CN110103077A - 一种镗刀杆多传感器集成的镗削状态智能监测方法 - Google Patents

Abstract

本发明公开了一种镗刀杆多传感器集成的镗削状态智能监测方法，包括：无线供电模块、传感器集成模块、放大电路、微处理器、无线传输模块、电机和上位机；传感器集成模块采集到的信号被传输到放大电路中，经过放大电路处理后的信号被传输到微处理器中进行预处理，经微处理器处理后的信号传输到无线传输模块中，无线传输模块再将信号传输到上位机中进行处理。本发明中的监测方法可以提高零件的尺寸精度和镗削效率，且可以对镗削状态进行实时监测。

Description

一种镗刀杆多传感器集成的镗削状态智能监测方法

技术领域

本发明涉及大型深孔镗削加工技术领域，更具体的说是涉及一种镗刀杆多传感器集成的镗削状态智能监测方法。

背景技术

镗削是加工深孔零件的主要手段，镗削加工能够解决原有孔的轴线歪斜与位置误差问题，还能提高原有孔的表面质量。在镗削的过程中镗削状态是影响孔状零件加工质量与效率的关键因素，但是，由于加工状态封闭，在加工过程中难以直接观测到实时的镗削状态；并且在实际的镗削加工过程中，由于振动、切削力、切削热等因素的综合作用，刀具与工件的接触表面会经历复杂的应力场与温度场的变化，从而劣化了零件加工表面的质量，降低了零部件的尺寸精度和镗床的加工效率。

因此，研究出一种可以提高零件的尺寸精度和镗削效率，且能对镗削状态进行实时监测的方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种可以提高零件的加工精度，镗削效率的镗刀杆多传感器集成的镗削状态智能监测方法。

为了实现上述目的，本发明采用如下技术方案：

一种镗刀杆多传感器集成的镗削状态智能监测方法，镗刀杆包括：镗杆和固定于所述镗杆端部的镗刀，包括以下步骤：

步骤(1)构建镗削状态的智能监测系统，其包括：包括：无线供电模块、传感器集成模块、放大电路、微处理器、无线传输模块、电机和上位机；

所述传感器集成模块、放大电路固定于所述镗杆内部靠近所述镗刀处，且所述传感器集成模块与放大电路相连通；

所述微处理器和无线传输模块固定于所述镗杆远离所述镗刀一端的内部；且所述微处理器和无线传输模块相连，所述无线传输模块与所述上位机无线连接；

所述电机固定于所述镗杆远离所述镗刀的一端的端部，为所述镗杆的运动提供动力；

所述无线供电模块包括感应线圈；所述感应线圈与所述传感器集成模块、放大电路、微处理器、无线传输模块电性连接；

所述上位机置于所述镗杆的外侧，且靠近所述镗杆设有无线传输模块的一端；

步骤(2)传感器集成模块包括：温度传感器、声发射传感器、加速度传感器和切削力传感器；

所述温度传感器、声发射传感器和加速度传感器安装在所述镗杆内部靠近所述镗刀的位置，且以直接粘附的安装方式粘附在所述镗杆的内表面上，且温度传感器、声发射传感器和加速度传感器均与感应线圈电性连接；

所述切削力传感器共设有四个，且沿所述镗杆轴向均匀分布，则每个切削力传感器上的水平力矩为：

其中F_x与F_y为切削力分力，r为四个切削力传感器所构成的圆的半径；M 为水平总力矩，且M＝M₁+M₂+M₃+M₄；

步骤(3)镗削过程中温度传感器、声发射传感器、加速度传感器和切削力传感器采集到的信号被传输到放大电路中，经过放大电路处理后的信号被传输到微处理器中进行预处理，经微处理器处理后的信号传输到无线传输模块中，无线传输模块再将信号传输到上位机中进行处理；

步骤(4)上位机接收到所述步骤(3)中传输的信号之后，对镗削加工状态的信号进行收集分析；

采用信息融合技术，对多个传感器的信号进行归一化处理，然后再利用流形学习算法，将归一化处理的多种传感器信号进行降维处理，提取所采集数据包含的特征向量，利用支持向量机方法，实现实时监测镗削加工中状态的改变。

采用上述技术方案的有益效果是，本发明中采用多个传感器对镗削的状态进行监测，能够全面采集多种加工状态信息，进而提高镗削状态的判断精度与效率；并且采用无线传输模块对镗削加工状态信息进行无线传输，可以提高智能监测方法的灵活性，方便对加工状态进行实时的监测。

