CN110434676B - 一种多传感器时频特征融合的镗削颤振监测方法 - Google Patents

Abstract

本发明提供了一种多传感器时频特征融合的镗削颤振监测方法，包括以下步骤：S1、利用多个传感器采集颤振信号；S2、将步骤S1中的颤振信号进行处理分析；S3、对步骤S2中处理分析后的信号进行特征融合和流形学习降维；S4、利用网格搜索法选取最优参数后代入支持向量机模型判断镗削颤振是否发生。本发明采用多传感器采集不同信号进行颤振监测，降低加工过程中其他因素的影响，大大提高颤振监测的可靠性和稳定性；采用时域和频域的不同特征进行融合，大大提高了颤振监测的准确性；采用特征融合技术，实现数据的压缩，减少需要处理的信息量，提高信息处理效率，可以对颤振进行实时监测。

Description

一种多传感器时频特征融合的镗削颤振监测方法

技术领域

本发明涉及机械加工过程检测技术领域，特别是涉及机床颤振状态监测与辨识技术领域。

背景技术

深孔零件在机械产品中应用广泛，通常是机械系统的关键部位，如齿轮轴、曲轴和喷油器提供润滑油的孔；发动机的冷却孔；仪器仪表的精密管；枪管炮管等武器发射管等。深孔零件的加工质量对整个机械产品寿命影响显著，考虑到其复杂的加工工艺，如何保证加工质量仍是深孔零件加工过程的瓶颈之一。然而，在镗削加工过程中，由于刀杆悬伸量大，系统刚度弱，容易发生颤振。颤振会降低内孔的加工质量、影响加工效率、加剧刀具磨损和缩短机床寿命。由镗杆的颤振导致加工表面振纹，严重影响工件的加工精度，甚至还可能损害刀具和机床主轴。与此同时同时产生的噪声对机床操作者的身体健康也有影响。减小镗孔过程中颤振影响的关键在于能够准确检测出颤振状态，并及时调整加工参数，因此对镗孔加工的颤振监测方法进行研究十分必要。

近些年，国内外学者对颤振监测方法的研究逐渐增多，根据采集信号方法的不同，可以将监测方法分为直接法和间接法：直接法通过使用外部传感器如麦克风、加速度计或测力计等直接实现对颤振的监测；间接法通过CNC系统中提取驱动电机电流信号等方法间接推导出加工状态。目前大部分研究都是针对单传感器的2个或3个特征。不同信号特征中与颤振相关的信息量不同，针对一个未知模型，仅从少量特征来进行监测，通常无法满足监测要求。现有技术 CN108628249A公开了一种基于辅助叠加振动的铣削加工颤振控制方法及系统，在铣削加工过程中，通过在主轴-刀具切削进给方向上产生辅助叠加振动，来实现铣削加工颤振的控制。系统包括设置在铣削机床的主轴的前端的作动装置，连接机床的CNC系统读取主轴转速以及进给速度，以及铣刀刀具齿数的控制器，控制器用于根据辅助叠加振动的最大幅值和辅助叠加振动的周期频率得到作动力的最大幅值和频率，输出相应的控制电压信号控制作动装置。在铣削加工过程中，考虑实际工作转速条件及切削进给量，通过在进给方向上施加辅助叠加振动的方法，改变铣削颤振的稳定域边界，对颤振进行控制。

因此，现在急需设计一种颤振的监测方法，以克服现有技术中易发生颤振的问题。

发明内容

本发明针对现有技术中的问题，采用振动加速度传感器、声压传感器和电涡流传感器采集信号，通过信号处理分析、特征降维、模式识别和特征融合对镗削颤振进行监测，具体技术方案如下：

