CN111582211B - 一种基于改进高斯隐马尔科夫模型的机械加工任务细粒度监测方法 - Google Patents

一种基于改进高斯隐马尔科夫模型的机械加工任务细粒度监测方法 Download PDF

Info

Publication number
CN111582211B
CN111582211B CN202010410048.5A CN202010410048A CN111582211B CN 111582211 B CN111582211 B CN 111582211B CN 202010410048 A CN202010410048 A CN 202010410048A CN 111582211 B CN111582211 B CN 111582211B
Authority
CN
China
Prior art keywords
hidden markov
task
markov model
signal
machining
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010410048.5A
Other languages
English (en)
Other versions
CN111582211A (zh
Inventor
黄彬
朱圣杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN202010410048.5A priority Critical patent/CN111582211B/zh
Publication of CN111582211A publication Critical patent/CN111582211A/zh
Application granted granted Critical
Publication of CN111582211B publication Critical patent/CN111582211B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Complex Calculations (AREA)

Abstract

本发明涉及一种基于改进高斯隐马尔科夫模型的机械加工任务细粒度监测方法，首先以高斯隐马尔科夫模型为基础，在其之上增加预训练机制和迁移机制，构造改进高斯隐马尔科夫模型
Figure DEST_PATH_IMAGE002
；通过步骤训练的改进高斯隐马尔科夫模型
Figure 598370DEST_PATH_IMAGE002
解码机械加工过程中采集的功率信号，判断与功率信号对应的机械加工设备所执行的加工任务，实现对机械加工任务的监测。本发明以传统隐马尔科夫模型的变型高斯隐马尔科夫模型为基础，在其之上增加了预训练机制和迁移机制，提高了算法的准确率和鲁棒性。