优选的，所述温度传感器选用镍铬-镍硅K型热电偶温度传感器，所述声发射传感器选用差动式AE传感器，所述加速度传感器选用石英挠性加速传感器，所述切削力传感器选用压电石英切削力传感器。

采用上述技术方案的有益效果是，测量切削力、振动与声音均采用压电式传感器，压电式传感器具有频带宽、灵敏度高、信噪比高、结构简单和可靠性高等特点；测量加工温度采用热电偶温度传感器，热电偶温度传感器具有较大的温度测量范围、能够适应各种环境、可靠性高并且无需供电安装，较为灵活，以上各传感器均根据使用情况进行选择，可以提高监测结果的准确性。

优选的，所述无线供电模块采用谐振式无线传输电路，所述谐振式无线传输电路中包含整流滤波电路和E类放大器；所述整流滤波电路和E类放大器电性连接；在工作时先将220V交流电通过整流滤波电路转化为谐波少的直流电，然后再通过E类放大器得到高频直流电，最终将高频直流电通过谐振无线传输电路传输到镍铬-镍硅K型热电偶温度传感器、差动式AE传感器、石英挠性加速传感器、压电石英切削力传感器、放大电路、微处理器、无线传输模块中对其进行供电。

优选的，所述谐振无线传输电路的供电原理：以传感器集成模块、放大电路、微处理器、无线传输模块作为供电对象，采用单发双收装置，其中U₁为 220V交流电；U₂为传感器集成模块、放大电路的等效电压，U₃为微处理器、无线传输模块的等效电压；R₁为供电电路等效电阻；R₂为传感器集成模块、放大电路的等效电阻，R₃为微处理器、无线传输模块的等效电阻；R_s1、R_s2、 R_s3分别为接收回路等效电阻；C₁、C₂与C₃分别为各个电路内匹配电容；

系统中阻抗为其中，j表示复数标志，ω表示角频率ω＝2πf，L_i表示电感，C_i表示电容，R_i表示电阻；由基尔霍夫第二定律可得(其中M为互感)：

互感线圈均采用平面圆盘线圈，则互感其中M_ij为线圈i与线圈j的互感；μ₀为真空磁导率；n_i与n_j分别为线圈i与线圈j的匝数；r_i与r_j分别为线圈i 与线圈j的半径；d_ij为线圈i与线圈j的中心距离；

线圈间的耦合系数在确定耦合系数、负载电压与谐振频率后通过仿真，得到不同电感对应的负载功率、电源端电流、传输效率与输入功率，从而针对不同的模块选择不同匝数和半径的无线传输电路。

优选的，无线传输模块选用蓝牙传输模块，蓝牙传输模块包括：蓝牙发射装置、蓝牙接收装置和转换电路；所述微处理器与蓝牙发射装置电性连接；所述蓝牙发射装置与蓝牙接收装置无线连接；所述蓝牙接收装置与转换电路电性连接，所述转换电路与上位机相连接；镗削过程中经微处理器处理后的信号传输到蓝牙发射装置中，再通过蓝牙发射装置将信息传输到蓝牙接收装置，最终通过转换电路将信号传输到上位机中进行处理。

采用上述技术方案的有益效果是，蓝牙技术是一种支持设备与设备短距离通信的无线传输技术，蓝牙传输模块具有高效、高速传输数据、频段适用广、植入性强和功耗低等特点，并且在深孔镗削的加工中具有足够的穿透力，能够更好地保留信号的传递，进而可以提高监测结果的准确性。

优选的，所述放大电路选用共射极放大电路。

优选的，流形学习算法采用局部线性嵌入算法，计算过程如下：

(1)邻域的选择：对于任意一个D维数据点X_i，在数据集中选择包含在以ε为半径的球体内或取欧式距离最近的K个点为邻域点；

(2)重构权值矩阵：首先构建误差表达函数：

由于w_ij为x_i与x_ij的权值，且运用Lagrange乘子法求解W矩阵，通过构建局部协方差矩阵C，使得C_jk＝(x_i-x_ij)^T(x_i-x_ik)，将求得的数值带入到上述中得到局部最优重建权值矩阵w_ij：

其中，i、j、p、q是指在将采集到的数据转化为矩阵后对应的行数和列数；

(3)将所有的点投影到低维空间并求出低维嵌入Y：定义损失函数为：

w_ij为x_i与x_ij的权值，y_i为x_i低维映射向量，此时，损失函数需要最小化，因其中I为单位矩阵，令Y＝[y₁、y₂...y_n]，因此可得令M＝(I-M)(I-M)^T为约束条件，结合Lagrange乘子法进行计算推倒得出：MY^T＝λY^T；

因此，M的非零特征值分别为λ₁≤λ₂≤...≤λ_n，则特征值λ₁、λ₂...λ_n所对应特征向量为输出Y的各行，最终根据对特征向量的判断产生一个统一的模型，对多种信号状态进行监测。

本发明的有益效果：

(1)采用多个传感器共同使用，能够全面采集多种加工状态信息，通过多种加工状态信息建立统一模型共同判定，可以提高镗削状态的判断精度与效率；

(2)采用蓝牙传输模块对镗削加工状态信息进行无线传输，可以提高智能监测方法的灵活性，能够实现在笔记本电脑或手机上实时对加工状态的监测，方便使用。

需要说明的是，在上述步骤中，应用了很多专业术语，在此一一进行解释：

信息融合技术：利用计算机技术对按时序获得的若干传感器的观测信息在一定准则下加以自动分析、综合处理，以完成所需的决策和估计任务而进行的信息处理过程。

流行学习算法：假设数据是均匀采样于一个高维欧氏空间中的低维流形，流形学习就是从高维采样数据中恢复低维流形结构，即找到高维空间中的低维流形，并求出相应的嵌入映射，以实现维数约简或者数据可视化，它是从观测到的现象中去寻找事物的本质，找到产生数据的内在规律。

支持向量机方法：是在分类与回归分析中分析数据的监督式学习模型与相关的学习算法。

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的前提下，还可以根据提供的附图获得其他的附图。

图1附图为本发明提供的监测系统结构框图；

图2附图为本发明提供的监测系统的结构示意图；

图3附图为本发明提供的无线供电过程图；

图4附图为本发明提供的谐振式无线供电原理图；

图5附图为本发明提供的温度、声发射、加速度传感器的分布示意图；

图6附图为本发明提供的切削力传感器分布示意图；

图7附图为本发明提供的无线传输过程图；

图8附图为本发明提供的局部线性嵌入算法过程框图。

其中，图中，

1-镗杆；2-镗刀；3-感应线圈；

4-传感器集成模块；

41-镍铬-镍硅K型热电偶温度传感器；42-差动式AE传感器；43-石英挠性加速传感器；44-压电石英切削力传感器；

5-放大电路；6-微处理器；7-蓝牙传输模块；8-电机；9-上位机；10-蓝牙通讯协议。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例公开了一种镗刀杆多传感器集成的镗削状态智能监测方法，镗刀杆包括：镗杆1和固定于镗杆1端部的镗刀2，包括以下步骤：

步骤(1)构建镗削状态的智能监测系统，其包括：无线供电模块、传感器集成模块4、放大电路5、微处理器6、无线传输模块、电机8和上位机9；

传感器集成模块4、放大电路5固定于镗杆1内部靠近镗刀2处，且传感器集成模块4与放大电路5相连通；

微处理器6和无线传输模块固定于镗杆1远离镗刀2一端的内部；且微处理器6和无线传输模块相连，无线传输模块与上位机9无线连接；

电机8固定于镗杆1远离镗刀2的一端的端部，为镗杆1的运动提供动力；

无线供电模块包括感应线圈3；感应线圈3与传感器集成模块4、放大电路5、微处理器6、无线传输模块电性连接；

上位机9置于镗杆1的外侧，且靠近镗杆1设有无线传输模块的一端；

步骤(2)传感器集成模块4包括：温度传感器、声发射传感器、加速度传感器和切削力传感器；

温度传感器、声发射传感器和加速度传感器安装在镗杆1内部靠近镗刀2 的位置，且以直接粘附的安装方式粘附在镗杆1的内表面上，且温度传感器、声发射传感器和加速度传感器均与感应线圈3电性连接；

切削力传感器共设有四个，且沿镗杆1轴向均匀分布，则每个切削力传感器上的水平力矩为：

其中F_x与F_y为切削力分力，r为四个切削力传感器所构成的圆的半径；M 为水平总力矩，且M＝M₁+M₂+M₃+M₄；

步骤(3)镗削过程中温度传感器、声发射传感器、加速度传感器和切削力传感器采集到的信号被传输到放大电路5中，经过放大电路5处理后的信号被传输到微处理器6中进行预处理，经微处理器6处理后的信号传输到无线传输模块中，无线传输模块再将信号传输到上位机9中进行处理；

