-⑤，直至满足迭代停止条件结束循环，输出得到K个本征模态分量。

其中，所述M种熵有5种，包括能量熵、奇异熵、信息熵、近似熵和排列熵。

其中，所述冷镦成型机模具的冲击状态包括上下模具偏心状态、上模具磨损状态、下模具磨损状态、曲轴瓦间隙状态、曲轴瓦磨损状态及曲轴瓦破损状态。

实施本发明实施例，具有如下有益效果：

相对于传统的冷镦成型机模具冲击状态的监测方法，本发明一方面利用隐单元逻辑模型这种新的多变量时间序列分类模型，使用二进制随机隐单元来模拟数据中的潜在结构，利用梯度参数学习得到较好的状态识别结果；另一方面，利用变分模态分解模型对信号进行不同尺度的表征，避免了模态混叠以及伪分量的产生，能较好地在不同尺度下表征原信号，具有良好的噪声鲁棒性，同时利用核主成分分析，通过线性变换将问题从高维转化到低维，有效的降低数据分析的难度和复杂程度，从而能够精确提取高噪声信号，具有良好的噪声鲁棒性，提高了故障诊断精度。

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为本发明实施例提供的冷镦成型机模具冲击状态的监测方法的流程图；

图2为本发明实施例提供的冷镦成型机模具冲击状态的监测方法中冷镦成型机模具的状态信号经变分模态分解模型分解成6个本征模态分量的应用场景图；

图3a-3b为本发明实施例提供的冷镦成型机模具冲击状态的监测方法在冷镦成型机模具上未投入应用前监测冲击状态及投入应用后监测冲击状态的效果对比图；3a为未投入应用前监测冲击状态的效果图；3b为投入应用后监测冲击状态的效果图。

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，提出的一种冷镦成型机模具冲击状态的监测方法，包括以下步骤：

步骤S1、获取冷镦成型机模具工作在当前冲击状态下的振动信号；

具体过程为，获取真实冷镦机模具工作时的状态信号，可以根据不同的冲击状态采集到不同的振动信号，所采集的振动信号会携带相关的冲击数据(如高噪声)。例如，可采集的冷镦成型机模具不同冲击状态有六种，包括上下模具偏心状态、上模具磨损状态、下模具磨损状态、曲轴瓦间隙状态、曲轴瓦磨损状态、曲轴瓦破损状态。

步骤S2、建立变分模态分解模型，并将所述振动信号引入所述变分模态分解模型中求最优解，得到K个本征模态分量；其中，K为大于1的正整数；

具体过程为，VMD(Variational Mode Decomposition，变分模态分解)是一种新的自适应信号处理方法，其本质上是多个自适应维纳滤波组，有着良好的噪声鲁棒性。VMD可实现信号频域内各个分量的自适应剖分，有效克服EMD算法(经验模态分解，EmpiricalMode Decomposition)分解过程中的模态混叠及伪分量等不足的问题，比EMD有更强的噪声鲁棒性及较小的端点效应，VMD通过迭代搜寻变分模型的最优解来确定每个本征模态分量(Intrinsic Mode Function，IMF)的中心频率和带宽，实现信号频域和各个IMF的自适应剖分，是一种完全非递归的信号分解方法。

每个IMF都可以表示为一个调幅－调频u_k(t)信号，表达式为u_k(t)＝A_k(t)cos(φ_k(t))；其中，A_k(t)为u_k(t)的瞬时幅值，A_k(t)≥0；ω_k(t)为u_k(t)的瞬时频率，ω_k(t)＝φ′_k(t)且ω_k(t)≥0；A_k(t)和ω_k(t)相对于相位φ_k(t)的变化是缓慢的，在[t-δ,t+δ]的时间范围内，δ≈2π/φ′_k(t)；u_k(t)为谐波信号，该谐波信号法人幅值为A_k(t)、频率为ω_k(t)的谐波信号。

为了估计每个IMF的带宽，可通过以下三个步骤实现：①通过Hilbert变换计算与每一个模态u_k(t)相关的解析信号；②通过加入指数项调整各自估计的中心频率，将u_k(t)的频谱变换到基带上；③对解调信号进行H1高斯平滑，估计带宽。

