CN110647943B - 基于演化数据聚类分析的切削刀具磨损监测方法 - Google Patents

Abstract

本发明公开了一种基于演化数据聚类分析的切削刀具磨损监测方法，用于解决现有切削刀具磨损监测方法实用性差的技术问题。技术方案是首先采集传感器信号，提取特征值，选用相关系数计算方法筛选对刀具磨损值演化敏感的特征，归一化构造特征矩阵，使用Calinski‑Harabasz指数、Davies‑Bouldin指数和Silhouette系数确定最优聚类数目，最后利用凝聚层次聚类方法对刀具磨损值和特征矩阵两种演化数据做聚类分析，对比特征矩阵演化聚类结果中每个元素所在的聚类簇与刀具磨损值演化聚类结果中每个元素所在的聚类簇是否相同，得到整个刀具磨损周期内特征矩阵与刀具磨损值对应元素较高的吻合率，实用性好。

Description

基于演化数据聚类分析的切削刀具磨损监测方法

技术领域

本发明涉及一种切削刀具磨损监测方法，特别涉及一种基于演化数据聚类分析的切削刀具磨损监测方法。

背景技术

镍基高温合金GH4169是多组元复杂合金，因具有优良的热强性能、热稳定性能和热疲劳性能，常用于制造航空航天发动机和燃气轮机的轮盘、叶片等耐热零部件。但由于GH4169的导热性差、加工硬化严重、亲和力大等特点，导致切削加工性差，刀具磨损速度快，磨损程度深，其难加工性成为制造业的一个难题。

刀具磨损值是典型的演化数据，随着铣削距离的增加以不同的速率增大，但由于加工过程的复杂性，刀具磨损状态难以使用光学设备、图形图像处理、放射法、接触法等直接监测。现有的间接监测方法如人工神经网络、支持向量机、隐马尔可夫模型属于监督学习算法，需要使用大量刀具类别信息训练模型，且经过训练后的模型类似“黑箱”，不利于进一步探索传感器信号与刀具磨损之间的相关性和刀具磨损的演化过程。聚类分析是典型的无监督学习算法，但现有的研究将聚类分析应用在某一时刻前尤其是完全失效后刀具磨损状态的划分，提取该时刻及其之前时间内传感器信号的特征后，将数据划分为轻度磨损、正常磨损、严重磨损等几种不同的刀具磨损状态，未进行聚类分析最优聚类数目的确定工作，忽略了刀具磨损整个磨损周期上的磨损状态监测，不能验证方法在整个刀具磨损周期上的有效性，也忽略了研究刀具磨损演化上的物理意义和规律，在实际加工过程中意义不大。例如，王国峰等人(参见专利“基于划分聚类的铣削刀具磨损状态识别方法-CN109434562A”)使用基于分割中心点的聚类算法将所有样本处理后得到的的特征矩阵划分为新刀、轻度磨损、中度磨损和重度磨损四个类别，而未对任意加工时刻前的数据做聚类分析来划分刀具磨损状态，也回避了聚类数目的确定问题。

发明内容

为了克服现有切削刀具磨损监测方法实用性差的不足，本发明提供一种基于演化数据聚类分析的切削刀具磨损监测方法。该方法首先采集传感器信号，提取特征值，选用相关系数计算方法筛选对刀具磨损值演化敏感的特征，归一化构造特征矩阵，使用Calinski-Harabasz指数、Davies-Bouldin指数和Silhouette系数确定最优聚类数目，最后利用凝聚层次聚类方法对刀具磨损值和特征矩阵两种演化数据做聚类分析，对比特征矩阵演化聚类结果中每个元素所在的聚类簇与刀具磨损值演化聚类结果中每个元素所在的聚类簇是否相同，得到整个刀具磨损周期内特征矩阵与刀具磨损值对应元素较高的吻合率，实用性好。

本发明解决其技术问题所采用的技术方案：一种基于演化数据聚类分析的切削刀具磨损监测方法，其特点是包括以下步骤：

步骤一、搭建加工平台，利用切削力传感器、振动传感器、声发射传感器、电流传感器、温度传感器、功率传感器和扭矩传感器采集工件加工时与刀具磨损密切相关的各类传感器信号。在相同的加工参数下，每隔固定的铣削时间测量刀具磨损值，一个刀具磨损值对应该段铣削时间采集到的一组原始传感器信号。

