CN109514349A - 基于振动信号和Stacking集成模型的刀具磨损状态监测方法 - Google Patents

Abstract

本发明公开了一种基于振动信号和Stacking集成模型的刀具磨损状态监测方法，利用加工过程机床主轴的振动信号，采用时域分析、频域分析和集成经验模式分解(EEMD)对振动信号进行特征提取，再利用ReliefF‑SVM算法对已提取的特征进行筛选得到最优特征集，将刀具磨损刃带宽度作为磨损标签值，利用最优特征集和磨损标签值基于Stacking集成策略建立集成监测模型。建立模型后，监测加工过程振动信号，经过处理后得到信号特征集输入到集成监测模型中，得到刀具磨损标签值，即刀具磨损状态。本发明基于振动信号和Stacking集成模型，可实现刀具磨损状态监测。

Description

基于振动信号和Stacking集成模型的刀具磨损状态监测方法

技术领域

本发明涉及刀具磨损状态监测技术领域，具体涉及一种基于振动信号和Stacking集成模型的刀具磨损状态监测方法。

背景技术

现代制造业正逐渐向智能化发展，在加工过程中对于数控机床主要部件的性能状态感知显得尤为重要。刀具磨损状态的监测在加工过程中是非常重要的，刀具的磨损对于加工的工件表面质量和尺寸精度的影响至关重要。因此，刀具磨损的状态评估成为了一个重要的研究课题，但更为重要的是如何精确地并且稳定地去拟合或预测一个全新刀具的磨损值。因为，过高地预测磨损值，将可能导致刀具材料的浪费，而过低地预测磨损值将会增加工件产品的次品率，甚至出现废品或发生机械安全事件。因此，开展刀具磨损状态监测技术研究对制造水平的提高具有重要意义。

随着传感器技术的发展，各类传感器在故障诊断、状态识别过程起到了至关重要的作用。刀具磨损会增加刀具与工件的接触面积，切削性能变差，同时导致工艺系统升温，铣削力会明显增加。在刀具磨损监测中，铣削力监测是最行之有效的监测手段，然而，力传感器成本高、安装难，工件尺寸不能太大，使得力传感器在铣削过程监测发展受到制约。铣削力增加，机床需提供的电流或者功率会增大，因此电流信号也是常用的监测信号之一，但电流信号易受加工状态影响、在切削量小时反应不明显。振动传感器安装方便、成本低，频响范围宽、反应灵敏，在实际中的应用逐渐增多。如何利用振动信号提取得到与刀具磨损相关的特征信号，是刀具磨损监测的关键步骤。

目前一般采用外置传感器技术结合人工智能技术实现刀具磨损监测。支持向量机(SVM)是最常用的状态识别智能算法，具有坚实理论基础，适合小样本状态分类，但支持向量机解决多分类问题存在困难，对大规模训练样本难以实施；决策树模型简单，算法复杂度低，具有统计检验可靠性，但决策树分类结果可能不稳定；朴素贝叶斯算法具有稳定的分类效率，可以处理多分类任务，但需要假设先验概率，而先验概率模型可能导致结果不佳。但由于工况日渐复杂，单一的人工智能技术无法实现精度需求。如何实现小样本情况下进行高效、稳定的刀具磨损状态识别是亟需解决的问题。

发明内容

针对上述现有技术的缺点和刀具磨损状态监测的现状，本发明的目的在于提供基于振动信号和Stacking集成模型的刀具磨损状态监测方法，满足实际加工过程中的刀具磨损状态监测的要求。

本发明是通过下述技术方案来实现的。

一种基于振动信号和Stacking集成模型的刀具磨损状态监测方法，包括以下步骤：

步骤1，使用加速度传感器采集加工过程机床主轴的振动信号，同时对每次走刀完成后的刀具后刀面刃带进行拍照，将测量刀具刃带磨损的宽度作为刀具磨损标签值；

步骤2，对机床主轴的振动信号通过去趋势项和异常值处理，得到纯净的加工过程的振动信号；

步骤3，采用时域分析、频域分析和集成经验模式分解(EEMD)对振动信号进行特征提取，得到多个特征信号。其中，对振动信号进行集成经验模式分解(EEMD)后得到本征模式分量，将多个本征模式分量的能量比作为信号特征；