一种多传感器时频特征融合的镗削颤振监测方法，包括以下步骤：

S1、利用多个传感器采集颤振信号；

S2、将步骤S1中的颤振信号进行处理分析，具体包括采用经验模态分解技术去噪、特征分析和高维度空间重构；

S3、对步骤S2中处理分析后的信号进行特征融合和流形学习降维；

S4、利用网格搜索法选取最优参数后代入支持向量机模型判断镗削颤振是否发生。

具体地，所述步骤S1中多个传感器包括振动加速度传感器、声压传感器和电涡流传感器。

具体地，所述电涡流传感器与声压传感器采用非接触式安装在刀杆附近，所述振动加速度传感器采用接触式安装方式安装在刀杆附近。

具体地，所述步骤S2中特征分析包括时频特征分析、分形维数分析、复杂度指标分析。

具体地，所述时频特征分析包括采用时域分析法计算时域特征和采用频域分析法计算功率谱熵，时域特征包括均方根、方差、峭度和峭度指标。

具体地，所述分形维数分析采用二维盒计数法提取信号的分形维数。

具体地，所述复杂度指标分析是指分析Lempel-Ziv复杂度指标。

具体地，所述步骤S3中特征融合包括将不同传感器采集到的不同信号进行特征分析得到的与颤振相关的特征作为高维观测矩阵，实现彼此间的相互关联，从而达到共同判断同一状态的目的。

具体地，所述步骤S3中流形学习降维包括以下步骤：

S31、构建局部邻域；

S32、构建局部坐标全局排列矩阵；

S33、实现低维嵌入。

具体地，所述步骤S4支持向量机模型的建立过程包括以下步骤：

将训练集信号进行处理分析、特征融合、流形学习特征降维，利用网格搜索法选取最优参数后代入支持向量机建立镗削颤振检测训练模型；判断该模型的精度是否达到要求，若是，输出该模型，若不是，对模型建立方法进行调整，直到达到精度要求为止。

本发明具有以下有益效果：

一、采用多传感器采集不同信号进行颤振监测，降低加工过程中其他因素的影响，大大提高颤振监测的可靠性和稳定性；

二、采用时域和频域的不同特征进行融合，大大提高了颤振监测的准确性；

三、采用特征融合技术，实现数据的压缩，减少需要处理的信息量，提高信息处理效率，可以对颤振进行实时监测。

附图说明

图1为颤振信号识别流程图；

图2为传感器安装示意图；

图3流行学习算法流程示意图；

图4为支持向量机原理图。

附图标记：1-工件，2-刀杆，3-声压传感器，4-电涡流传感器，5-振动加速度传感器，6-采集分析仪，7-上位PC机。

具体实施例

实施例1

如图1所示，一种多传感器时频特征融合的镗削颤振监测方法，包括以下步骤：

S1、利用多个传感器采集颤振信号：多个传感器包括振动加速度传感器5、声压传感器3和电涡流传感器4，其中电涡流传感器4与声压传感器3为非接触式安装，振动加速度传感器5为接触式安装。加工过程中工件1旋转，不便于安装传感器，刀杆2作为加工系统中的弱刚度部分，将传感器安置在刀杆2附近。为了保证信号包含颤振特征并具有足够的分析带宽，实验中三种信号的采样频率为12800Hz，采集方式为三通道同步采集，在时域上保证了信号的同步性，便于实现信号对比分析和多传感器的特征融合；采集分析仪6的型号为INV3062T型，该分析仪最多可以实现4通道数据采集，具有24位AD精度，动态范围120Db，可用于数据采集和简单的波形分析，通过网络端口与上位机PC机7进行连接，如图2所示。

S2、将步骤S1中的颤振信号进行处理分析，具体包括采用经验模态分解技术去噪、特征分析和高维度空间重构：

经验模态分解技术去噪：是指信号预处理采用经验模态分解技术，其原理是将信号自动分解成一组固有模态函数(Intrinsic Mode Function，IMF)。每个IMF 都应具备两个条件：(1)在数据集中，极值点数和零点数相差最多为1；(2)在每一个点，由局部极大值和局部极小值定义的包络均值为0。

特征分析：包括时频特征分析、分形维数分析和复杂度指标分析；针对实时采集到的加速度、位移和声压信号，通过时域分析方法提取特征量，包括均方根值、方差、峭度、峭度指标。时域统计量信息能够直观的反映数据间的关系，但一些隐藏的信息无法从时域中获取，因此引入频域信息功率谱熵、分形维数和复杂度指标进行补充；