步骤二、对采集到的各原始传感器信号做特征提取，计算出各信号的时域特征、频域特征和时频域特征，减少原始信号的数据量，降低数据维度，得到原始特征矩阵；使用时域、频域和时频域分析方法对原始信号进行处理，计算代表不同物理意义的特征值。

传感器信号的数据为X＝{x_i,i＝1,2,3,…I}。信号x(t)幅值谱的平方|X(ω)|²所排成的序列，称为该信号的功率谱，功率谱的计算公式如下式：

S(ω)＝|X(ω)|²#(1)

步骤三、选用皮尔森相关系数法、互信息系数法和模糊C聚类法选择出对刀具磨损演化敏感的特征。

(1)皮尔森相关系数。

皮尔森相关系数的计算公式为：

式中，ρ_mn为皮尔森相关系数，用来比较的特征为M＝{m_i,i＝1,2,3,…I}，刀具磨损值为N＝{n_i,i＝1,2,3,…I}。

计算各特征与刀具磨损值皮尔森相关系数，设定相关系数阈值为0.9。

(2)互信息系数。

互信息系数的计算公式为：

式中，I(N,M)为互信息系数，P(m_i,n_j)为m_i和n_j的联合分布概率。

计算各特征与刀具磨损值互信息系数，设定系数阈值为0.85。

(3)模糊C聚类。

利用模糊C聚类算法，将刀具磨损值向量与92个特征向量组合构成93个数据点，将这些数据点划分为两个聚类簇。将隶属度大小视为与刀具磨损相关性大小，设定隶属度阈值为0.8。

步骤四、将选择出的特征使用归一化方法消除特征之间量纲和幅值的差异后，将特征值压缩到[0，1]的范围内。构建大小为T＝P×Q的特征矩阵作为后续演化聚类模型的输入，其中，P为刀具磨损值的数量，Q为选择出的特征数量。

步骤五、对特征矩阵和刀具磨损值两种演化数据分别做演化聚类分析，选用凝聚层次聚类法作为聚类分析方法，选用Calinski-Harabasz指数、Davies-Bouldin指数和Silhouette系数确定最优聚类数目，选用主成分分析法对特征矩阵降维，按时间顺序对前若干个数据点做凝聚层次聚类分析，分别得到特征矩阵和刀具磨损值随铣削时间的增加聚类分析结果的演化趋势，与这两种数据演化聚类分析结果的吻合程度。对比特征矩阵演化聚类结果中每个元素所在的聚类簇与刀具磨损值演化聚类结果中每个元素所在的聚类簇是否相同，得到整个刀具磨损周期内特征矩阵与刀具磨损值对应元素的吻合率。

本发明的有益效果是：该方法首先采集传感器信号，提取特征值，选用相关系数计算方法筛选对刀具磨损值演化敏感的特征，归一化构造特征矩阵，使用Calinski-Harabasz指数、Davies-Bouldin指数和Silhouette系数确定最优聚类数目，最后利用凝聚层次聚类方法对刀具磨损值和特征矩阵两种演化数据做聚类分析，对比特征矩阵演化聚类结果中每个元素所在的聚类簇与刀具磨损值演化聚类结果中每个元素所在的聚类簇是否相同，得到整个刀具磨损周期内特征矩阵与刀具磨损值对应元素较高的吻合率，实用性好。

下面结合附图和具体实施方式对本发明作详细说明。

附图说明

图1是本发明基于演化数据聚类分析的切削刀具磨损监测方法的流程图。

图2是本发明方法以力传感器和振动传感器采集铣削过程传感器信号的示意图。

图3是本发明方法实施例采集的三个方向切削力信号示意图。

图4是本发明方法实施例采集的振动信号示意图。

图5是本发明方法实施例采集的X方向切削力信号最大值特征趋势图。

具体实施方式

参照图1-5。本发明以力传感器和振动传感器为例，机床选择五轴数控铣床，铣刀选择单齿镶片刀，工件材料为GH4169高温合金，尺寸为196mm×120mm×16mm，来说明基于高温合金材料切削刀具磨损演化数据的采集、处理、选择过程和聚类分析的具体步骤。