Description

一种基于改进高斯隐马尔科夫模型的机械加工任务细粒度监 测方法
技术领域
本发明涉及机械切削加工领域，特别是一种基于改进高斯隐马尔科夫模型的机械加工任务细粒度监测方法。
背景技术
随着现代工业的发展，信息技术和网络技术已经在生产车间中得到广泛应用，数字化已经成为未来工业发展的主要方向。无疑，数字化技术对产线的生产管理、资源调度、异常处理等方面都提升明显，数字车间的建设也对企业的转型升级和适应市场有重要意义。机械加工生产在所有车间的生产形式中占据了主要地位，因此对机械加工任务的监测是数字化车间建设的重点之一。
机械加工任务监测是指对机床加工零件过程中所需完成的工作内容进行监测。目前，有关机械加工任务监测的技术主要分为三大类，一是利用机器视觉的方法监测机械加工任务，但是这种方法不适用于加工复杂零件的场景。二是利用无线射频识别(RFID)监测机械加工任务，但是这种方法只能实现粗粒度的加工任务监测。三是利用传感器采集机床的运行参数，通过参数特征或者模式监测机械加工任务，可以实现细粒度监测。但是这类方法的实施面临诸多难点：选择合适参数困难，不同工种、不同设备、不同任务所选取的运行参数不尽相同；参数的获取不易，光学、热学、力学等参数的获取需要在机床外置传感器或者采集器，安装和调试过程繁琐而且增加了系统的复杂度；方法鲁棒性不强，工艺参数的改变会导致监测准确率大幅下降，若想提升准确率则要重新进行模式识别。
发明内容
有鉴于此，本发明的目的是提供一种基于改进高斯隐马尔科夫模型的机械加工任务细粒度监测方法，提出了一种改进的高斯隐马尔科夫模型,并将该模型应用于机械加工设备功率信号分析，通过已训练的改进高斯隐马尔科夫模型解码机械加工过程中采集的功率信号，判断与功率信号对应的机械加工设备所执行的加工任务，实现对机械加工任务的监测。
本发明采用以下方案实现：一种基于改进高斯隐马尔科夫模型的机械加工任务细粒度监测方法，包括以下步骤：
步骤S1：以高斯隐马尔科夫模型为基础，在其之上增加预训练机制和迁移机制，构造改进高斯隐马尔科夫模型M2；
步骤S2：通过步骤S1训练的改进高斯隐马尔科夫模型M2解码机械加工过程中采集的功率信号，判断与功率信号对应的机械加工设备所执行的加工任务，实现对机械加工任务的监测。
进一步地，所述步骤S1具体包括以下步骤：
步骤S11：对原功率信号归一化处理，并通过滑动窗口法对归一化处理后的信号分片，增加训练数据数量，防止过拟合；将分片信号按一定比例分为预训练集和训练集，并对预训练集打标签；
步骤S12：进行预训练：通过对预训练集进行有监督学习预训练，构建初始概率矩阵
Figure BDA0002492444530000021
转移概率矩阵
Figure BDA0002492444530000022
均值矩阵
Figure BDA0002492444530000023
方差矩阵
Figure BDA0002492444530000024
得到以四元组
Figure BDA0002492444530000031
为特征的高斯隐马尔科夫模型Mp；
步骤S13：以步骤S12得到的模型Mp作为基础对训练集进行无监督训练，得到以四元组
Figure BDA0002492444530000032
为特征的高斯隐马尔科夫模型Mf。
步骤S14：预测：对于一段加工任务执行序列未知的观测信号，根据步骤S13中训练所得的高斯隐马尔科夫模型Mf进行解码，求解出该观测信号最有可能的加工任务执行序列；
步骤S15：特征迁移：为了适应工艺参数的变化，将已训练好的高斯隐马尔科夫模型四元组λf作为新模型的四元组，再通过小样本微调得到鲁棒性好的改进高斯隐马尔科夫模型M2。
进一步地，步骤S11中所述对原功率信号归一化处理的具体内容为：
设原功率信号的形式为：
P0＝[p01 p02 p03 ... p0t]
其中，p0t原功率信号P0中第t时刻测得的数据点，归一化处理对P0中的任意一个数据点p0t都采取如下形式的变换：
Figure BDA0002492444530000033
其中：p1t为变换后的信号P1＝[p11 p12 p13 ... p1t]中第t时刻数据点；Max(P0)为原功率信号P0中的最大值；Min(P0)为原功率信号P0中的最小值。
进一步地，步骤S11中所述通过滑动窗口法对归一化处理后的信号分片具体包括以下步骤：
步骤SA：根据实际情况设定滑动窗口的长度len，0＜len≤t,窗口滑动步长step，step＞0,滑动窗口起始位置start＝1；
步骤SB：计算滑动次数Ns：
Figure BDA0002492444530000041
其中,符号
Figure BDA0002492444530000042
表示向下取整；
步骤SC：截取信号P1在滑动窗口内的部分作为分片信号：
Figure BDA0002492444530000046
其中
Figure BDA0002492444530000047
为第e个滑动窗口所截取的信号分片。
步骤SD：按下述规则进行滑动窗口的滑动：
Figure BDA0002492444530000043
步骤SE：判断Ns是否为0，如果Ns＝0，则结束，否则返回到步骤
SC。
进一步地，步骤S11中所述将分片信号按一定比例分为预训练集和训练集，并对预训练集打标签具体包括以下步骤：
步骤Sa：设定预训练集比例系数Cp(0＜Cp＜1)；
步骤Sb：计算预训练集所占有的信号分片数目Np：
Figure BDA0002492444530000044
步骤Sc：从分片集
Figure BDA0002492444530000045
中随机选取Np个信号分片作为预训练集，剩下的信号分片作为训练集；
预训练集表示为：
Pp＝[OP1 OP2 OP3 ... OPm]T
训练集表示为：
Pf＝[OF1 OF2 OF3 ... OFn]T
其中，m＝Np,n＝Ns-Np；
OPm＝[OPm1 OPm2 OPm3 ... OPmlen]为预训练集Pp的第m个分片；
OFn＝[OFn1 OFn2 OFn3 ... OFnlen]为训练集Pf的第n个分片；
OPm1～OPmlen和OFn1～OFnlen分别为预训练集与训练集中的数据点；
步骤Sd：设定机械加工设备所执行的加工任务集合I：
I＝[I1 I2 I3 ... Ik]
I1～Ik表示设备要执行的所有加工任务种类，一共有k类；
对于预训练集中的每个数据点都标记上其对应的加工任务，作为标签集Ip：
Ip＝[IP1 IP2 IP3 ... IPm]
其中，IPm＝[IPm1 IPm2 IPm3 ... IPmlen]为标签集Ip的第m个分片，IPm1～IPmlen是与预训练集中OPm1～OPmlen对应的标签。
进一步地，所述步骤S12的具体包括以下步骤：
步骤S121：初始概率
Figure BDA0002492444530000051
的估计为：
Figure BDA0002492444530000052
步骤S122：转移概率
Figure BDA0002492444530000053
的估计为：
Figure BDA0002492444530000054
其中,Aij为从任务i转移到任务j的频数，Aim为从任务i转移到任务m的频数；
步骤S123：均值
Figure BDA0002492444530000061
的估计为：
Figure BDA0002492444530000062
其中,
Figure BDA0002492444530000063
为标签集分片IPi所对应的数据点；
步骤S124：方差
Figure BDA0002492444530000064
的估计为：
Figure BDA0002492444530000065
步骤S125：构建高斯函数矩阵G：
Figure BDA0002492444530000066