步骤(4)上位机接收到步骤(3)中传输的信号之后，对镗削加工状态的信号进行收集分析；

采用信息融合技术，对多个传感器的信号进行归一化处理，然后再利用流形学习算法，将归一化处理的多种传感器信号进行降维处理，提取所采集数据包含的特征向量，利用支持向量机方法，实现实时监测镗削加工中状态的改变。

进一步地，温度传感器选用镍铬-镍硅K型热电偶温度传感器41，声发射传感器选用差动式AE传感器42，加速度传感器选用石英挠性加速传感器43，切削力传感器选用压电石英切削力传感器44。

更进一步地，无线供电模块采用谐振式无线传输电路，谐振式无线传输电路中包含整流滤波电路和E类放大器；整流滤波电路和E类放大器电性连接；在工作时先将220V交流电通过整流滤波电路转化为谐波少的直流电，然后再通过E类放大器得到高频直流电，最终将高频直流电通过谐振无线传输电路传输到镍铬-镍硅K型热电偶温度传感器41、差动式AE传感器42、石英挠性加速传感器43、压电石英切削力传感器44、放大电5、微处理器6、无线传输模块中对其进行供电。

更进一步地，谐振无线传输电路的供电原理：以传感器集成模块4、放大电路5、微处理器6、无线传输模块作为供电对象，采用单发双收装置，其中 U₁为220V交流电；U₂为传感器集成模块4、放大电路5的等效电压，U₃为微处理器6、无线传输模块的等效电压；R₁为供电电路等效电阻；R₂为传感器集成模块4、放大电路5的等效电阻，R₃为微处理器6、无线传输模块的等效电阻；R_s1、R_s2、R_s3分别为接收回路等效电阻；C₁、C₂与C₃分别为各个电路内匹配电容；

系统中阻抗为其中，j表示复数标志，ω表示角频率ω＝2πf，L_i表示电感，C_i表示电容，R_i表示电阻；由基尔霍夫第二定律可得(其中M为互感)：

互感线圈均采用平面圆盘线圈，则互感其中M_ij为线圈i与线圈j的互感；μ₀为真空磁导率；n_i与n_j分别为线圈i与线圈j的匝数；r_i与r_j分别为线圈i 与线圈j的半径；d_ij为线圈i与线圈j的中心距离；

线圈间的耦合系数在确定耦合系数、负载电压与谐振频率后通过仿真，得到不同电感对应的负载功率、电源端电流、传输效率与输入功率，从而针对不同的模块选择不同匝数和半径的无线传输电路。

更进一步地，无线传输模块选用蓝牙传输模块7，蓝牙传输模块7包括：蓝牙发射装置、蓝牙接收装置和转换电路；微处理器6与蓝牙发射装置电性连接；蓝牙发射装置与蓝牙接收装置无线连接；蓝牙接收装置与转换电路电性连接，转换电路与上位机相连接；镗削过程中经微处理器处理后的信号传输到蓝牙发射装置中，再通过蓝牙发射装置将信息传输到蓝牙接收装置，最终通过转换电路将信号传输到上位机中进行处理。蓝牙无线传输模块基于无线射频通信协议RFCOMM，该协议提供了基于逻辑链路控制和适配协议L2CAP 的模拟串口，完成了对RS232串口的仿真。将各种数据封装在不同帧中进行传输，帧的选择基于GSMTS 07.10多路控制协议。蓝牙网络结构采用点对点拓扑结构，以镗杆内蓝牙传输设备为中心，同一时段内仅允许一台设备均与中心设备进行通信。

更进一步地，放大电路5选用共射极放大电路。

更进一步地，流形学习算法采用局部线性嵌入算法，计算过程如下：

(1)邻域的选择：对于任意一个D维数据点X_i，在数据集中选择包含在以ε为半径的球体内或取欧式距离最近的K个点为邻域点；

(2)重构权值矩阵：首先构建误差表达函数：

由于w_ij为x_i与x_ij的权值，且运用Lagrange乘子法求解W矩阵，通过构建局部协方差矩阵C，使得C_jk＝(x_i-x_ij)^T(x_i-x_ik)，将求得的数值带入到上述中得到局部最优重建权值矩阵w_ij：

其中，i、j、p、q是指在将采集到的数据转化为矩阵后对应的行数和列数；

(3)将所有的点投影到低维空间并求出低维嵌入Y：定义损失函数为：

w_ij为x_i与x_ij的权值，y_i为x_i低维映射向量，此时，损失函数需要最小化，因其中I为单位矩阵，令Y＝[y₁、y₂...y_n]，因此可得令M＝(I-M)(I-M)^T为约束条件，结合Lagrange乘子法进行计算推倒得出：My^T＝λY^T；

因此，M的非零特征值分别为λ₁≤λ₂≤...≤λ_n，则特征值λ₁、λ₂...λ_n所对应特征向量为输出Y的各行，最终根据对特征向量的判断产生一个统一的模型，对多种信号状态进行监测。统一的模型相对于传统模型考虑到了多种信号的状态，相较于传统只考虑一种情况的模型，镗削状态智能监测的效率和精度均得到了提高。

更进一步地，局部线性嵌入算法具有保持降维前后局部的几何结构不变以及局部信息的相互叠加来得到整体信息的特点，任意局部邻域内的点均可以由该邻域内的其它点来线性表示，因而相对适合多传感器信息融合的处理。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (7)

1.一种镗刀杆多传感器集成的镗削状态智能监测方法，镗刀杆包括：镗杆(1)和固定于所述镗杆(1)端部的镗刀(2)，其特征在于，包括以下步骤：

步骤(1)构建镗削状态的智能监测系统，其包括：无线供电模块、传感器集成模块(4)、放大电路(5)、微处理器(6)、无线传输模块、电机(8)和上位机(9)；

所述传感器集成模块(4)、放大电路(5)固定于所述镗杆(1)内部靠近所述镗刀(2)处，且所述传感器集成模块(4)与放大电路(5)相连通；

所述微处理器(6)和无线传输模块固定于所述镗杆(1)远离所述镗刀(2)一端的内部；且所述微处理器(6)和无线传输模块相连，所述无线传输模块与所述上位机(9)无线连接；

所述电机(8)固定于所述镗杆(1)远离所述镗刀(2)的一端的端部，为所述镗杆(1)的运动提供动力；

所述无线供电模块包括感应线圈(3)；所述感应线圈(3)与所述传感器集成模块(4)、放大电路(5)、微处理器(6)、无线传输模块电性连接；

所述上位机(9)置于所述镗杆(1)的外侧，且靠近所述镗杆(1)设有无线传输模块的一端；

步骤(2)传感器集成模块(4)包括：温度传感器、声发射传感器、加速度传感器和切削力传感器；

所述温度传感器、声发射传感器和加速度传感器安装在所述镗杆(1)内部靠近所述镗刀(2)的位置，且以直接粘附的安装方式粘附在所述镗杆(1)的内表面上，且温度传感器、声发射传感器和加速度传感器均与感应线圈(3)电性连接；

所述切削力传感器共设有四个，且沿所述镗杆(1)轴向均匀分布，则每个切削力传感器上的水平力矩为：

其中F_x与F_y为切削力分力，r为四个切削力传感器所构成的圆的半径；M为水平总力矩，且M＝M₁+M₂+M₃+M₄；

步骤(3)镗削过程中温度传感器、声发射传感器、加速度传感器和切削力传感器采集到的信号被传输到放大电路(5)中，经过放大电路(5)处理后的信号被传输到微处理器(6)中进行预处理，经微处理器(6)处理后的信号传输到无线传输模块中，无线传输模块再将信号传输到上位机(9)中进行处理；

步骤(4)上位机接收到所述步骤(3)中传输的信号之后，对镗削加工状态的信号进行收集分析；

采用信息融合技术，对多个传感器的信号进行归一化处理，然后再利用流形学习算法，将归一化处理的多种传感器信号进行降维处理，提取所采集数据包含的特征向量，利用支持向量机方法，实现实时监测镗削加工中状态的改变。

2.根据权利要求1所述的一种镗刀杆多传感器集成的镗削状态智能监测方法，其特征在于，所述温度传感器选用镍铬-镍硅K型热电偶温度传感器(41)，所述声发射传感器选用差动式AE传感器(42)，所述加速度传感器选用石英挠性加速传感器(43)，所述切削力传感器选用压电石英切削力传感器(44)。

3.根据权利要求1所述的一种镗刀杆多传感器集成的镗削状态智能监测方法，其特征在于，所述无线供电模块采用谐振式无线传输电路，所述谐振式无线传输电路中包含整流滤波电路和E类放大器；所述整流滤波电路和E类放大器电性连接；在工作时先将220V交流电通过整流滤波电路转化为谐波少的直流电，然后再通过E类放大器得到高频直流电，最终将高频直流电通过谐振无线传输电路传输到镍铬-镍硅K型热电偶温度传感器(41)、差动式AE传感器(42)、石英挠性加速传感器(43)、压电石英切削力传感器(44)、放大电路(5)、微处理器(6)、无线传输模块中对其进行供电。

4.根据权利要求3所述的一种镗刀杆多传感器集成的镗削状态智能监测方法，其特征在于，所述谐振无线传输电路的供电原理：以传感器集成模块(4)、放大电路(5)、微处理器(6)、无线传输模块作为供电对象，采用单发双收装置，其中U₁为220V交流电；U₂为传感器集成模块(4)、放大电路(5)的等效电压，U₃为微处理器(6)、无线传输模块的等效电压；R₁为供电电路等效电阻；R₂为传感器集成模块(4)、放大电路(5)的等效电阻，R₃为微处理器(6)、无线传输模块的等效电阻；R_s1、R_s2、R_s3分别为接收回路等效电阻；C₁、C₂与C₃分别为各个电路内匹配电容；

系统中阻抗为其中，j表示复数标志，ω表示角频率ω＝2πf，L_i表示电感，C_i表示电容，R_i表示电阻；由基尔霍夫第二定律可得(其中M为互感)：

互感线圈均采用平面圆盘线圈，则互感其中M_ij为线圈i与线圈j的互感；μ₀为真空磁导率；n_i与n_j分别为线圈i与线圈j的匝数；r_i与r_j分别为线圈i与线圈j的半径；d_ij为线圈i与线圈j的中心距离；

线圈间的耦合系数在确定耦合系数、负载电压与谐振频率后通过仿真，得到不同电感对应的负载功率、电源端电流、传输效率与输入功率，从而针对不同的模块选择不同匝数和半径的无线传输电路。

5.根据权利要求1所述的一种镗刀杆多传感器集成的镗削状态智能监测方法，其特征在于，无线传输模块选用蓝牙传输模块(7)，蓝牙传输模块(7)包括：蓝牙发射装置、蓝牙接收装置和转换电路；所述微处理器(6)与蓝牙发射装置电性连接；所述蓝牙发射装置与蓝牙接收装置无线连接；所述蓝牙接收装置与转换电路电性连接，所述转换电路与上位机(9)相连接；镗削过程中经微处理器处理后的信号传输到蓝牙发射装置中，再通过蓝牙发射装置将信息传输到蓝牙接收装置，最终通过转换电路将信号传输到上位机中进行处理。

6.根据权利要求1所述的一种镗刀杆多传感器集成的镗削状态智能监测方法，其特征在于，所述放大电路(5)选用共射极放大电路。

7.根据权利要求1所述的一种镗刀杆多传感器集成的镗削状态智能监测方法，其特征在于，流形学习算法采用局部线性嵌入算法，计算过程如下：

(1)邻域的选择：对于任意一个D维数据点X_i,在数据集中选择包含在以ε为半径的球体内或取欧式距离最近的K个点为邻域点；

(2)重构权值矩阵：首先构建误差表达函数：

由于w_ij为x_i与x_ij的权值，且运用Lagrange乘子法求解W矩阵，通过构建局部协方差矩阵C，使得C_jk＝(x_i-x_ij)^T(x_i-x_ik)，将求得的数值带入到上述中得到局部最优重建权值矩阵w_ij：

其中，i、j、p、q是指在将采集到的数据转化为矩阵后对应的行数和列数；

(3)将所有的点投影到低维空间并求出低维嵌入Y：定义损失函数为：

w_ij为x_i与x_ij的权值，y_i为x_i低维映射向量，此时，损失函数需要最小化，因其中I为单位矩阵，令Y＝[y₁、y₂...y_n]，因此可得令M＝(I-M)(I-M)^T为约束条件，结合Lagrange乘子法进行计算推倒得出：MY^T＝λY^T；

因此，M的非零特征值分别为λ₁≤λ₂≤...≤λ_n，则特征值λ₁、λ₂...λ_n所对应特征向量为输出Y的各行，最终根据对特征向量的判断产生一个统一的模型，对多种信号状态进行监测。