步骤一、原始演化数据的采集。

将测力平台安装到五轴数控铣床工作台上，利用压板和垫块组成夹具将工件材料固定在测力台上，振动传感器安装在工件侧面，以工件左下角为加工原点进行对刀，加工路线沿工件长度方向从左向右进行切削，每一次加工长度为工件长度。每铣削一定距离将铣刀取下，使用Alicona全自动测刀仪测量铣刀后刀面磨损带平均宽度VB值。刀具磨损值VB是典型的演化数据，随铣削距离的增加以不同速率增大，是一个不可逆的过程。一个刀具磨损值对应一组原始力信号和一组原始振动信号。本步骤中采集到的刀具磨损值、力信号和振动信号为原始演化数据。

图3为采集的三个方向切削力信号样本。

图4为采集的振动信号样本。

步骤二、传感器信号特征提取。

由于原始信号的数据量大，数据维度高，冗余和干扰信息多。原始信号中与刀具磨损不相关的信息会增加演化聚类模型的计算量，所以原始信号并不能直接作为演化聚类模型的输入。为了降低原始信号的数据量和数据维度，本发明专利使用时域、频域和时频域分析方法对原始信号进行处理，计算代表不同物理意义的特征值。

时域特征有的：最大值、平均值、峰谷值、方差、标准差、均方根、偏度、峭度、波形因子、峰值因子、脉冲因子、裕度因子；频域中功率谱的特征有：重心频率、均方频率、频率方差；时频域中经过三层小波包变换后，八个小波包子空间的能量特征。表1为本实施例使用的时域特征的计算公式，其中传感器信号的数据为X＝{x_i,i＝1,2,3,…I}。信号x(t)幅值谱的平方|X(ω)|²所排成的序列，称为该信号的功率谱，功率谱的计算公式如下式：

S(ω)＝|X(ω)|²#(1)

表2为本实施例使用的频域特征的计算公式。

图5是采集的X方向切削力信号最大值特征趋势图。

表1：

表2：

步骤三、传感器信号特征选择。

步骤二中提取的特征并不都明显的反映出刀具磨损值的变化趋势，信息过于冗余也会导致聚类分析的结果混乱，因此，需要进一步筛选出对刀具磨损值的变化敏感但不冗余的特征，这个过程称为特征选择。本发明专利综合皮尔森相关系数法、互信息系数法、模糊C均值聚类法来选择出对刀具磨损演化敏感的特征。

(1)皮尔森相关系数。

皮尔森相关系数的计算公式为：

式中：ρ_mn为皮尔森相关系数，用来比较的特征为M＝{m_i,i＝1,2,3,…I}，刀具磨损值为N＝{n_i,i＝1,2,3,…I}。

计算各特征与刀具磨损值皮尔森相关系数，设定相关系数阈值为0.9，筛选出与刀具磨损值相关性明显高的特征。

(2)互信息系数。

互信息系数的计算公式为：

式中：I(N,M)为互信息系数，P(m_i,n_j)为m_i和n_j的联合分布概率。

计算各特征与刀具磨损值互信息系数，设定系数阈值为0.85，筛选出与刀具磨损值相关性明显高的特征。

(3)模糊C聚类。

聚类分析是按照某种标准，将数据点划分到不同的聚类簇中，保证相同聚类簇中数据点的最大相似度，和不同聚类簇中数据点的最小相似度。模糊C均值聚类算法与常见的聚类分析算法如K均值聚类比较，不同之处在于，K均值聚类算法硬性的将数据点划分到某个聚类簇中，而模糊C均值聚类算法加入了模糊的概念，不再把数据点绝对地划分到某聚类簇中，而是同时属于所有的聚类簇，以介于[0，1]的隶属度来表示某数据点隶属于某个聚类簇的程度。

利用模糊C聚类算法，将刀具磨损值向量与92个特征向量组合构成93个数据点，将这些数据点划分为两个聚类簇。其中与刀具磨损值向量在同一聚类簇的特征，视为与刀具磨损相关性较好，将隶属度大小视为与刀具磨损相关性大小；而在另一聚类簇中的特征则看做与刀具磨损演化无关。设定隶属度阈值为0.8，筛选出与刀具磨损值相关性明显高的特征。

在步骤三中，对皮尔森相关系数法、互信息系数法、模糊C均值聚类法分别选出的特征取交集，作为最终选择出的特征。

步骤四、特征矩阵的构建和归一化。

由于不同的特征有不同的量纲和数量级，且特征之间的数量级差距很大，直接构建特征矩阵，并将特征矩阵输入聚类分析模型中会减弱数量级较低特征的影响。为了提取所选出特征的趋势，而摒弃它们的量纲和数量级对聚类结果造成的影响，有必要对所选特征进行归一化处理，将特征值压缩到[0，1]的范围内。构建大小为T＝P×Q的特征矩阵作为后续演化聚类模型的输入，其中P为该实验组中刀具磨损值的数量，Q为步骤三选择出特征的数量。