其中,x为数据点；
至此预训练完成，得到的以四元组
Figure BDA0002492444530000067
为特征的高斯隐马尔科夫模型Mp。
进一步地，所述步骤S13具体包括以下步骤：
步骤S131：从训练集中Pf选取信号分片OFn，n＝1；
步骤S132：观测概率的估计
Figure BDA0002492444530000068
Figure BDA0002492444530000069
其中,Gi()表示高斯函数矩阵G的第i个函数，OFnj为训练集OF中的第n个分片中的第j个数据点；
步骤S133：计算第j个时刻任务为i的前向概率
Figure BDA00024924445300000610
计算前向概率初值
Figure BDA00024924445300000611
进行递推，对于j＝2,3,...,len-1,有
Figure BDA0002492444530000071
步骤S134：计算第j个时刻任务为i的前向概率
Figure BDA0002492444530000072
计算初值：
Figure BDA0002492444530000073
递推：对于j＝len-1,len-2,...,1，有
Figure BDA0002492444530000074
步骤S135：计算第j个时刻任务为i的概率
Figure BDA0002492444530000075
Figure BDA0002492444530000076
步骤S136：计算第j个时刻任务为h且第j+1个时刻任务为i的概率
Figure BDA0002492444530000077
Figure BDA0002492444530000078
步骤S137：更新转移概率的估计
Figure BDA0002492444530000079
Figure BDA00024924445300000710
步骤S138：更新观测概率矩阵的估计
Figure BDA00024924445300000711
Figure BDA00024924445300000712
步骤S139：更新初始概率
Figure BDA0002492444530000081
Figure BDA0002492444530000082
步骤S1310：更新均值
Figure BDA0002492444530000083
和方差
Figure BDA0002492444530000084
求解下述方程即可：
Figure BDA0002492444530000085
步骤S1311：将步骤S132：至步骤S139：迭代c次，c为迭代次数，且c＞0；
步骤S1312：令n←n+1，重复步骤S131至步骤S138直到n＝Np；
最终得到初始概率矩阵
Figure BDA0002492444530000086
转移概率矩阵
Figure BDA0002492444530000087
均值矩阵
Figure BDA0002492444530000088
和方差矩阵
Figure BDA0002492444530000089
和四元组
Figure BDA00024924445300000810
为特征的高斯隐马尔科夫模型Mf。
进一步地，所述步骤S14具体包括以下步骤：
步骤S141：初始化
Figure BDA00024924445300000811
Figure BDA00024924445300000812
步骤S142：递推,对r＝2,3,...,len，有
Figure BDA00024924445300000813
Figure BDA00024924445300000814
步骤S143：终止
Figure BDA00024924445300000815
Figure BDA0002492444530000091
步骤S144：最可能任务回溯。对于r＝len-1,len-2,...,1，有
Figure BDA0002492444530000092
以上得出所采集的功率信号最可能的加工任务执行序列
Figure BDA0002492444530000093
进一步地，所述步骤S15的具体内容为：
迁移特征：令
λ2＝λf
其中
Figure BDA0002492444530000094
为已训练好的模型Mf的四元组，
Figure BDA0002492444530000095
为待训练模型M2的四元组；采集一小段功率信号，按步骤S11归一化处理，按步骤S13训练，按步骤S14预测即可。
进一步地，所述步骤S2具体包括以下步骤：
步骤S21：用功率采集器采集机械加工设备执行加工任务时的功率信号，记作Pr，其长度为l，l＞0，包含功率采集器从第1时刻到第l时刻采集的功率数据点；
步骤S22：对步骤S21中的功率信号Pr按步骤S11归一化处理得到信号Pr'；
步骤S23：用步骤S1中所得的改进高斯隐马尔科夫模型M2对步骤S22中的信号Pr'按步骤S14解码，得到信号Pr'所对应的加工任务执行序列S'＝[i'1 i′2 i′3 ... i'l]，其中i'1,i'2,i'3,...,i'l分别为该加工阶段设备第1时刻到第l时刻的所执行的加工任务且i'1,i'2,i'3,...,i'l∈I，I为所有加工任务的集合，l为信号Pr的长度，加工任务执行序列S'中第t，t＝1,2,3,...,l时刻的加工任务i't表示功率信号Pr中第t时刻的功率数据点所属的加工任务，由此实现对机械加工任务的监测。
与现有技术相比，本发明具有以下有益效果：
(1)本发明选用功率信号作为机械加工任务监测的参数。功率信号不仅可以反映机械加工过程能耗和工作完成情况，采集方便而且可以提供细粒度的信息，选用功率信号进行加工任务监测适合大部分机械加工设备。
(2)本发明在传统隐马尔科夫模型的变型高斯隐马尔科夫模型中加入了预训练机制。该机制克服了传统模型的效果受初始值的变化而不稳定的现象，另外预训练机制是一种监督学习过程，相比于传统模型单一的无监督学习，准确率更高。
(3)本发明在传统隐马尔科夫模型的变型高斯隐马尔科夫模型中加入了特征迁移机制。该机制将原有的高斯隐马尔科夫模型四元组迁移到新模型下，并进行小样本的微调训练。该方法提高了模型的鲁棒性，在工艺参数变化时，仍旧可以保持较高的准确度。
附图说明
图1为本发明实施例的流程图。
图2为本发明实施例的铣削实验中采集的一段功率信号图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示，本实施例提供一种基于改进高斯隐马尔科夫模型的机械加工任务细粒度监测方法，包括以下步骤：
步骤S1：以高斯隐马尔科夫模型为基础，在其之上增加预训练机制和迁移机制，构造改进高斯隐马尔科夫模型M2；
步骤S2：通过步骤S1训练的改进高斯隐马尔科夫模型M2解码机械加工过程中采集的功率信号，判断与功率信号对应的机械加工设备所执行的加工任务，如加工的开始、设备正执行的工步、工步间的过渡、加工的完成等，实现对机械加工任务的监测。
进一步地，所述步骤S1具体包括以下步骤：
步骤S11：对原功率信号归一化处理，并通过滑动窗口法对归一化处理后的信号分片，增加训练数据数量，防止过拟合；将分片信号按一定比例分为预训练集和训练集，并对预训练集打标签；
步骤S12：进行预训练：通过对预训练集进行有监督学习预训练，构建初始概率矩阵
Figure BDA0002492444530000111
转移概率矩阵
Figure BDA0002492444530000112
均值矩阵
Figure BDA0002492444530000113
方差矩阵
Figure BDA0002492444530000114
得到以四元组
Figure BDA0002492444530000115
为特征的高斯隐马尔科夫模型Mp；
步骤S13：以步骤S12得到的模型Mp作为基础对训练集进行无监督训练，得到以四元组