步骤4，再利用ReliefF-SVM算法对步骤3已提取的信号特征进行筛选得到最优特征集；应用ReliefF算法对已提取特征进行权重计算并排序，按照权重大小输入支持向量机分类器，根据分类器模型准确率，确定各个特征对刀具状态监测的贡献率，筛选出与具磨损状态最相关的特征；

步骤5，利用最优特征集和磨损标签值基于Stacking集成策略，选用支持向量机、朴素贝叶斯和决策树作为初级分类器，选用支持向量机作为次级分类器，将初级分类器的输出数据最为次级分类器的输入数据，建立刀具磨损状态集成监测模型；

步骤6，监测机床主轴加工过程振动信号，将经过处理后的信号特征集输入到集成监测模型中，得到刀具磨损标签值，即刀具磨损状态。

对于上述技术方案，本发明还有进一步详细的说明：

进一步，所述步骤3，对机床加工过程中预处理后的振动信号进行特征提取，包括：

31)时域分析提取振动信号X＝{x₁,x₂,…,x_N}的均值峰值P_m、有效值RMS、方差Var、峭度Kur和偏斜度Ske；

32)通过频域分析对信号进行短时傅里叶变换，在频域内，提取切齿频率对应的幅值谱的峰值特征；

33)时频域内，对振动信号序列x(t)＝{x₁,x₂,…,x_N}通过集成经验模式分解得到若干本征模式分量和一个余项的和；

34)计算每个本征模式分量的能量比，作为振动信号时频域特征。

进一步，所述步骤4，具体步骤如下：

41)运用ReliefF算法对已提取的信号特征进行权重排序，Relief关于特征f_i的特征重要度估计逼近两个概率的差：不同类最近邻在特征f_i上取不同值的概率和同类最近邻在特征f_i上取不同值的概率；

42)通过获得各特征关于分类的权重排序，根据权重大小顺序依次输入到支持向量机进行分类识别，得到各个特征对分类正确率的影响程度，保留影响分类的关键特征。

进一步，所述步骤5，Stacking集成策略的算法步骤如下：

51)训练数据D＝{X₁,X₂,…X_m,Y}，其中，X_i(i＝1,2…m)为特征样本，Y＝[y₁,y₂,…,y_m]为分类标签值。基于数据D＝{X₁,X₂,…X_m,Y}，训练N个基分类器L(L₁,L₂,…,L_N)，得到N个预测分类标签值Y₁,Y₂,…,Y_N，构成新的训练数据D_h＝{Y₁,Y₂,…,Y_N,Y}；N个基分类器L(L₁,L₂,…,L_N)构成的为初级分类器；

52)将初级分类器L的输出数据作为次级分类器L_h的输入数据，即基于新的训练数据D_h＝{Y₁,Y₂,…,Y_N,Y}训练下一级分类器L_h，返回预测的分类标签值Y_h为最终的预测分类结果。

进一步，所述步骤5，建立刀具磨损状态集成监测模型步骤如下：

53)采用交叉验证方法，将所提取到的特征样本D＝{X₁,X₂,…X_m,Y}划分为若干份，其中，X_i(i＝1,2…m)为特征样本，Y＝[y₁,y₂,…,y_m]为刀具磨损状态分类标签值，将其中一份作为测试集，其余的作为训练集；

54)选用支持向量机、决策树和朴素贝叶斯分类器集成模型的基分类器，采用不同的测试数据，将划分的特征样本的输入基分类器中，得到输出数据Y₁,Y₂,…,Y_N，为不同分类器模型预测的刀具磨损状态标签值；

55)将输出数据D_h＝{Y₁,Y₂,…,Y_N,Y}作为次级分类器的输入数据，次级分类器选用支持向量机(SVM)，然后将次级分类器的输出结果Y_h作为整个集成分类器的结果。

本发明由于采取以上技术方案，其具有以下有益效果：

本发明通过采集机床加工过程的振动信号，利用振动信号的特征数据构建集成监测模型，实现了非直接式的刀具磨损监测，解决了刀具磨损状态监测难题；通过分析加工过程的振动信号，利用特征选择技术，得到对刀具磨损状态最敏感的特征数据，全面反映刀具磨损状态，实现了振动信号监测刀具磨损状态的方法研究，为刀具磨损状态监测系统的研制提供了理论的基础。