第一步、确定变分约束模型为：

其中，δ(t)为Dirac分布；*表示卷积；k＝1,2,…,K；f为原始信号；{u_k}＝{u₁,u₂,…,u_k}，{ω_k}＝{ω₁,ω₂,…,ω_k}；

第二步、为求取所述变分约束模型的最优解，引入二次罚函数项α和Lagrange乘子λ可得：

第三步、采用乘法算子交替的方法求取公式(2)的最优解，将信号分解成为K个窄带的本征模态分量，其具体如下：

①初始化，令λ¹和n的值为0；

②令n＝n+1，执行整个循环；

③令k＝0,k＝k+1，当k＜K时执行内层第1个循环，更新u_k为

④令k＝0,k＝k+1，当k＜K时执行内层第2个循环，更新ω_k为

⑤更新λ为

⑥重复发步骤②-⑤，直至满足迭代停止条件结束循环，输出得到K个本征模态分量。

步骤S3、对每一个本征模态分量均进行M种熵计算，并将每一个本征模态分量各自计算的同一种熵串行组合成相应的一特征向量，形成K×M特征向量矩阵；其中，M为大于1的正整数；

具体过程为，奇异熵可以得到信号的频率组成成分以及各个频率成分的分布特性；能量熵描述的是信号在时域和频域空间的能量分布情况；信息熵描述的是对信号所包含的信息进行量化；排列熵是度量时间序列的复杂性；近似熵是对信号数据是否有规律而进行量化描述。因此，选择计算的M种熵有5种，为奇异熵，能量熵，信息熵和近似熵，排列熵。

计算各个IMF的熵，能量熵X₁，奇异熵X₂，信息熵X₃，近似熵X₄，排列熵X₅；将X₁,X₂,X₃,X₄,X₅进行串行组合得到特征向量矩阵Y，记为

应当说明的是，为了便于核主元分析模型对上述特征向量矩阵Y进行降维处理，需要对特征向量矩阵Y进行数据归一化处理。

步骤S4、利用预设的核主元分析模型对所形成的K×M特征向量矩阵进行特征融合，得到特征融合后的特征向量矩阵；

具体过程为，KPCA(Kernel Principal Component Analysis,核主成分分析方法)的核心是通过非线性函数将所给的样本数据从低维特征空间映射到高维特征空间，利用核主元分析(KPCA)在高维特征空间提取数据的非线性结构特征。

核主元分析模型的具体形成的过程包括：设原始空间Rⁿ中有n个样本x₁,x₂,…,x_l，由这l个样本构成的数据矩阵为X，利用非线性映射函数将数据样本从原始空间映射到高维特征空间F中。

首先，假设映射数据的均值为零，即：则高维特征空间F中映射数据的协方差矩阵表示为：

对C^F进行特征矢量分析，则有λV＝C^FV；其中，特征值λ≥0，V为特征向量。所以，特征向量V可由特征空间的样本映射形成

其次，定义矩阵K＝[K_i,j]_l×l，使其可通过核函数来确定。设V^k是V的第k个特征向量，对其进行归一化处理，即V^kV^k＝1，则可以得到原始空间中任意一个样本x的映射数据在特征向量V^k上的投影，即样本x在特征空间的第k个主元为：

可以认为特征值λ_k较小的主元t_k是由于噪声引起的，在计算过程中，主元数量的选取一般依据规则：

A为既定常数，代表噪声的影响程度。

接着，由确定的主元可在高维特征空间中重构变量其中，x_r为重构的变量。

假定映射数据在均值为零的前提下，可以推导出上述过程，但是通常这一假设条件难以成立，所以必须对映射数据中心化，引入来替代K：

其中，I_l是l×l的矩阵，并且满足(l为样本数目)。此时，样本第k维的非线性主成分可表示为：

由此可见，利用KPCA对K×M特征向量矩阵进行特征融合，需计算累计贡献率然而，理论上A一般取95％，但是在实际计算中，需要进行融合的特征较多。为了达到降低维数的要求，应用KPCA融合特征很难达到95％以上，所以一般会将A取值在85％左右，选取符合条件的前m个主元，这m个主元基本上包含了特征信息，至此已经得到特征融合的子集。