Figure BDA0002492444530000121
为特征的高斯隐马尔科夫模型Mf。
步骤S14：预测：对于一段加工任务执行序列未知的观测信号，根据步骤S13中训练所得的高斯隐马尔科夫模型Mf进行解码，求解出该观测信号最有可能的加工让任务执行序列；
步骤S15：特征迁移：为了适应工艺参数的变化，将已训练好的高斯隐马尔科夫模型四元组λf作为新模型的四元组，再通过小样本微调得到鲁棒性好的改进高斯隐马尔科夫模型M2。
在本实施例中，步骤S11中所述对原功率信号归一化处理的具体
内容为：
设原功率信号的形式为：
P0＝[p01 p02 p03 ... p0t]
其中，p0t原功率信号P0中第t时刻测得的数据点，归一化处理对P0中的任意一个数据点p0t都采取如下形式的变换：
Figure BDA0002492444530000122
其中：p1t为变换后的信号P1＝[p11 p12 p13 ... p1t]中第t时刻数据点；Max(P0)为原功率信号P0中的最大值；Min(P0)为原功率信号P0中的最小值。
在本实施例中，步骤S11中所述通过滑动窗口法对归一化处理后的信号分片具体包括以下步骤：
步骤SA：根据实际情况设定滑动窗口的长度len，0＜len≤t,窗口滑动步长step，step＞0,滑动窗口起始位置start＝1；
步骤SB：计算滑动次数Ns：
Figure BDA0002492444530000131
其中,符号
Figure BDA0002492444530000132
表示向下取整；
步骤SC：截取信号P1在滑动窗口内的部分作为分片信号：
Figure BDA0002492444530000133
其中
Figure BDA0002492444530000134
为第e个滑动窗口所截取的信号分片。
步骤SD：按下述规则进行滑动窗口的滑动：
Figure BDA0002492444530000135
步骤SE：判断Ns是否为0，如果Ns＝0，则结束，否则返回到步骤SC。
在本实施例中，步骤S11中所述将分片信号按一定比例分为预训练集和训练集，并对预训练集打标签具体包括以下步骤：
步骤Sa：设定预训练集比例系数Cp(0＜Cp＜1)；
步骤Sb：计算预训练集所占有的信号分片数目Np：
Figure BDA0002492444530000136
步骤Sc：从分片集
Figure BDA0002492444530000137
中随机选取Np个信号分片作为预训练集，剩下的信号分片作为训练集；
预训练集表示为：
Pp＝[OP1 OP2 OP3 ... OPm]T
训练集表示为：
Pf＝[OF1 OF2 OF3 ... OFn]T
其中，m＝Np,n＝Ns-Np；
OPm＝[OPm1 OPm2 OPm3 ... OPmlen]为预训练集Pp的第m个分片；
OFn＝[OFn1 OFn2 OFn3 ... OFnlen]为训练集Pf的第n个分片；
OPm1～OPmlen和OFn1～OFnlen分别为预训练集与训练集中的数据点；
步骤Sd：设定机械加工设备所执行的加工任务集合I：
I＝[I1 I2 I3 ... Ik]
I1～Ik表示设备要执行的所有加工任务种类，一共有k类；
对于预训练集中的每个数据点都标记上其对应的加工任务，作为标签集Ip：
Ip＝[IP1 IP2 IP3 ... IPm]
其中，IPm＝[IPm1 IPm2 IPm3 ... IPmlen]为标签集Ip的第m个分片，IPm1～IPmlen是与预训练集中OPm1～OPmlen对应的标签。
在本实施例中，所述步骤S12的具体包括以下步骤：
步骤S121：初始概率
Figure BDA0002492444530000141
的估计为：
Figure BDA0002492444530000142
步骤S122：转移概率
Figure BDA0002492444530000143
的估计为：
Figure BDA0002492444530000144
其中,Aij为从任务i转移到任务j的频数，Aim为从任务i转移到任务m的频数；
步骤S123：均值
Figure BDA0002492444530000145
的估计为：
Figure BDA0002492444530000151
其中,
Figure BDA0002492444530000152
为标签集分片IPi所对应的数据点；
步骤S124：方差
Figure BDA0002492444530000153
的估计为：
Figure BDA0002492444530000154
步骤S125：构建高斯函数矩阵G：
Figure BDA0002492444530000155
其中,x为数据点；
至此预训练完成，得到的以四元组
Figure BDA0002492444530000156
为特征的高斯隐马尔科夫模型Mp。
在本实施例中，所述步骤S13具体包括以下步骤：
步骤S131：从训练集中Pf选取信号分片OFn，n＝1；
步骤S132：观测概率的估计
Figure BDA0002492444530000157
Figure BDA0002492444530000158
其中,Gi()表示高斯函数矩阵G的第i个函数，OFnj为训练集OF中的第n个分片中的第j个数据点；
步骤S133：计算第j个时刻任务为i的前向概率
Figure BDA0002492444530000159
计算前向概率初值
Figure BDA00024924445300001510
进行递推，对于j＝2,3,...,len-1,有
Figure BDA00024924445300001511
步骤S134：计算第j个时刻任务为i的前向概率
Figure BDA0002492444530000161
计算初值：
Figure BDA0002492444530000162
递推：对于j＝len-1,len-2,...,1，有
Figure BDA0002492444530000163
步骤S135：计算第j个时刻任务为i的概率
Figure BDA0002492444530000164
Figure BDA0002492444530000165
步骤S136：计算第j个时刻任务为h且第j+1个时刻任务为i的概率
Figure BDA0002492444530000166
Figure BDA0002492444530000167
步骤S137：更新转移概率的估计
Figure BDA0002492444530000168
Figure BDA0002492444530000169
步骤S138：更新观测概率矩阵的估计
Figure BDA00024924445300001610
Figure BDA00024924445300001611
步骤S139：更新初始概率
Figure BDA00024924445300001612
Figure BDA00024924445300001613
步骤S1310：更新均值
Figure BDA0002492444530000171
和方差
Figure BDA0002492444530000172
求解下述方程即可：
Figure BDA0002492444530000173
步骤S1311：将步骤S132：至步骤S139：迭代c次，c为迭代次数，且c＞0；
步骤S1312：令n←n+1，重复步骤S131至步骤S138直到n＝Np；
最终得到初始概率矩阵
Figure BDA0002492444530000174
转移概率矩阵
Figure BDA0002492444530000175
均值矩阵
Figure BDA0002492444530000176
和方差矩阵
Figure BDA0002492444530000177
和四元组