步骤五。演化聚类分析。

按时间顺序连续对前若干个特征矩阵和刀具磨损值两种演化数据做聚类分析，选用凝聚层次聚类方法做为聚类分析方法，选用Calinski-Harabasz指数、Davies-Bouldin指数和Average Silhouette Method轮廓系数确定每次聚类的最优聚类数目，选用主成分分析法对特征矩阵进行降维来使演化聚类分析结果可视化。从演化聚类结果中寻找到聚类簇的出现、变化、分裂、消失等规律，并对比特征矩阵与刀具磨损值演化聚类结果发现了两者的相似性，得到使用特征矩阵的演化聚类结果能代替刀具磨损值的演化聚类结果来判断刀具磨损状态的结论。

Claims (1)

1.一种基于演化数据聚类分析的切削刀具磨损监测方法，其特征在于包括以下步骤：

步骤一、搭建加工平台，利用切削力传感器、振动传感器、声发射传感器、电流传感器、温度传感器、功率传感器和扭矩传感器采集工件加工时与刀具磨损密切相关的各类传感器信号；在相同的加工参数下，每隔固定的铣削时间测量刀具磨损值，一个刀具磨损值对应该段铣削时间采集到的一组原始传感器信号；

步骤二、对采集到的各原始传感器信号做特征提取，计算出各信号的时域特征、频域特征和时频域特征，减少原始信号的数据量，降低数据维度，得到原始特征矩阵；

使用时域、频域和时频域分析方法对原始信号进行处理，计算代表不同物理意义的特征值；

传感器信号的数据为X＝{x_i,i＝1,2,3,…I}；信号x(t)幅值谱的平方|I(ω)|²所排成的序列，称为该信号的功率谱，功率谱的计算公式如下式：

S(ω)＝|X(ω)|² (1)

步骤三、选用皮尔森相关系数法、互信息系数法和模糊C聚类法选择出对刀具磨损演化敏感的特征；

(1)皮尔森相关系数；

皮尔森相关系数的计算公式为：

式中，ρ_mn为皮尔森相关系数，用来比较的特征为M＝{m_i,i＝1,2,3,…I}，刀具磨损值为N＝{n_i,i＝1,2,3,…I}；

计算各特征与刀具磨损值皮尔森相关系数，设定相关系数阈值为0.9；

(2)互信息系数；

互信息系数的计算公式为：

式中，I(N,M)为互信息系数，P(m_i,n_j)为m_i和n_j的联合分布概率；

计算各特征与刀具磨损值互信息系数，设定系数阈值为0.85；

(3)模糊C聚类；

利用模糊C聚类算法，将刀具磨损值向量与92个特征向量组合构成93个数据点，将这些数据点划分为两个聚类簇，其中与刀具磨损值向量在同一聚类簇的特征，视为与刀具磨损相关性较好，将隶属度大小视为与刀具磨损相关性大小；而在另一聚类簇中的特征则看做与刀具磨损演化无关；将隶属度大小视为与刀具磨损相关性大小，设定隶属度阈值为0.8；

步骤四、将选择出的特征使用归一化方法消除特征之间量纲和幅值的差异后，将特征值压缩到[0，1]的范围内；构建大小为T＝P×Q的特征矩阵作为后续演化聚类模型的输入，其中，P为刀具磨损值的数量，Q为选择出的特征数量；

步骤五、对特征矩阵和刀具磨损值两种演化数据分别做演化聚类分析，选用凝聚层次聚类法作为聚类分析方法，选用Calinski-Harabasz指数、Davies-Bouldin指数和Silhouette系数确定最优聚类数目，选用主成分分析法对特征矩阵降维，按时间顺序对前若干个数据点做凝聚层次聚类分析，分别得到特征矩阵和刀具磨损值随铣削时间的增加聚类分析结果的演化趋势，与这两种数据演化聚类分析结果的吻合程度；对比特征矩阵演化聚类结果中每个元素所在的聚类簇与刀具磨损值演化聚类结果中每个元素所在的聚类簇是否相同，得到整个刀具磨损周期内特征矩阵与刀具磨损值对应元素的吻合率。

Images