步骤S5、建立隐单元逻辑模型，并将所得到的特征融合后的特征向量矩阵引入所述隐单元逻辑模型中求解，得到所述冷镦成型机模具工作在当前冲击状态的概率。

具体过程为，定义时间长度为T的时间序列x_1,…,T＝{x₁,x₂,…,x_T}，并且用z_t∈{0,1}^H表示在时间步长t中的随机隐单元；其中，第t个时间步长用x_t∈R^D来表示；且∑_ky_k＝1；

隐单元逻辑模型(Hidden-Unit Logistic Model，HUML)使用one-hot编码，输出一个分布向量y来表示预测标签的分布。为了将所有隐单元整合起来，HUML使用Gibbs分布定义标签向量上的条件分布，得到：

式中，Z(x_1,…,T)表示归一化的配分函数，

则HUML的能量函数定义为：

能量函数包含三个主要部分，①参数W用来衡量特定的潜在特征有多大程度存在于数据中，②参数A用来衡量在时间t-1和t时对应的隐单元之间的相容性，③参数预测项V用来衡量潜在特征Z_1，…，T和标签向量y之间的相容性。

另外，在连续的时间步长中，隐单元是链式连接结构，而不是全连接结构，选择这种结构是因为当连续的隐单元完全连接时，难以达到精确的推断；当存在与所观测数据和特定的标签“兼容的”的隐单元状态时，HULM为一个标签(对于特定的输入)分配高概率。因为隐单元可以表示2^H个不同的状态，所以一个模型可以代表高度非线性边界决策的模型。

评估预测分布p(y|x_1，…，T)的关键难点是计算所有即2^H×T个隐单元状态的总和：

因为HULM的链结构，采用的是标准的前向后向算法，来计算M(·)。

因此，定义包含涉及时间t和隐单元h的所有项的势函数：

ψ_t，h(x_t，z_t-1，z_t，h，y)＝exp{z_t-1，hA_hz_t，h+z_t，hW_hx_t+z_t，hV_hy+z_t，hb_h} (10)；

当忽略偏差项，并在时间t＝0时引入虚拟隐单元z₀＝0时，将M(·)重写为

在这里，可以使用前向后向算法来评估所计算的量，定义前向信息为α_t，h，k，向后信息为β_t，h，k，k∈{0，1}。则

α_t,h,k、β_t,h,k也可以通过递归地进行计算，如下式

则M(x_1,…,T,y)可更新为

为完成对预测分布的评估，通过在所有k个可能的标签上求和M(x_1,…,T,y)来计算预测分布的配分函数Z(x_1,…,T,y)＝∑_y′M(x_1,…,T,y)，实际上，HUML中的推断在时间序列T的长度和隐单元H的数量上都是线性的。

在参数学习中，所需要解决的另一个问题是评估链边缘上的边缘分布

ξ_{t，h，k，l}＝P(z_t，h＝k，z_t+1，h＝l|x_1，…，T，y) (15)；

类推，可以从向前向后算法中得到

在给定的数据集中包含N对时间序列及其相关标签，学习参数Θ＝{π,τ,A,W,V,b,c}，通过对训练数据的参数进行最大化条件对数似然函数的计算得到

对参数A、W和V进行L2-正则化处理，以增加条件对数似然的可能性，由于目标函数不适合闭型优化，这里使用随机梯度下降法来对负条件对数似然函数进行优化，对于参数θ∈Θ的条件似然函数的梯度为

因此，将所得到的特征融合后的特征向量矩阵引入上述隐单元逻辑模型中求解，得到所述冷镦成型机模具工作在当前冲击状态的概率。

如图2和图3所示，对本发明实施例中的冷镦成型机模具冲击状态的监测方法的应用场景做进一步说明：

为验证上述方法的有效性，取某真实冷镦机模具工作时的状态信号，分别采集了冷镦成型机模具六组不同故障状态下的冲击数据，分别为上下模具偏心状态、上模具磨损状态、下模具磨损状态、曲轴瓦间隙状态、曲轴瓦磨损状态、曲轴瓦破损状态的数据，其中，采样率48000Hz，采样时间为3s。