Figure BDA0002492444530000178
为特征的高斯隐马尔科夫模型Mf。
在本实施例中，所述步骤S14具体包括以下步骤：
步骤S141：初始化
Figure BDA0002492444530000179
Figure BDA00024924445300001710
步骤S142：递推,对r＝2,3,...,len，有
Figure BDA00024924445300001711
Figure BDA00024924445300001712
步骤S143：终止
Figure BDA00024924445300001713
Figure BDA00024924445300001714
步骤S144：最可能任务回溯。对于r＝len-1,len-2,...,1，有
Figure BDA00024924445300001715
以上得出所采集的功率信号最可能的加工任务执行序列
Figure BDA00024924445300001716
在本实施例中，所述步骤S15的具体内容为：
迁移特征：令
λ2＝λf
其中
Figure BDA0002492444530000181
为已训练好的模型Mf的四元组，
Figure BDA0002492444530000182
为待训练模型M2的四元组；采集一小段功率信号，按步骤S11归一化处理，按步骤S13训练，按步骤S14预测即可。
进一步地，所述步骤S2具体包括以下步骤：
步骤S21：用功率采集器采集机械加工设备执行加工任务时的功率信号，记作Pr，其长度为l(l＞0)，包含功率采集器从第1时刻到第l时刻采集的功率数据点；
步骤S22：对步骤S21中的功率信号按步骤S11归一化处理得到信号Pr'；
步骤S23：用步骤S1中所得的改进高斯隐马尔科夫模型M2对步骤S22中的信号Pr'按步骤S14解码，得到信号Pr'所对应的加工任务执行序列S'＝[i'1 i'2 i'3 ... i'l]，其中i'1,i'2,i'3,...,i'l分别为该加工阶段设备第1时刻到第l时刻的所执行的加工任务且i'1,i'2,i3',...,i'l∈I，I为所有加工任务的集合，l为信号Pr的长度，加工任务执行序列S'中第t，t＝1,2,3,...,l时刻的加工任务i't表示功率信号Pr中第t时刻的功率数据点所属的加工任务，由此实现对机械加工任务的监测。举例说明：假设设备将正执行加工任务进度I＝[靠近工件切削工件离开工件]，功率采集器采集该设备10个时刻的功率信号Pr＝[10 1010 100 100 100 100 30 30 30],经步骤S22和S23得到加工任务进度执行序列S'＝[靠近工件靠近工件靠近工件切削工件切削工件切削工件切削工件离开工件离开工件离开工件]。于是，通过S'可以得知，设备在第1到第3时刻执行靠近工件任务，在第4到第7时刻执行切削工件任务，在第8到第10时刻执行离开工件任务。
较佳的，本实施例以传统隐马尔科夫模型的变型高斯隐马尔科夫模型为基础，在其之上增加了预训练机制和迁移机制，提高了算法的准确率和鲁棒性。本实施例先将原信号预处理，划分预训练集和训练集，用预训练集进行预训练，得到初始的高斯隐马尔科夫模型，在此基础之上用训练集进行训练，得到最终的高斯隐马尔科夫模型，对加工任务进行预测。另外当工艺参数改变时，可以将所训练的高斯隐马尔科夫模型进行特性迁移，再用该工艺参数下所采集的小样本数据进行训练，得到适合该工艺参数下的改进高斯隐马尔科夫模型。
为了验证本实施例实施可行性，选取数控铣削案例并应用本实施例中的具体技术方法，通过对采集数控铣床铣削加工时的功率信号训练改进高斯隐马尔科夫模型，从而实现加工任务的识别。
(1)铣削案例说明
本实验在主轴转速600r/min的条件下对铝合金工件进行多次重复铣削，采集到的功率信号图像如图2，可以看出工件的加工任务划分为四个阶段，切入/切出工件阶段，该阶段刀具尚未完全切入或者切出工件；切削阶段，该阶段刀具完全切入工件；空切阶段，该阶段刀具平缓进给且未与工件接触；快进/快退，该阶段刀具进行快速进给，以缩小工步间的耗时，由于在短时间内的加速和减速出现了一个脉冲信号。
(2)改进高斯隐马尔科夫模型参数的设置。该设置分为信号分片参数设置和加工任务标签设置。信号分片参数设置(如表1)包括，滑动窗口大小，滑动步长，比例系数，信号长度，这四个参数决定了训练过程的快慢和所训练模型的拟合程度。加工任务标签设置(如表2)根据加工任务的划分进行设置，所划分的加工任务越多，标签也越多，模型越复杂，准确度也越高，但是需要打标签的数据量也对应增大。
表1 信号分片参数表
Figure BDA0002492444530000201
表2 表2加工任务标签表
Figure BDA0002492444530000202
(3)进行预训练。由于初始概率对模型精度影响很小，所以设置成随机数。根据预训练集进行预训练，训练完成之后得到预训练转移概率，预训练均值，预训练方差。预训练的转移概率如表3所示，t列表示前一个时刻的加工阶段，t+1行表示后一个时刻的加工阶段，单元格表示前一个时刻的加工任务转移到后一个时刻加工任务的概率。预训练均值如表4所示，μ1,μ2,μ3,μ4分别代表预训练后任务1到4的均值。预训练方差如表5所示，σ1,σ2,σ3,σ4分别代表预训练后任务1到4的方差。
表3 预训练转移概率表
Figure BDA0002492444530000211
表4 预训练均值表
Figure BDA0002492444530000212
表5 预训练方差表
Figure BDA0002492444530000213
(4)训练。以预训练的结果为初始值，利用训练集数据进行训练，训练完成之后得到最终的转移概率、均值和方差。训练转移概率如表6所示，t列表示前一个时刻的加工阶段，t+1行表示后一个时刻的加工阶段，单元格表示前一个时刻的加工任务转移到后一个时刻加工任务的概率。训练均值如表7示，μ1',μ2',μ3',μ4'分别代表训练后任务1到4的均值。训练方差如表8所示，σ1',σ2',σ3',σ4'分别代表训练后任务1到4的方差。
表6 训练转移概率表
Figure BDA0002492444530000221
表7 训练均值表
Figure BDA0002492444530000222
表8 训练方差表
Figure BDA0002492444530000223
(5)预测。将一段长度500且加工任务执行序列未知的功率信号作为测试信号，通过预测算法预测该信号中每个数据点的加工任务，准确率为95％，为了验证改进高斯隐马尔科夫模型的性能比传统的高斯隐马尔科夫模型有优势，本实验训练了10个传统高斯隐马尔科夫模型，并测试传统模型预测测试信号所代表的加工任务的准确率，对比结果如表9所示，传统的高斯隐马尔科夫模型准确率较低且不稳定，改进高斯隐马尔科夫模型由于有预训练机制，所以准确率较高且稳定。可见改进高斯隐马尔科夫模型的性能比传统高斯隐马尔科夫模型更优秀。
表9 改进模型与传统模型准确率的对比表
Figure BDA0002492444530000231
(6)特征迁移。本实验采集在主轴转速为200r/min下进行相同切削实验的数据。以其中的第一个周期作为训练用的小样本，以(3)中训练所得的模型为基础模型，进行无监督训练。将一段长度500且加工任务执行序列未知的功率信号作为测试信号，通过预测算法预测该信号中每个数据点的加工任务，准确率为90％。对比结果如表10所示，传统模型在工艺参数改变时准确率下降幅度较大，而改进后的模型准确率下降幅度较小，说明特征迁移可以增加算法的鲁棒性。
表10 迁移模型与传统模型准确率的对比表
Figure BDA0002492444530000232
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (8)