功率谱熵(Power Spectrum Entropy，PSE)，功率谱熵是一种从能量角度量化频域频谱复杂度的信息熵；PSE值越小说明系统的振荡性越强；

分形维数分析，是采用二维盒计数法实现加速度信号分形维数的提取；分形维数作为一种空间填充能力的度量，解释了分形尺度与其所嵌入空间的不同；一般来说图像形状越复杂，分形维数越大；

复杂度指标分析是指分析Lempel-Ziv复杂度指标，该指标用于计算时间序列的复杂度。

利用特征分析得到的信息进行高维空间重构：通常情况下，直接采集到的信号包含大量冗余信息，并不能直接进行颤振识别，需要从大量的冗余信息中提取出与颤振相关的特征值。将信号转化为特征量，并将这些特征量组合成一组新的高维观测空间。新的高维空间仅包含颤振相关的信息，实现了信息的去伪存真，能够提高信息的有效性。

S3、对步骤S2中处理分析后的信号进行特征融合和流形学习降维：

特征融合：包括将不同传感器采集到的不同信号进行特征分析得到的与颤振相关的特征作为高维观测矩阵，实现彼此间的相互关联，从而达到共同判断同一状态的目的。

流形学习降维：流形学习包含多种算法，这里采用局部切空间排列(LTSA) 算法。LTSA是一种同时考虑局部与全局的算法。如图3所示，通过构建高维观测空间内数据点领域，求得其切空间，进而表达低维嵌入下局部的几何特征，对几何特征进行排列，得到低维空间内数据点的坐标包括以下步骤：

S31、构建局部邻域：满足欧氏距离最近的k个点和满足距离小于阈值ε的点均记为x_i的近邻点。数据点x_i与其近邻点的集合构成了邻域。

S32、构建局部坐标全局排列矩阵：

在数据点X＝[x_i](i＝1,2,3...n)的邻域X_i＝[x_ij](j＝1,2,3...N)内构建对应的切空间：

设V＝[v_i](i＝1,2,3...n)由邻域X_i协方差矩阵

中的d个特征向量所组成，那么新构建的d维切局部空间可以表示为

假设数据点嵌入后坐标为Y＝[y_i](i＝1,2,3...n)，其领域对应坐标为 Y_i＝[y_ij](j＝1,2,3...N)，为了实现局部切空间的全局嵌入，需要保证数据对齐误差最小：

其中S_i为0或1选择矩阵(YS_i＝Y_i)，Φ_i定义为局部对其矩阵。

对全局低维特征空间嵌入坐标进行计算：

S33、实现低维嵌入：

式(2)中

同LLE一样添加约束条件YY^T＝I，采用拉格朗日子乘法，并对矩阵Y进行求导并使其导数为0，可得

求出特征矩阵

的特征值对应的特征向量，即可求出低维嵌入。

关于流形学习，在高维空间中观测到的数据在少量独立变量的共同作用下能在观测空间内形成一个流形，如果能将观测空间内的流形展开或得到其中的主要变量，那么就能够完成数据的降维处理。流形学习算法的目的是将嵌入在高维欧式空间潜在流形体上的数据点，恢复到低维流形结构。求出高维空间至低维流形的对应嵌入映射关系，实现数据点的简约化与可视化处理，透过高维观测空间的表面现象找寻数据间的内在规律。

其中观测空间为了便于可视化选取为三维空间中离散的点，通过流形学习算法处理后分别得到该高维数据集所对应的一维流形、二维流形和三维流形，在高维空间向低维流形转换时，高维空间内数据点的信息会依照映射规律映射在低维流形空间中，进而实现了高维数据集的信息融合。

S4、利用网格搜索法选取最优参数后代入支持向量机模型判断镗削颤振是否发生：

流形学习算法可以实现非线性高维数据的降维处理，从而从大量特征中提取加工信息相关的特征向量，然而流形学习算法属于无监督算法，为了得到合适的加工状态判断模型，还需引入额外的机器学习算法。支持向量机(Support Vector Machine，SVM)是一种数据分类方法。相较于神经网络更方便使用，提供方便实现扩展的内核技术，能够实现数据的回归分析、密度估计和核主成分分析等功能，其原理如图4所示。

