CN111230159B - 一种多传感器融合的车刀状态监测方法及系统 - Google Patents

Abstract

本发明提供一种多传感器融合的车刀状态监测方法及系统，涉及车刀状态监测技术领域，包括如下步骤：采集车刀工作过程中的声发射信号和电流信号；对声发射信号和电流信号进行特征提取后进行归一化处理；将归一化处理后的数据输入神经网络模型进行结果识别；上述步骤中，在采集声发射信号和电流信号步骤后，还包括车刀极限磨损判定步骤，车刀极限磨损判定与特征提取并列进行；所述车刀极限磨损判定的方式为：在轻载荷区，通过声发射信号判定；在中载荷区，通过声发射信号和电流信号协同判定；在重载荷区，通过电流信号判定。本发明结合了声发射信号和电流信号对刀具磨损状态进行监测，这样拓宽监测的范围，从而提高监测精度判别成功率。

Description

一种多传感器融合的车刀状态监测方法及系统

技术领域

本发明涉及车刀状态监测技术领域，具体涉及一种多传感器融合的车刀状态监测方法及系统。

背景技术

制造业中，为保证自动化加工设备的安全和加工质量，迫切需要解决加工过程中的监控问题，刀具状态变化是机械加工过程中最常见的故障之一。刀具磨损、破损和崩刃是几种较常见的刀具状态变化，这些变化都会影响工件尺寸精度和表面加工质量，甚至还会危及机床、工件和人员的安全。为减少甚至是避免这一系列问题，需对加工过程中的刀具磨损状态进行实时监测。刀具状态监测技术基于现代传感器技术、信号处理技术、计算机技术和制造技术发展起来的技术，由于加工条件多样性、切削参数多样性和刀具磨损等原因使得刀具状态监测成为整个生产过程监测的重要环节。

如今，刀具状态监测方法主要有间接测量方法和直接测量方法。直接测量法判断刀具磨损情况主要是通过监测刀具磨损面反光强度、刀刃位移情况、切削面放射性、接触电阻和工件尺寸的变化；间接测量法判断刀具磨损情况主要是通过监测切削过程中某些与刀具磨损构成映射关系的参数，如温度、声发射、振动、切削力、扭矩及电流等信号的变化来间接映射刀具磨损情况。直接测量法主要包括光学图谱法、接触法、放电性技术和工件尺寸测量法，间接测量法主要包括切削温度测量法、声发射监测法、振动监测法和切削力监测法。

基于现阶段刀具状态监测技术，直接测量法虽然能获得直观数据从而避免复杂数据分析，但是在采集数据中容易受到环境干扰，从而导致数据不可靠、测量精度不高。间接测量法虽然能采集准确度较高的数据，但是却不能直观反映刀具磨损状态，而需要建立数学模型进行特征提取，此过程较复杂。

目前，间接测量法是刀具磨损状态监测的主流方法，而振动监测法又是间接测量法里最常用的方法。原因是这种方法相比于其它间接法更加简单方便，但是此方法比较适用于具有良好工况的场合，如果在振动干扰较大的场合，这种方法还是存在很大局限性，往往结果也不是很理想。对于间接测量法中的电流信号分析法，其相对于其它方法而言优点是成本低、抗干扰性强等，这种方法是一种实用性强工业应用方法，但是它也有灵敏度低、动态测量范围小等缺点。基于这种只用一种传感器监测无法全面且准确反映刀具磨损特征信息的问题，我们可以采用多传感器融合监测来弥补单一传感器失灵或由于一些噪声干扰造成传感器误判的缺陷，这样可以大大提高采集数据的准确性。对于传感器的安装也存在一些问题，因为加工刀具和环境的干涉，传感器的安装位置可能大多都不太理想，基于此问题，使传感器与机床集成一体，将传感器内嵌于三爪卡盘之中或者是内嵌于所要使用的刀杆体中，使其兼有夹持工件和采集数据的功能，也可以提高采集精度。