本发明提出了一种基于振动信号结合Stacking集成策略的刀具磨损状态监测方法，利用铣削过程的振动信号，通过特征提取的信号处理手段，建立主轴振动信号样本与刀具磨损等级的非线性映射关系，建立刀具磨损状态监测模型。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的不当限定，在附图中：

图1为本发明涉及的刀具磨损状态监测方法流程示意图；

图2是ReliefF-SVM特征选择算法流程图；

图3Stacking集成策略下的集成模型建立；

图4是频域特征随切削时间的幅值变化。

具体实施方式

下面将结合附图以及具体实施例来详细说明本发明，在此本发明的示意性实施例以及说明用来解释本发明，但并不作为对本发明的限定。

参照图1，本发明基于振动信号和集成模型的刀具磨损状态监测方法，包括以下步骤：

第一步，数据采集。

将三向加速度传感器通过磁座吸附在机床主轴不旋转处，利用加速度传感器采集机床加工过程的三向振动信号；采集刀具使用寿命过程的振动信号，提取振动信号的特征信息，划分特征数据为训练数据和测试数据，训练数据用作构造监测模型，测试数据用于验证模型正确性并调优；同时，利用每次走刀完成后，利用数码显微镜对刀具后刀面磨损带进行拍照测量，将获得刀具刃带磨损量的宽度作为刀具磨损标签值，用于划分刀具磨损状态。

第二步，对振动信号进行预处理。

机床加工过程机床主轴的振动信号包含较多与加工状态无关的噪声信号和异常值，通过去趋势项和异常值处理，得到较为纯净的加工过程的振动信号。

第三步，对预处理后的振动信号进行特征提取，包括时域特征提取、频域特征提取和时频域特征提取。

采用时域分析和频域分析对振动信号进行特征提取，提取得到信号的多个时域、频域特征；同时，对振动信号进行集成经验模式分解(EEMD)得到本征模式分量(IMF)，将多个IMF的能量比作为信号的特征。

对机床加工过程中预处理后的振动信号进行时域分析，包括：

31)提取振动信号的均值峰值P_m、有效值RMS、方差Var、峭度Kur和偏斜度Ske；

其中P_m＝max(|x_i|)，

式中，σ是振动信号X的标准差；x_i为振动信号序列点；N为序列点数；

32)对机床加工过程中预处理后的振动信号进行频域分析，对信号进行短时傅里叶变换，在频域内，提取切齿频率对应的幅值谱的峰值特征；切齿频率计算公式为：

其中n为主轴转速，z为铣刀齿数。

33)对机床加工过程中预处理后的振动信号进行集成经验模式分解(EEMD)，对振动信号序列x(t)＝{x₁,x₂,…,x_N}通过集成经验模式分解得到若干本征模式分量和一个余项的和，即

34)计算每个本征模式分量的能量比，作为振动信号时频域特征，

其中，为本征模式分量的能量，E_total为所有分量的总能量。

第四步，对提取的特征进行特征选择。

参照图2进行特征降维，运用ReliefF算法对提取特征进行权重计算，得到特征对刀具磨损状态相关度权重排序；按照权重大小顺序，依次输入支持向量机(SVM)，得到对刀具磨损状态的敏感特征，筛选掉不敏感的信号特征；最后对筛选出的特征进行归一化处理。

具体步骤如下：

41)运用ReliefF算法对已提取特征进行权重排序，Relief关于特征f_i的特征重要度估计逼近下述两个概率的差:不同类最近邻在特征f_i上取不同值的概率-同类最近邻在特征f_i上取不同值的概率；

42)通过步骤41)获得各特征关于分类的权重排序，根据权重大小顺序依次输入到支持向量机(SVM)进行分类识别，得到各个特征对分类正确率的影响程度，保留影响分类的关键特征。

第五步，基于Stacking集成策略的刀具磨损状态监测模型建立。

参照表1，Stacking集成策略具体的算法步骤如下：

表1Stacking集成策略算法

51)训练数据D＝{X₁,X₂,…X_m,Y}，其中，X_i(i＝1,2…m)为特征样本，Y＝[y₁,y₂,…,y_m]为分类标签值。基于数据D＝{X₁,X₂,…X_m,Y}，训练N个基分类器L(L₁,L₂,…,L_N)，得到N个预测分类标签值Y₁,Y₂,…,Y_N，构成新的训练数据D_h＝{Y₁,Y₂,…,Y_N,Y}。N个基分类器L(L₁,L₂,…,L_N)构成为初级分类器；

52)将初级分类器L的输出数据作为次级分类器L_h的输入数据，即基于新的训练数据D_h＝{Y₁,Y₂,…,Y_N,Y}训练下一级分类器L_h，返回预测的分类标签值Y_h为最终的预测分类结果。

参照图3，选用支持向量机(SVM)、决策树和朴素贝叶斯作为基分类器，构造初级分类器，将初级分类器的输出结果作为次级分类器输入数据，次级分类器采用支持向量机(SVM)，具体步骤如下：

利用上述步骤获得的加工过程振动信号特征，划分为训练数据和测试数据，训练数据Stacking集成策略构建刀具磨损状态监测模型，测试数据用于验证模型正确性与精度，并对模型进行相应的调整。当刀具达到严重磨损状态，应做换刀处理。步骤如下：

53)留一法划分训练数据。为了得到可靠稳定的模型，采用交叉验证方法，将所提取到的特征样本D＝{X₁,X₂,…X_m,Y}划分为若干份，其中，X_i(i＝1,2…m)为特征样本，Y＝[y₁,y₂,…,y_m]为刀具磨损状态分类标签值，将其中一份作为测试集，其余的作为训练集；

54)构造初级分类器。选用支持向量机(SVM)、决策树和朴素贝叶斯分类器集成模型的基分类器，为了基分类器在性能上得到互补，不同基分类器，采用不同的测试数据，将步骤53)划分的特征样本的输入基分类器中，得到输出数据Y₁,Y₂,…,Y_N；

55)构造次级分类器。上一步选用了多个基分类器组成初级分类器，得到多组输出数据，将输出数据D_h＝{Y₁,Y₂,…,Y_N,Y}作为次级分类器的输入数据，次级分类器选用支持向量机(SVM)，然后将次级分类器的输出结果Y_h作为整个集成分类器的结果。

步骤6，状态识别

监测加工过程振动信号，经过处理后得到信号特征集输入到集成监测模型中，得到刀具磨损标签值，即刀具磨损状态。

下面给出一个具体实施例来进一步说明本发明。

利用大连机床集团生产的ADL-100立式加工中心加工45钢试件，实验采用的Kistler 8763加速度传感器采集加工过程主轴的振动信号，监测刀具从新刀到加工到完全磨损过程的所有振动信号。对采集到的振动信号进行分析，根据第三步涉及的特征提取步骤，提取振动信号的多个特征信号，图4是频域特征随切削时间的变化。可以看出，频域特征随着刀具磨损先缓慢上升，到严重磨损阶段，频域特征呈急剧上升状态，符合刀具磨损过程曲线，所以可说明振动信号的特征可以用作刀具磨损状态监测。利用加工过程的振动信号，结合本发明提出的集成模型，可以实现刀具磨损状态监测，证明了该方法的有效性。

本发明并不局限于上述实施例，在本发明公开的技术方案的基础上，本领域的技术人员根据所公开的技术内容，不需要创造性的劳动就可以对其中的一些技术特征作出一些替换和变形，这些替换和变形均在本发明的保护范围内。

Claims (7)

1.一种基于振动信号和Stacking集成模型的刀具磨损状态监测方法，其特征在于，包括以下步骤：

步骤1，使用加速度传感器采集加工过程机床主轴的振动信号，同时对每次走刀完成后的刀具后刀面刃带进行拍照，将测量刀具刃带磨损的宽度作为刀具磨损标签值；

步骤2，对机床主轴的振动信号通过去趋势项和异常值处理，得到纯净的加工过程的振动信号；

步骤3，采用时域分析、频域分析和集成经验模式分解对振动信号进行特征提取，得到多个特征信号；其中，对振动信号进行集成经验模式分解后得到本征模式分量，将多个本征模式分量的能量比作为信号特征；

步骤4，再利用ReliefF-SVM算法对步骤3已提取的信号特征进行筛选得到最优特征集；

步骤5，利用最优特征集和磨损标签值基于Stacking集成策略，选用支持向量机、朴素贝叶斯和决策树作为初级分类器，选用支持向量机作为次级分类器，将初级分类器的输出数据作为次级分类器的输入数据，建立刀具磨损状态集成监测模型；

步骤6，监测机床主轴加工过程振动信号，将经过处理后的信号特征集输入到所述集成监测模型中，得到刀具磨损标签值，即刀具磨损状态。

2.根据权利要求1所述一种基于振动信号和Stacking集成模型的刀具磨损状态监测方法，其特征在于，所述步骤3，对振动信号进行特征提取，包括：

31)采用时域分析提取振动信号X＝{x₁,x₂,…,x_N}的均值峰值P_m、有效值RMS、方差Var、峭度Kur和偏斜度Ske；

其中P_m＝max(x_i)，

式中，σ是振动信号X的标准差；x_i为振动信号序列点；N为序列点数；

32)通过频域分析对信号进行短时傅里叶变换，在频域内，提取切齿频率对应的幅值谱的峰值特征；

33)时频域内，对振动信号序列x(t)＝{x₁,x₂,…,x_N}通过集成经验模式分解，得到若干个本征模式分量c_i(t)和一个余项r_n(t)的和，即

34)计算每个本征模式分量的能量比，作为振动信号时频域特征。

3.根据权利要求2所述一种基于振动信号和Stacking集成模型的刀具磨损状态监测方法，其特征在于，所述步骤32)中，切齿频率计算公式为：

其中n为主轴转速，z为铣刀齿数。

4.根据权利要求2所述一种基于振动信号和Stacking集成模型的刀具磨损状态监测方法，其特征在于，所述步骤34)中，本征模式分量的能力比为：

其中，为本征模式分量的能量，E_total为所有分量的总能量。

5.根据权利要求1所述一种基于振动信号和Stacking集成模型的刀具磨损状态监测方法，其特征在于，所述步骤4，具体步骤如下：

41)运用ReliefF算法对已提取的信号特征进行权重排序，Relief关于特征f_i的特征重要度估计逼近两个概率的差：不同类最近邻在特征f_i上取不同值的概率和同类最近邻在特征f_i上取不同值的概率；

42)通过获得各特征关于分类的权重排序，根据权重大小顺序依次输入到支持向量机进行分类识别，得到各个特征对分类正确率的影响程度，保留影响分类的关键特征。

6.根据权利要求1所述一种基于振动信号和Stacking集成模型的刀具磨损状态监测方法，其特征在于，所述步骤5，Stacking集成策略的算法步骤如下：

51)基于训练数据D＝{X₁,X₂,…X_m,Y}，训练N个基分类器L(L₁,L₂,…,L_N)，得到N个预测分类标签值Y₁,Y₂,…,Y_N，构成新的训练数据D_h＝{Y₁,Y₂,…,Y_N,Y}；其中，X_i为特征样本，i＝1,2…m；Y＝[y₁,y₂,…,y_m]为分类标签值；N个基分类器L(L₁,L₂,…,L_N)构成为初级分类器；

52)将初级分类器L的输出数据作为次级分类器L_h的输入数据，即基于新的训练数据D_h＝{Y₁,Y₂,…,Y_N,Y}训练下一级分类器L_h，返回预测的分类标签值Y_h为最终的预测分类结果。

7.根据权利要求1所述一种基于振动信号和Stacking集成模型的刀具磨损状态监测方法，其特征在于，所述步骤5，建立刀具磨损状态集成监测模型步骤如下：

53)采用交叉验证方法，将所提取到的特征样本D＝{X₁,X₂,…X_m,Y}划分为若干份，其中，X_i为特征样本，Y＝[y₁,y₂,…,y_m]为刀具磨损状态分类标签值，将其中一份作为测试集，其余的作为训练集；

54)选用支持向量机、决策树和朴素贝叶斯分类器集成模型的基分类器，采用不同的测试数据，将划分的特征样本的输入基分类器中，得到输出数据Y₁,Y₂,…,Y_N，为不同分类器模型预测的刀具磨损状态标签值；

55)将输出数据D_h＝{Y₁,Y₂,…,Y_N,Y}作为次级分类器的输入数据，次级分类器选用支持向量机，然后将次级分类器的输出结果Y_h作为整个集成分类器的结果。