支持向量机分类算法假设高维空间中存在超平面S_n:w^Tx+b＝0能够将高维数据集U＝{(x_i,y_i)i＝1,2,3,...,n},x_i∈R,y_i∈{-1,1}精确分隔成两个部分，针对数据集U中的任意样本P(a₁,a₂,a₃,...,a_n,)到超平面S_n的距离d可以表示为：

其中a_i(i＝1,2,3,...,n)表示数据样本P的第i个特征量，||W||为超平面S_n的范数。

设对于数据集U内样本距离超平面S_n最近的距离为M，为了保证在分类后具有最大的间隔，需要调整参数w与b保证M最大，即：

在超平面空间S_n中不存在数据集U中的样本，以此为约束将上式优化问题化简为：

s·t·y_i(w^Tx+b)-1≥0 (6)

针对实际加工中采集的复杂不稳定的数据，引入松弛变量ξ，将目标函数修改为：

其中惩罚参数C用于权衡最大化距离和大部分点间距小于1之间的关系。

利用拉格朗日乘子法与KKT条件重构函数并分别求解对w,b和ξ的偏导得：

将式(10)带回可得：

考虑到实际加工中要分类的数据属于非线性、不可分的数据集，需要引入合适的映射，将其映射到高维空间，从而成为线性可分的数据集。为了避免庞大的映射计算量，引入核函数κ(x_i,x_j)。核函数是数据集样本中的两个向量在隐式高维空间中映射的内积，将其带入式(9)可得：

其中核函数为

支持向量机的构建过程为：将训练集信号进行处理分析、特征融合、流形学习特征降维，利用网格搜索法选取最优参数后代入支持向量机建立镗削颤振检测训练模型；判断该模型的精度是否达到要求，若是，输出该模型，若不是，对模型建立方法进行调整，直到达到精度要求为止。

上述详细说明是针对本发明其中之一可行实施例的具体说明，该实施例并非用以限制本发明的专利范围，凡未脱离本发明所为的等效实施或变更，均应包含于本发明技术方案的范围。

Claims (1)

1.一种多传感器时频特征融合的镗削颤振监测方法，包括以下步骤：

S1、利用多个传感器采集颤振信号；所述步骤S1中多个传感器包括振动加速度传感器、声压传感器和电涡流传感器；所述电涡流传感器与声压传感器采用非接触式安装在刀杆附近，所述振动加速度传感器采用接触式安装方式安装在刀杆附近；

S2、将步骤S1中的颤振信号进行处理分析，具体包括采用经验模态分解技术去噪、特征分析和高维度空间重构；所述特征分析包括时频特征分析、分形维数分析、复杂度指标分析；所述时频特征分析包括采用时域分析法计算时域特征和采用频域分析法计算功率谱熵，时域特征包括均方根、方差、峭度和峭度指标；所述分形维数分析采用二维盒计数法提取信号的分形维数；所述复杂度指标分析是指分析Lempel-Ziv复杂度指标；

S3、对步骤S2中处理分析后的信号进行特征融合和流形学习降维；所述特征融合包括将不同传感器采集到的不同信号进行特征分析得到的与颤振相关的特征作为高维观测矩阵，实现彼此间的相互关联，达到共同判断同一状态的目的；所述流形学习降维包括以下步骤：

S31、构建局部邻域；

S32、构建局部坐标全局排列矩阵；

S33、实现低维嵌入；

S4、利用网格搜索法选取最优参数后代入支持向量机模型判断镗削颤振是否发生；所述支持向量机模型的建立过程包括以下步骤：

将训练集信号进行处理分析、特征融合、流形学习特征降维，利用网格搜索法选取最优参数后代入支持向量机建立镗削颤振检测训练模型；判断该模型的精度是否达到要求，若是，输出该模型，若不是，对模型建立方法进行调整，直到达到精度要求为止。

Images