发明内容

本发明的目的在于：为解决现有技术中只用一种传感器监测无法全面且准确反映刀具磨损特征信息的问题，本发明提供一种多传感器融合的车刀状态监测方法。

本发明的技术方案如下：

一种多传感器融合的车刀状态监测方法，包括如下步骤：

采集车刀工作过程中的声发射信号和电流信号；

对声发射信号和电流信号进行特征提取后进行归一化处理；

将归一化处理后的数据输入神经网络模型进行结果识别；

上述步骤中，在采集声发射信号和电流信号步骤后，还包括车刀极限磨损判定步骤，车刀极限磨损判定与特征提取并列进行；

所述车刀极限磨损判定的方式为：在轻载荷区，通过声发射信号判定；在中载荷区，通过声发射信号和电流信号协同判定；在重载荷区，通过电流信号判定。

具体地，所述车刀极限磨损判定的具体步骤包括：

在轻载荷区：

a1.输入声发射信号x，判定x是否小于声发射信号阈值x_thr，若是，则判定车刀状态正常，车刀继续工作；否则，判定车刀状态为极限磨损或破损，车刀暂停工作；

在中载荷区：

b1.输入声发射信号x，判定x是否小于声发射信号阈值x_thr，若是，则判定车刀状态正常，车刀继续工作；否则，进入步骤b2；

b2.输入电流信号i，判定在δ秒内i是否小于电流信号阈值i_thr，若是，则判定车刀状态正常，车刀继续工作；否则，判定车刀状态为极限磨损或破损，车刀暂停工作；

在重载荷区：

c1.输入电流信号i，判定i是否小于电流信号阈值i_thr，若是，则判定车刀状态正常，车刀继续工作；否则，判定车刀状态为极限磨损或破损，车刀暂停工作。

进一步地，在所述轻载荷区、中载荷区或重载荷区，在所述判定车刀状态为极限磨损或破损后，进行报警。

进一步地，所述采集车刀工作过程中的声发射信号和电流信号步骤与所述对声发射信号和电流信号进行特征提取后进行归一化处理步骤之间，还包括数据不平衡处理步骤。

具体地，所述不平衡处理步骤包括：

S21.输入数据集D和过采样率α；

S22.将数据集D分成正常样本集normal和故障样本集false，将正常样本集划分为正常类子簇；

S23.根据S22得到的正常类子簇划分故障类样本为不同的故障类子簇；

S24.计算每个故障类子簇误分率，计算公式为：

式中，Cfal_k表示故障类子簇，t_k表示Cfal_k中误分样本数，m_k表示Cfal_k中总样本数；

再计算每个故障类子簇过采样权重，计算公式为：

式中，α表示过采样率，且满足0≤α≤1，N_nor表示原始数据集中正常类样本数，N_fal表示原始数据集中故障类样本数，n表示Cfal_k中样本个数；

S25.计算每个故障类子簇的概率分布，结合S24得到的每个故障类子簇的过采样权重对故障类子簇中样本进行过采样，同时对合成样本进行预测，预测正确则将合成样本添入新数据集TD中；故障类子簇的概率分布计算公式为：

式中，n表示Cfal_k中样本个数，t表示近邻样本个数，b_k表示a的第k个正常类样本近邻，1≤k≤t，

表示故障类样本a与正常类样本b_k之间的欧式距离

具体地，所述数据输入神经网络模型进行结果识别的结果包括：初期磨损阶段、正常磨损阶段和急剧磨损阶段。

同时，本发明提供一种多传感器融合的车刀状态监测系统，包括：

数据采集模块，用于采集声发射信号和电流信号；

数据传输模块，用于将数据采集模块采集的数据发送至数据监控模块；

监控模块，用于对采集的数据进行特征提取、归一化处理和通过神经网络模型进行结果识别，还用于对车刀极限磨损判定；

所述监控模块对车刀极限磨损判定方式为：在轻载荷区，通过声发射信号判定，在中载荷区，通过声发射信号和电流信号协同判定，在重载荷区，通过电流信号判定。

优选地，所述数据传输模块采用ZigBee无线传输模块。

采用上述方案后，本发明的有益效果如下：

(1)本发明结合了声发射信号和电流信号对刀具磨损状态进行监测，同时选择这两种信号可以利用各个监测信号的长处来互补，这样拓宽监测的范围，从而提高监测精度判别成功率。