1.一种基于改进高斯隐马尔科夫模型的机械加工任务细粒度监测方法，其特征在于：包括以下步骤：
步骤S1：以高斯隐马尔科夫模型为基础，在其之上增加预训练机制和迁移机制，构造改进高斯隐马尔科夫模型M2；
步骤S2：通过步骤S1训练的改进高斯隐马尔科夫模型M2解码机械加工过程中采集的功率信号，判断与功率信号对应的机械加工设备所执行的加工任务，实现对机械加工任务的监测；
所述步骤S1具体包括以下步骤：
步骤S11：对原功率信号归一化处理，并通过滑动窗口法对归一化处理后的信号分片，增加训练数据数量，防止过拟合；将分片信号按一定比例分为预训练集和训练集，并对预训练集打标签；
步骤S12：进行预训练：通过对预训练集进行有监督学习预训练，构建初始概率矩阵
Figure FDA0003581444080000011
转移概率矩阵
Figure FDA0003581444080000012
均值矩阵
Figure FDA0003581444080000013
方差矩阵
Figure FDA0003581444080000014
得到以四元组
Figure FDA0003581444080000015
为特征的高斯隐马尔科夫模型Mp；
步骤S13：以步骤S12得到的模型Mp作为基础对训练集进行无监督训练，得到以四元组
Figure FDA0003581444080000016
为特征的高斯隐马尔科夫模型Mf；
步骤S14：预测：对于一段加工任务执行序列未知的观测信号，根据步骤S13中训练所得的高斯隐马尔科夫模型Mf进行解码，求解出该观测信号最有可能的加工任务执行序列；
步骤S15：特征迁移：为了适应工艺参数的变化，将已训练好的高斯隐马尔科夫模型四元组λf作为新模型的四元组，再通过小样本微调得到鲁棒性好的改进高斯隐马尔科夫模型M2；
所述步骤S2具体包括以下步骤：
步骤S21：用功率采集器采集机械加工设备执行加工任务时的功率信号，记作Pr，其长度为l，l＞0，包含功率采集器从第1时刻到第l时刻采集的功率数据点；
步骤S22：对步骤S21中的功率信号Pr按步骤S11归一化处理得到信号Pr'；
步骤S23：用步骤S1中所得的改进高斯隐马尔科夫模型M2对步骤S22中的信号Pr'按步骤S14解码，得到信号Pr'所对应的加工任务执行序列S'＝[i'1 i'2 i'3...i'l]，其中i'1,i'2,i'3,...,i'l分别为该加工阶段设备第1时刻到第l时刻的所执行的加工任务且i'1,i'2,i'3,...,i'l∈I，I为所有加工任务的集合，l为信号Pr的长度，加工任务执行序列S'中第t，t＝1,2,3,...,l时刻的加工任务i't表示功率信号Pr中第t时刻的功率数据点所属的加工任务，由此实现对机械加工任务的监测。
2.根据权利要求1所述的一种基于改进高斯隐马尔科夫模型的机械加工任务细粒度监测方法，其特征在于：步骤S11中所述对原功率信号归一化处理的具体内容为：
设原功率信号的形式为：
P0＝[p01 p02 p03...p0t]
其中，p0t为原功率信号P0中第t时刻测得的数据点，归一化处理对P0中的任意一个数据点p0t都采取如下形式的变换：
Figure FDA0003581444080000021
其中：p1t为变换后的信号P1＝[p11 p12 p13...p1t]中第t时刻数据点；Max(P0)为原功率信号P0中的最大值；Min(P0)为原功率信号P0中的最小值。
3.根据权利要求2所述的一种基于改进高斯隐马尔科夫模型的机械加工任务细粒度监测方法，其特征在于：步骤S11中所述通过滑动窗口法对归一化处理后的信号分片具体包括以下步骤：
步骤SA：根据实际情况设定滑动窗口的长度len，0＜len≤t,窗口滑动步长step，step＞0,滑动窗口起始位置start＝1；
步骤SB：计算滑动次数Ns：
Figure FDA0003581444080000031
其中,符号
Figure FDA0003581444080000032
表示向下取整；
步骤SC：截取信号P1在滑动窗口内的部分作为分片信号：
Figure FDA0003581444080000033
其中
Figure FDA0003581444080000034
为第e个滑动窗口所截取的信号分片；
步骤SD：按下述规则进行滑动窗口的滑动：
Figure FDA0003581444080000035
步骤SE：判断Ns是否为0，如果Ns＝0，则结束，否则返回到步骤SC。
4.根据权利要求3所述的一种基于改进高斯隐马尔科夫模型的机械加工任务细粒度监测方法，其特征在于：步骤S11中所述将分片信号按一定比例分为预训练集和训练集，并对预训练集打标签具体包括以下步骤：
步骤Sa：设定预训练集比例系数Cp，0＜Cp＜1；
步骤Sb：计算预训练集所占有的信号分片数目Np：
Figure FDA0003581444080000036
步骤Sc：从分片集
Figure FDA0003581444080000041
中随机选取Np个信号分片作为预训练集，剩下的信号分片作为训练集；
预训练集表示为：
Pp＝[OP1 OP2 OP3...OPm]T
训练集表示为：
Pf＝[OF1 OF2 OF3...OFn]T
其中，m＝Np,n＝Ns-Np；
OPm＝[OPm1 OPm2 OPm3...OPmlen]为预训练集Pp的第m个分片；
OFn＝[OFn1 OFn2 OFn3...OFnlen]为训练集Pf的第n个分片；
OPm1～OPmlen和OFn1～OFnlen分别为预训练集与训练集中的数据点；
步骤Sd：设定机械加工设备所执行的加工任务集合I：
I＝[I1 I2 I3...Ik]
I1～Ik表示设备要执行的所有加工任务种类，一共有k类；
对于预训练集中的每个数据点都标记上其对应的加工任务，作为标签集Ip：
Ip＝[IP1 IP2 IP3...IPm]
其中，IPm＝[IPm1 IPm2 IPm3...IPmlen]为标签集Ip的第m个分片，IPm1～IPmlen是与预训练集中OPm1～OPmlen对应的标签。
5.根据权利要求1所述的一种基于改进高斯隐马尔科夫模型的机械加工任务细粒度监测方法，其特征在于：所述步骤S12的具体包括以下步骤：
步骤S121：初始概率
Figure FDA0003581444080000042
的估计为：
Figure FDA0003581444080000043
步骤S122：转移概率
Figure FDA0003581444080000051