首先，取样本数为140000，对其进行变分模态分解，设置分解层数为6，得到6个IMF分量(L1～L6)，如图2所示；

其次，分别对每一个IMF进行5种熵计算，则每一种故障状态可组成6×5维的特征数组；

接着，用KPCA方法对特征进行处理，根据累计贡献率选取主元个数为3，即这三个主成分几乎包含原有的5维特征的全部信息，其他状态的数据也做同样的处理；

最后，将这些特征向量输入到隐单元逻辑模型中进行训练、测试，得到故障状态监测结果。经过实验得出，未经过该方法处理的数据只有53.3333％的分类精度，经过该方法处理之后再分类最高可达到86.6667％。如图3所示。

实施本发明实施例，具有如下有益效果：

相对于传统的冷镦成型机模具冲击状态的监测方法，本发明一方面利用隐单元逻辑模型这种新的多变量时间序列分类模型，使用二进制随机隐单元来模拟数据中的潜在结构，利用梯度参数学习得到较好的状态识别结果；另一方面，利用变分模态分解模型对信号进行不同尺度的表征，避免了模态混叠以及伪分量的产生，能较好地在不同尺度下表征原信号，具有良好的噪声鲁棒性，同时利用核主成分分析，通过线性变换将问题从高维转化到低维，有效的降低数据分析的难度和复杂程度，从而能够精确提取高噪声信号，具有良好的噪声鲁棒性，提高了故障诊断精度。

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)

1.一种冷镦成型机模具冲击状态的监测方法，其特征在于，包括以下步骤：

获取冷镦成型机模具工作在当前冲击状态下的振动信号；

建立变分模态分解模型，并将所述振动信号引入所述变分模态分解模型中求最优解，得到K个本征模态分量；其中，K为大于1的正整数；

对每一个本征模态分量均进行M种熵计算，并将每一个本征模态分量各自计算的同一种熵串行组合成相应的一特征向量，形成K×M特征向量矩阵；其中，M为大于1的正整数；

利用预设的核主元分析模型对所形成的K×M特征向量矩阵进行特征融合，得到特征融合后的特征向量矩阵；

建立隐单元逻辑模型，并将所得到的特征融合后的特征向量矩阵引入所述隐单元逻辑模型中求解，得到所述冷镦成型机模具工作在当前冲击状态的概率。

2.如权利要求1所述的冷镦成型机模具冲击状态的监测方法，其特征在于，所述建立变分模态分解模型，并将所述振动信号引入所述变分模态分解模型中求最优解，得到K个本征模态分量的具体步骤包括：

第一步、确定变分约束模型为：

其中，δ(t)为Dirac分布；*表示卷积；k＝1,2,…,K；f为原始信号；{u_k}＝{u₁,u₂,…,u_k}，{ω_k}＝{ω₁,ω₂,…,ω_k}；

第二步、为求取所述变分约束模型的最优解，引入二次罚函数项α和Lagrange乘子λ可得：

第三步、采用乘法算子交替的方法求取公式(2)的最优解，将信号分解成为K个窄带的本征模态分量，其具体如下：

①初始化，令λ¹和n的值为0；

②令n＝n+1，执行整个循环；

③令k＝0,k＝k+1，当k＜K时执行内层第1个循环，更新u_k为

④令k＝0,k＝k+1，当k＜K时执行内层第2个循环，更新ω_k为

⑤更新λ为

⑥重复发步骤②-⑤，直至满足迭代停止条件结束循环，输出得到K个本征模态分量。

3.如权利要求1所述的冷镦成型机模具冲击状态的监测方法，其特征在于，所述M种熵有5种，包括能量熵、奇异熵、信息熵、近似熵和排列熵。

4.如权利要求1所述的冷镦成型机模具冲击状态的监测方法，其特征在于，所述冷镦成型机模具的冲击状态包括上下模具偏心状态、上模具磨损状态、下模具磨损状态、曲轴瓦间隙状态、曲轴瓦磨损状态及曲轴瓦破损状态。