(2)本发明能够识别车刀极限磨损，并暂停车刀工作并报警，避免失修造成的严重故障，防止过多维护引起的浪费，提高刀具利用效率，在减少甚至避免巨大经济损失和人员伤亡的同时，还可以保证切削加工过程安全且高效地进行。

(3)本发明既考虑到类间数据不平衡，即正常类与故障类之间的不平衡，也考虑到类内数据不平衡，即故障类样本分布不均匀造成的不平衡。经过本发明的过采样步骤处理数据后，能够大大提高识别的准确度。

(4)本发明采用提前嵌入传感器的方式，在刀具磨损状态监测中可以降低因加工刀具和环境的干涉，从而提高采集的精确度。

附图说明

图1为本发明的具体实施方式中的车刀状态监测方法示意图；

图2为本发明具体实施方式中的车刀极限磨损判定方式示意图；

图3为本发明具体实施方式中的不平衡处理的流程图；

图4为本发明具体实施方式中的系统结构图；

图5为本发明具体实施方式中的ZigBee无线传输模块的结构图；

图6为本发明具体实施方式中的遥控器对zigbee终端节点控制示意图；

图4中，附图标记：1—三爪卡盘；2—工件；3—车刀；4—霍尔效应电流传感器；5—压电式传感器。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

如图4所示，本发明的多传感器融合的车刀状态监测方法是基于对应的系统的，本发明的系统包括:

数据采集模块，用于采集声发射信号和电流信号,包括压电式传感器和霍尔效应电流传感器；为了更好地采集数据，压电式传感器式内嵌于车刀的刀杆中，霍尔电流传感器内嵌于三爪卡盘中，这使得传感器兼有夹持工件和采集数据的功能，还可以提高采集精度；

数据传输模块，用于将数据采集模块采集的数据发送至数据监控模块；本具体实施方式中，数据传输模块采用无线通信模块，优选地，选用ZigBee无线传输模块，如图5所示，ZigBee无线传输模块主要由ZigBee终端节点、路由器和协调器组成。ZigBee包括3种网络结构，分别是星形网络、树形网络和网状网络，本具体实施方式中采用的是树形网络。树形网络结构中，终端节点的数据传递给路由器或协调器，路由器接收到数据之后将其转发给协调器或相邻的路由器，实现数据中转的作用。在这种结构中，协调器只有一个。具体地，ZigBee网络的核心是TI CC250微处理器，能够以非常低的成本建立网络且具有不同的运行模式且适应超低功耗要求的系统。

监控模块，用于对采集的数据进行特征提取、归一化处理和通过神经网络模型进行结果识别，还用于对车刀极限磨损判定；本具体实施方式中的监控模块具体采用计算机来实现，计算机的上位机软件采用的是基于Visual Studio的TwinCAT3软件，使用C#编程来实现监控模块的功能，可以理解的是，监控模块还可以通过其他智能终端实现。所述监控模块对车刀极限磨损的判定方式为：在轻载荷区，通过声发射信号判定，在中载荷区，通过声发射信号和电流信号协同判定，在重载荷区，通过电流信号判定。

进一步地，为使采集的数据更加清晰、稳定，本具体实施方式的系统还包括数据预处理模块，数据预处理模块包括电荷放大器、低通滤波器和A/D转换器，此为现有的常规技术，在此不作展开说明。

更进一步地，本具体实施方式的系统还包括遥控器，通过遥控器来控制ZigBee终端节点内的单片机是否接受传感器的信号，如图6所示，具体地，这里信号的接收与否是通过控制单片机是否进入中断状态来完成。作为优选，遥控器采用无线电遥控方式，可以使用PT2262、PT2267编码、解码芯片制作，在433M公用频带上进行遥控，此为现有的常规技术，在此不作展开说明。

下面，将结合上述的本发明的系统对本发明的方法进行更加详细的说明。

如图1所示，本发明的包括如下步骤：

S1.在车刀切削加工过程中，数据采集模块通过压电式传感器采集声发射信号，通过霍尔效应电流传感器采集电流信号；无线通信模块将声发射信号和电流信号通过ZigBee组网将声发射信号和电流信号传输至监控模块；

S2.对传输监控模块的数据进行数据不平衡处理步骤，即在将数据导入神经网络前，为获得更有效的数据信息，对不平衡数据中的样本进行过采样；本具体实施方式提出一种改进过采样算法——WD-SMOTE(Weight Distribution-SMOTE)进行数据不平衡处理，该方法既考虑到类间数据不平衡，即正常类与故障类之间的不平衡，也考虑到类内数据不平衡，即故障类样本分布不均匀造成的不平衡。该步骤处理数据后，能够大大提高后续识别的准确度，如图3所示，所述不平衡处理步骤包括：

S21.输入数据集D和过采样率α；

S22.将数据集D分成正常样本集normal和故障样本集false，将正常样本集划分为正常类子簇；

S23.根据S22得到的正常类子簇划分故障类样本为不同的故障类子簇；

S24.计算每个故障类子簇误分率，计算公式为：

式中，Cfal_k表示故障类子簇，t_k表示Cfal_k中误分样本数，m_k表示Cfal_k中总样本数；

再计算每个故障类子簇过采样权重，计算公式为：

式中，α表示过采样率，且满足0≤α≤1，N_nor表示原始数据集中正常类样本数，C_fal表示原始数据集中故障类样本数，n表示Cfal_k中样本个数；

S25.计算每个故障类子簇的概率分布，结合S24得到的每个故障类子簇的过采样权重对故障类子簇中样本进行过采样，同时对合成样本进行预测，预测正确则将合成样本添入新数据集TD中；故障类子簇的概率分布计算公式为：

式中，n表示Cfal_k中样本个数，t表示近邻样本个数，b_k表示a的第k个正常类样本近邻，1≤k≤t，

表示故障类样本a与正常类样本b_k之间的欧式距离。

S3.对声发射信号和电流信号进行特征提取后进行归一化处理；

S4.将归一化处理后的数据输入神经网络模型进行结果识别；神经网络的种类有很多，如BP神经网络(BP—Back Propagation)、卷积神经网络(CNN—ConvolutionalNeural Network)、深度置信网络(DBN—Deep Belief Network)、径向基神经网络(RBF—Radial Basis Function)等等。本具体实施方式采用BP神经网络实现车刀磨损状态监测，所选用的BP网络为单隐层的网络结构。需要设定该网络训练次数和训练终止误差e₁,利用训练集对网络进行训练，再将测试集中的样本输入网络得误差e₂，在e₁和e₂都较好的状况下，将网络中权值的最小值和最大值分别设为w_min和w_max，以[w_min,w_max]作为网络权重范围。输入层为经过平衡处理后的数据集中提取出的各个特征，输出层为识别状态和该网络模型精度。

刀具磨损状态分为三个阶段：初期磨损阶段、正常磨损阶段和极限磨损阶段，神经网络利用切削加工参数和所采集的传感器信号作为输入参数，建立刀具磨损和信号特征之间的映射关系，从而获得刀具的磨损状态和磨损量数据。

上述步骤中，在采集声发射信号和电流信号后，为防止车刀损害，还包括车刀极限磨损判定步骤，如图1所示，车刀极限磨损判定步骤与后续的步骤是并列进行的；如图2所示，车刀极限磨损判定方式包括：

在轻载荷区：

a1.输入声发射信号x，判定x是否小于提前设定好的声发射信号阈值x_thr，若是，则判定车刀状态正常，车刀继续工作；否则，判定车刀状态为极限磨损或破损，车刀暂停工作，并进行报警；

在中载荷区：

b1.输入声发射信号x，判定x是否小于提前设定好的声发射信号阈值x_thr，若是，则判定车刀状态正常，车刀继续工作；否则，进入步骤b2；

b2.输入电流信号i，判定在δ秒内i是否小于电流信号阈值i_thr，若是，则判定车刀状态正常，车刀继续工作；否则，判定车刀状态为极限磨损或破损，车刀暂停工作，并进行报警；

在重载荷区：

c1.输入电流信号i，判定i是否小于电流信号阈值i_thr，若是，则判定车刀状态正常，车刀继续工作；否则，判定车刀状态为极限磨损或破损，车刀暂停工作，并进行报警。

具体而言，车刀暂停工作可以通过人工暂停的方式，也可以通过自动暂停的方式，报警的也有方式有多种，比如远程报警、声光报警、灯光报警、蜂鸣报警或振动报警等。可以理解的是，车刀暂停工作可以是与报警同时进行，也可以是先报警再停止，还可以是先停止再报警，图中只显示了一种流程，上述的车刀暂停与报警先后的三种顺序皆在本发明的保护范围之内。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种多传感器融合的车刀状态监测方法，其特征在于，包括如下步骤：

采集车刀工作过程中的声发射信号和电流信号；

对声发射信号和电流信号进行特征提取后进行归一化处理；

将归一化处理后的数据输入神经网络模型进行结果识别；

上述步骤中，在采集声发射信号和电流信号步骤后，还包括车刀极限磨损判定步骤，车刀极限磨损判定与特征提取并列进行；

所述车刀极限磨损判定的方式为：在轻载荷区，通过声发射信号判定；在中载荷区，通过声发射信号和电流信号协同判定；在重载荷区，通过电流信号判定；

所述采集车刀工作过程中的声发射信号和电流信号步骤与所述对声发射信号和电流信号进行特征提取后进行归一化处理步骤之间，还包括数据不平衡处理步骤；

所述数据不平衡处理步骤包括：

S21.输入数据集D和过采样率α；

S22.将数据集D分成正常样本集normal和故障样本集false，将正常样本集划分为正常类子簇；

S23.根据S22得到的正常类子簇划分故障类样本为不同的故障类子簇；

S24.计算每个故障类子簇误分率，计算公式为：

式中，Cfal_k表示故障类子簇，t_k表示Cfal_k中误分样本数，m_k表示Cfal_k中总样本数：

再计算每个故障类子簇过采样权重，计算公式为：

式中，α表示过采样率，且满足0≤α≤1，N_nor表示原始数据集中正常类样本数，N_fal表示原始数据集中故障类样本数，n表示Cfal_k中样本个数；

S25.计算每个故障类子簇的概率分布，结合S24得到的每个故障类子簇的过采样权重对故障类子簇中样本进行过采样，同时对合成样本进行预测，预测正确则将合成样本添入新数据集TD中；故障类子簇的概率分布计算公式为：

式中，n表示Cfal_k中样本个数，t表示近邻样本个数，b_k表示a的第k个正常类样本近邻，1≤k≤t，

表示故障类样本a与正常类样本b_k之间的欧式距离。

2.根据权利要求1所述的一种多传感器融合的车刀状态监测方法，其特征在于，所述车刀极限磨损判定的具体步骤包括：

在轻载荷区：

a1.输入声发射信号x，判定x是否小于声发射信号阈值x_thr，若是，则判定车刀状态正常，车刀继续工作；否则，判定车刀状态为极限磨损或破损，车刀暂停工作；

在中载荷区：

b1.输入声发射信号x，判定x是否小于声发射信号阈值x_thr，若是，则判定车刀状态正常，车刀继续工作；否则，进入步骤b2；

b2.输入电流信号i，判定在δ秒内i是否小于电流信号阈值i_thr，若是，则判定车刀状态正常，车刀继续工作；否则，判定车刀状态为极限磨损或破损，车刀暂停工作；

在重载荷区：

c1.输入电流信号i，判定i是否小于电流信号阈值i_thr，若是，则判定车刀状态正常，车刀继续工作；否则，判定车刀状态为极限磨损或破损，车刀暂停工作。

3.根据权利要求2所述的一种多传感器融合的车刀状态监测方法，其特征在于，在所述轻载荷区、中载荷区或重载荷区，在所述判定车刀状态为极限磨损或破损后，进行报警。

4.根据权利要求1所述的一种多传感器融合的车刀状态监测方法，其特征在于，所述数据输入神经网络模型进行结果识别的结果包括：初期磨损阶段、正常磨损阶段和急剧磨损阶段。

5.一种多传感器融合的车刀状态监测系统，其特征在于，包括：

数据采集模块，用于采集声发射信号和电流信号；

数据传输模块，用于将数据采集模块采集的数据发送至数据监控模块；

监控模块，用于对采集的数据进行特征提取、归一化处理和通过神经网络模型进行结果识别，还用于对车刀极限磨损判定，所述监控模块内，还能对采集的数据进行不平衡处理，不平衡处理步骤包括：

S21.输入数据集D和过采样率α；

S22.将数据集D分成正常样本集normal和故障样本集false，将正常样本集划分为正常类子簇；

S23.根据S22得到的正常类子簇划分故障类样本为不同的故障类子簇；

S24.计算每个故障类子簇误分率，计算公式为：

式中，Cfal_k表示故障类子簇，t_k表示Cfal_k中误分样本数，m_k表示Cfal_k中总样本数：

再计算每个故障类子簇过采样权重，计算公式为：

式中，α表示过采样率，且满足0≤α≤1，N_nor表示原始数据集中正常类样本数，N_fal表示原始数据集中故障类样本数，n表示Cfal_k中样本个数；

S25.计算每个故障类子簇的概率分布，结合S24得到的每个故障类子簇的过采样权重对故障类子簇中样本进行过采样，同时对合成样本进行预测，预测正确则将合成样本添入新数据集TD中；故障类子簇的概率分布计算公式为：

式中，n表示Cfal_k中样本个数，t表示近邻样本个数，b_k表示a的第k个正常类样本近邻，1≤k≤t，

表示故障类样本a与正常类样本b_k之间的欧式距离；

所述监控模块对车刀极限磨损判定方式为：在轻载荷区，通过声发射信号判定，在中载荷区，通过声发射信号和电流信号协同判定，在重载荷区，通过电流信号判定。

6.根据权利要求5所述的一种多传感器融合的车刀状态监测系统，其特征在于，所述车刀极限磨损监测模块内车刀极限磨损判定具体步骤包括：

在轻载荷区：

a1.输入声发射信号x；判定x是否小于声发射信号阈值x_thr，若是，则判定车刀状态正常，车刀继续工作；否则，判定车刀状态为极限磨损或破损，车刀暂停工作；

在中载荷区：

b1.输入声发射信号x；判定x是否小于声发射信号阈值x_thr，若是，则判定车刀状态正常，车刀继续工作；否则，进入步骤b2；

b2.输入电流信号i，判定在δ秒内i是否小于电流信号阈值i_thr，若是，则判定车刀状态正常，车刀继续工作；否则，判定车刀状态为极限磨损或破损，车刀暂停工作；

在重载荷区：

c1.输入电流信号i，判定i是否小于电流信号阈值i_thr，若是，则判定车刀状态正常，车刀继续工作；否则，判定车刀状态为极限磨损或破损，车刀暂停工作。

7.根据权利要求5所述的一种多传感器融合的车刀状态监测系统，其特征在于，所述数据采集模块包括内嵌于车刀的刀杆中的压电式传感器和内嵌于三爪卡盘中的霍尔电流传感器；所述数据传输模块采用ZigBee无线传输模块。

Images