的估计为：
Figure FDA0003581444080000052
其中,Aij为从任务i转移到任务j的频数，Aim为从任务i转移到任务m的频数；
步骤S123：均值
Figure FDA0003581444080000053
的估计为：
Figure FDA0003581444080000054
其中,
Figure FDA0003581444080000055
为标签集分片IPi所对应的数据点；
步骤S124：方差
Figure FDA0003581444080000056
的估计为：
Figure FDA0003581444080000057
步骤S125：构建高斯函数矩阵G：
Figure FDA0003581444080000058
其中,x为数据点；
至此预训练完成，得到的以四元组
Figure FDA0003581444080000059
为特征的高斯隐马尔科夫模型Mp。
6.根据权利要求5所述的一种基于改进高斯隐马尔科夫模型的机械加工任务细粒度监测方法，其特征在于：所述步骤S13具体包括以下步骤：
步骤S131：从训练集中Pf选取信号分片OFn，n＝1,2,...,Np；
步骤S132：观测概率的估计
Figure FDA00035814440800000510
Figure FDA00035814440800000511
其中,Gi()表示高斯函数矩阵G的第i个函数，OFnj为训练集OF中的第n个分片中的第j个数据点；
步骤S133：计算第j个时刻任务为i的前向概率
Figure FDA0003581444080000061
计算前向概率初值
Figure FDA0003581444080000062
进行递推，对于j＝2,3,...,len-1,有
Figure FDA0003581444080000063
步骤S134：计算第j个时刻任务为i的前向概率
Figure FDA0003581444080000064
计算初值：
Figure FDA0003581444080000065
递推：对于j＝len-1,len-2,...,1，有
Figure FDA0003581444080000066
步骤S135：计算第j个时刻任务为i的概率
Figure FDA0003581444080000067
Figure FDA0003581444080000068
步骤S136：计算第j个时刻任务为h且第j+1个时刻任务为i的概率
Figure FDA0003581444080000069
Figure FDA00035814440800000610
步骤S137：更新转移概率的估计
Figure FDA00035814440800000611
Figure FDA00035814440800000612
步骤S138：更新观测概率矩阵的估计
Figure FDA0003581444080000071
Figure FDA0003581444080000072
步骤S139：更新初始概率
Figure FDA0003581444080000073
Figure FDA0003581444080000074
步骤S1310：更新均值
Figure FDA0003581444080000075
和方差
Figure FDA0003581444080000076
求解下述方程即可：
Figure FDA0003581444080000077
步骤S1311：将步骤S132：至步骤S139：迭代c次，c为迭代次数，且c＞0；
步骤S1312：令n←n+1，重复步骤S131至步骤S138直到n＝Np；
最终得到初始概率矩阵
Figure FDA0003581444080000078
转移概率矩阵
Figure FDA0003581444080000079
均值矩阵
Figure FDA00035814440800000710
和方差矩阵
Figure FDA00035814440800000711
和四元组
Figure FDA00035814440800000712
为特征的高斯隐马尔科夫模型Mf。
7.根据权利要求6所述的一种基于改进高斯隐马尔科夫模型的机械加工任务细粒度监测方法，其特征在于：所述步骤S14具体包括以下步骤：
步骤S141：初始化
Figure FDA00035814440800000713
Figure FDA00035814440800000714
步骤S142：递推,对r＝2,3,...,len，有
Figure FDA00035814440800000715
Figure FDA00035814440800000716
步骤S143：终止
Figure FDA0003581444080000081
Figure FDA0003581444080000082
步骤S144：最可能的加工任务回溯；对于r＝len-1,len-2,...,1，有
Figure FDA0003581444080000083
得出所采集的功率信号最可能的加工任务执行序列
Figure FDA0003581444080000084
8.根据权利要求7所述的一种基于改进高斯隐马尔科夫模型的机械加工任务细粒度监测方法，其特征在于：所述步骤S15的具体内容为：
迁移特征：令
λ2＝λf
其中
Figure FDA0003581444080000085
为已训练好的模型Mf的四元组，
Figure FDA0003581444080000086
为待训练模型M2的四元组；采集一小段功率信号，按步骤S11归一化处理，按步骤S13训练，按S14步骤预测即可。
CN202010410048.5A 2020-05-14 2020-05-14 一种基于改进高斯隐马尔科夫模型的机械加工任务细粒度监测方法 Active CN111582211B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010410048.5A CN111582211B (zh) 2020-05-14 2020-05-14 一种基于改进高斯隐马尔科夫模型的机械加工任务细粒度监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010410048.5A CN111582211B (zh) 2020-05-14 2020-05-14 一种基于改进高斯隐马尔科夫模型的机械加工任务细粒度监测方法

Publications (2)

Publication Number Publication Date
CN111582211A CN111582211A (zh) 2020-08-25
CN111582211B true CN111582211B (zh) 2022-06-14

Family

ID=72125095

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010410048.5A Active CN111582211B (zh) 2020-05-14 2020-05-14 一种基于改进高斯隐马尔科夫模型的机械加工任务细粒度监测方法

Country Status (1)

Country Link
CN (1) CN111582211B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103105820A (zh) * 2012-05-22 2013-05-15 华中科技大学 一种数控机床切削加工的刀具磨损状态识别方法
CN106002483A (zh) * 2016-05-04 2016-10-12 北京信息科技大学 一种智能刀具故障诊断方法
CN106599920A (zh) * 2016-12-14 2017-04-26 中国航空工业集团公司上海航空测控技术研究所 一种基于耦合隐半马尔可夫模型的航空轴承故障诊断方法
CN110555273A (zh) * 2019-09-05 2019-12-10 苏州大学 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法
CN110674752A (zh) * 2019-09-25 2020-01-10 广东省智能机器人研究院 一种基于隐马尔可夫模型的刀具磨损状态识别与预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6868325B2 (en) * 2003-03-07 2005-03-15 Honeywell International Inc. Transient fault detection system and method using Hidden Markov Models

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103105820A (zh) * 2012-05-22 2013-05-15 华中科技大学 一种数控机床切削加工的刀具磨损状态识别方法
CN106002483A (zh) * 2016-05-04 2016-10-12 北京信息科技大学 一种智能刀具故障诊断方法
CN106599920A (zh) * 2016-12-14 2017-04-26 中国航空工业集团公司上海航空测控技术研究所 一种基于耦合隐半马尔可夫模型的航空轴承故障诊断方法
CN110555273A (zh) * 2019-09-05 2019-12-10 苏州大学 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法
CN110674752A (zh) * 2019-09-25 2020-01-10 广东省智能机器人研究院 一种基于隐马尔可夫模型的刀具磨损状态识别与预测方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Applying Discriminatively Optimized Feature Transform for HMM-based Off-Line Handwriting Recognition;Jin Chen et al.;《2012 International Conference on Frontiers in Handwriting Recognition》;20130201;全文 *
基于HMM-SVR的船舶动力设备故障模式识别与状态预测研究;杨奕飞等;《船舶工程》;20180325(第03期);全文 *
基于HMM的复杂条件故障诊断技术研究;岳夏;《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》;20121115;全文 *
基于遗传算法优化HMM的刀具磨损状态监测研究;何栋磊等;《机床与液压》;20170815(第15期);全文 *
基于隐马尔科夫模型的刀具磨损连续监测;王晓强等;《组合机床与自动化加工技术》;20161020(第10期);全文 *
基于隐马尔科夫模型的机械传动装置故障诊断;吴宇成;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20190115(第01期);全文 *
旋转机械设备关键部件故障诊断与预测方法研究;沈长青;《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》;20141015;全文 *

Also Published As

Publication number Publication date
CN111582211A (zh) 2020-08-25

Similar Documents

Publication Publication Date Title
CN109514349B (zh) 基于振动信号和Stacking集成模型的刀具磨损状态监测方法
US9053391B2 (en) Supervised and semi-supervised online boosting algorithm in machine learning framework
CN111633467B (zh) 一种基于一维深度卷积自动编码器的刀具磨损状态监测方法
CN108920863B (zh) 一种机器人伺服系统能耗估计模型的建立方法
CN111914090B (zh) 一种企业行业分类识别及其特征污染物识别的方法及装置
CN113884961B (zh) Soc校准方法、建模方法、建模装置、计算机设备及介质
CN111178438A (zh) 一种基于ResNet101的天气类型识别方法
CN108393744B (zh) 一种刀具状态多传感监测方法
CN112836720A (zh) 建筑运维设备异常诊断方法、系统及计算机可读存储介质
CN114416511A (zh) 基于日志的系统异常检测方法、装置、介质及电子设备
CN113095443A (zh) 基于lstm-dnn网络模型的实时天气预测算法
Bhakta et al. Fault diagnosis of induction motor bearing using cepstrum-based preprocessing and ensemble learning algorithm
CN111582211B (zh) 一种基于改进高斯隐马尔科夫模型的机械加工任务细粒度监测方法
CN116204774A (zh) 一种基于分层元学习的刀具磨损稳定预测方法
CN112858901A (zh) 实时监测刀具运行状态与寿命预测的系统及方法
CN113523904A (zh) 一种刀具磨损检测方法
CN107341503B (zh) 一种切削过程中针对多源能效状态的识别方法
Amar Bouzid et al. CNC milling cutters condition monitoring based on empirical wavelet packet decomposition
CN111993158B (zh) 刀具检测模型的生成方法、检测方法、系统、设备及介质
CN113298240A (zh) 一种伺服驱动系统生命周期预测方法及装置
CN113408591A (zh) 基于智能仪表的过程趋势分析预测方法
CN114077663A (zh) 应用日志的分析方法及装置
CN115213735B (zh) 一种铣削加工过程刀具状态监测系统及方法
CN112465044B (zh) 基于敏感参数多证据融合的卫星工况识别与分割方法及系统
CN117236329B (zh) 文本分类方法、装置及相关设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant