CN111599348B - 一种机床加工过程监测信号的自动分段方法和系统 - Google Patents
一种机床加工过程监测信号的自动分段方法和系统 Download PDFInfo
- Publication number
- CN111599348B CN111599348B CN202010375884.4A CN202010375884A CN111599348B CN 111599348 B CN111599348 B CN 111599348B CN 202010375884 A CN202010375884 A CN 202010375884A CN 111599348 B CN111599348 B CN 111599348B
- Authority
- CN
- China
- Prior art keywords
- signal
- signal frame
- frame
- short
- data
- 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
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 87
- 238000003754 machining Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 238000005070 sampling Methods 0.000 claims abstract description 65
- 239000011159 matrix material Substances 0.000 claims abstract description 39
- 238000009432 framing Methods 0.000 claims abstract description 26
- 230000002776 aggregation Effects 0.000 claims abstract description 13
- 238000004220 aggregation Methods 0.000 claims abstract description 13
- 238000003064 k means clustering Methods 0.000 claims abstract description 13
- 230000008859 change Effects 0.000 claims description 63
- 238000001514 detection method Methods 0.000 claims description 47
- 230000037433 frameshift Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 239000002245 particle Substances 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000010845 search algorithm Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000009191 jumping Effects 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000005520 cutting process Methods 0.000 description 3
- 238000003801 milling Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000002173 cutting fluid Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/04—Segmentation; Word boundary detection
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/78—Detection of presence or absence of voice signals
- G10L25/87—Detection of discrete points within a voice signal
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种机床加工过程监测信号的自动分段方法,根据机床加工过程监测信号的采样率、预定帧长和预定帧移,对采样信号进行分帧,形成n×m的信号帧矩阵,计算信号帧矩阵各行信号帧的短时能量,基于信号帧短时能量计算短时能量斜率和确定分段阈值,进而进行采样信号的初步分段,获得初步分段的端点,最后采用K‑means聚类方法,对初步分段获得的端点进行优化聚合,完成采样信号的自动分段。本发明的方法实现对长时序信号基于对应加工工序的自动分段。
Description
技术领域
本发明涉及数控机床加工领域,尤其涉及一种机床加工过程监测信号的自动分段方法和系统。
背景技术
对于加工工序比较复杂的零件加工过程的实时监测,其中可能涉及到同种工序不同长度的长时序加工信号,故需要针对对应加工工序进行分段截取。在通常情况下,对长时间连续采样的信号来说,直接通过人工手动截取对应工序阶段的信号不仅准确度比较低,而且工作量大。
语音信号是时序信号,其具有长时随机性和短时平稳性。长时随机性指语音信号随时间变化是一个随机过程,短时平稳性指在短时间内其特性基本不变。长时间连续采样的机床加工实时信号与语音信号类似,都是非平非线性信号,在不同加工工序之前随着工艺参数等的改变,其其能量会类似于语音信号的突然停顿,发生突变,即在稳定工作条件下信号平稳,而工序变化时,能量变化斜率较大,可据此进行基于短时能量变化斜率的端点检测。根据语音信号识别技术的端点检测理论,基于短时能量和短时过零率实现对语音信号的端点检测,从而实现信号的自动分段。
发明内容
本发明要解决的技术问题在于针对现有技术中人工分段准确度低、工作量大的缺陷,提供一种机床加工过程监测信号的自动分段方法和系统。
本发明解决其技术问题所采用的技术方案是:
提供一种机床加工过程监测信号的自动分段方法,包括以下步骤:
S1、信号分帧,即根据机床加工过程监测信号的采样率、预定帧长和预定帧移,通过语音信号分帧算法对机床加工过程采样信号进行处理,计算信号的总帧数和每一信号帧在采样信号中的起点位置,以每一信号帧在采样信号中的起点位置为起点截取预定帧长的数据,作为一信号帧数据,并重组为n×m的信号帧矩阵,信号帧矩阵中的每一行代表一信号帧数据,其中n为总帧数,m为预定帧长,即每一信号帧数据个数;
S2、信号帧短时能量计算,即对信号分帧后的每一信号帧数据,计算在窗函数下的短时能量,将信号帧矩阵中每一行信号帧数据的短时能量依次存储为一个短时能量数组{e1,…,ei,…,en},其中n为总帧数,ei为第i行信号帧数据对应的短时能量;
S3、信号帧短时能量变化斜率计算,即对短时能量数组中相邻的信号帧数据短时能量计算变化率,得到信号帧数据短时能量变化斜率数组{e′1,…,e′1,…e′n-1},其中e′i为第i个信号帧数据短时能量变化斜率;
S4、确定分段阈值,即利用峰值点搜索算法对信号帧数据短时能量变化斜率数组进行峰值点搜索,获得信号帧数据短时能量变化斜率数组中所有的峰值点数据及峰值点数据在该数组中的索引值,并计算搜索到的所有峰值点数据的平均值,作为分段阈值;
S5、端点检测,即根据信号帧数据短时能量变化斜率数组和分段阈值,利用端点检测算法获取机床加工过程监测信号的每一分段信号的对应的两个端点,完成采样信号的初步分段端点检测;
S6、端点聚类优化,即结合已知的机床加工过程中的加工阶段数量,利用K-means聚类方法,对初步分段获得的端点进行优化聚合,完成采样信号的自动分段。
接上述技术方案,步骤S1中的根据机床加工过程监测信号的采样率、预定帧长和预定帧移,通过语音信号分帧算法对采样信号进行处理,计算信号的总帧数n的公式为
其中,N为采样信号的长度,m为预定帧长,inc为预定帧移。
接上述技术方案,步骤S1中的通过语音信号分帧算法对采样信号进行处理,计算每一信号帧数据在采样信号中的起点位置SIi的公式为,
SIi=(i-1)*inc+1,1≤i≤n (2)
其中,i为信号帧索引,inc为预定帧移。
接上述技术方案,步骤S2中对信号分帧后的每一信号帧数据,计算在窗函数下的短时能量的公式为
其中,ei为信号帧矩阵中第i行信号帧数据对应的短时能量,xi(·)为信号帧矩阵第i行信号帧数据,m为预定帧长,w(m)为窗函数且h(m)=w(m)2。
接上述技术方案,步骤S2中的窗函数为矩形窗函数或汉宁窗函数。
接上述技术方案,步骤S3中对短时能量数组中相邻的短时能量计算变化率ei ′的公式为
其中,ei为信号帧矩阵第i行帧数据对应的短时能量。
接上述技术方案,步骤S4中的峰值点搜索算法采用的是Python中的Scipy框架的singal模块。
接上述技术方案,步骤S5中端点检测算法的具体步骤为:
S51、定义四种信号帧状态FS0、FS1、FS2和FS3,并将信号矩阵第一行信号帧状态设置为FS0,并作为当前帧,其中,FS0表示信号帧处于检测分段起点状态,FS1表示信号帧已检测到分段起点状态,FS2表示信号帧处于检测分段终点状态,FS3表示信号帧处于已检测到分段终点状态;
S52、如果当前信号帧状态为FS0,进入步骤S53,如果当前信号帧状态为FS2,进入步骤S55;
S53、进行分段起点检测,信号帧状态切换为FS1,然后经行阈值判断,如果当前信号帧数据的短时能量变化斜率大于分段阈值,进入步骤S54,否则进行信号帧FS0移帧,即设置下一信号帧状态为FS0并将其作为当前信号帧,跳转到步骤S52;
S54、对当前信号帧的后5个信号帧进行阈值判断,即对应信号帧数据的短时能量变化斜率大于分段阈值,记录分段起点,进行信号帧FS2移帧,即设置下一信号帧状态为FS2并将其作为当前信号帧,进入步骤S55,否则进行信号帧FS0移帧,即设置下一信号帧状态为FS0并将其作为当前信号帧,跳转到步骤S52;
S55、进行分段终点检测,信号帧状态切换为FS3,然后经行阈值判断,如果当前信号帧数据的短时能量变化斜率小于分段阈值,进入步骤S56,否则进行信号帧FS2移帧,即设置下一信号帧状态为FS2并将其作为当前信号帧,跳转到步骤S52;
S56、对当前信号帧的后5个信号帧进行阈值判断,即对应信号帧数据的短时能量变化斜率小于分段阈值,记录分段终点,进行信号帧FS0移帧,即设置下一信号帧状态为FS0并将其作为当前信号帧,否则进行信号帧FS2移帧,即设置下一信号帧状态为FS2并将其作为当前信号帧,进入步骤S52;
S57、重复步骤S52~步骤S56,对信号帧矩阵中的信号帧状态进行逐帧判断,完成采样信号的初步分段端点检测。
接上述技术方案,步骤S6中结合已知的机床加工过程中的加工阶段数量,利用K-means聚类方法,对初步分段获得的分段端点进行优化聚合的具体步骤为:
S61、以机床加工过程中的加工阶段数量作为目标信号最终分段的段数,即要聚合成的类别数K,以步骤S6得到的分段端点作为输入数据集,并从中随机选取K个数据作为质心;
S62、对输入数据集中的每有一个数据点,分别计算其与K个质心之间的距离,并将该数据点归入与其距离最近的质心所属集合,进而形成K个聚类集合;
S63、重新计算K个聚类集合的质心,即以每个聚类集合中所有数据点的索引值的平均值作为该聚类集合新的质点;
S64、计算新质点和原来质点之间的距离,如果距离值小于设定阈值,则完成优化聚合,否则重复步骤S62~S63。
提供一种机床加工过程监测信号的自动分段方法系统,包括:
信号分帧模块,用于根据机床加工过程监测信号的采样率、预定帧长和预定帧移,通过语音信号分帧算法对机床加工过程采样信号进行处理,计算信号的总帧数和每一信号帧在采样信号中的起点位置,以每一信号帧在采样信号中的起点位置为起点截取预定帧长的数据,作为一信号帧数据,并重组为n×m的信号帧矩阵,信号帧矩阵中的每一行代表一信号帧数据,其中n为总帧数,m为预定帧长,即每一信号帧数据个数;
信号帧短时能量计算模块,用于对信号分帧后的每一信号帧数据,计算在窗函数下的短时能量,将信号帧矩阵中每一行信号帧数据的短时能量依次存储为一个短时能量数组{e1,…,ei,…,en},其中n为总帧数,ei为第i行信号帧数据对应的短时能量;
信号帧短时能量变化斜率计算模块,用于对短时能量数组中相邻的信号帧数据短时能量计算变化率,得到信号帧数据短时能量变化斜率数组{e′1,…,e′1,…e′n-1},其中e′i为第i个信号帧数据短时能量变化斜率;
确定分段阈值模块,用于利用峰值点搜索算法对信号帧数据短时能量变化斜率数组进行峰值点搜索,获得信号帧数据短时能量变化斜率数组中所有的峰值点数据及峰值点数据在该数组中的索引值,并计算搜索到的所有峰值点数据的平均值,作为分段阈值;
端点检测模块,用于根据信号帧数据短时能量变化斜率数组和分段阈值,利用端点检测算法获取机床加工过程监测信号的每一分段信号的对应的两个端点,完成采样信号的初步分段端点检测;
端点聚类优化模块,用于结合已知的机床加工过程中的加工阶段数量,利用K-means聚类方法,对初步分段获得的端点进行优化聚合,完成采样信号的自动分段。
本发明产生的有益效果是:本发明提供的一种机床加工过程监测信号的自动分段方法,根据机床加工过程监测信号的采样率、预定帧长和预定帧移,对采样信号进行分帧,形成n×m的信号帧矩阵,并基于信号帧矩阵计算各行信号帧的短时能量、短时能量变化斜率,再根据分段阈值对采样信号进行初步分段,最后采用K-means聚类方法,对初步分段获得的端点进行优化聚合,完成采样信号的自动分段。本发明的方法实现对长时序信号基于对应加工工序的自动分段。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明方法的具体实施总体流程图;
图2是本发明方法重组的信号帧矩阵示意图;
图3是本发明方法的采样信号总帧数计算示意图;
图4是本发明方法的端点检测算法流程图;
图5是本发明方法的K-means聚类方法实现流程图;
图6是本发明方法的一具体实施例采样信号波形图;
图7是本发明方法的一具体实施例采样信号帧短时能量波形图;
图8是本发明方法的一具体实施例采样信号自动分段结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,提供一种机床加工过程监测信号的自动分段方法,包括以下步骤:
S1、信号分帧,即根据机床加工过程监测信号的采样率、预定帧长和预定帧移,通过语音信号分帧算法对机床加工过程采样信号进行处理,计算信号的总帧数和每一信号帧在采样信号中的起点位置,以每一信号帧在采样信号中的起点位置为起点截取预定帧长的数据,作为一信号帧数据,并重组为n×m的信号帧矩阵,如图2所示,信号帧矩阵中的每一行代表一信号帧数据,其中n为总帧数,m为预定帧长,即每一信号帧数据个数。
S2、信号帧短时能量计算,即对信号分帧后的每一信号帧数据,计算在窗函数下的短时能量,将信号帧矩阵中每一行信号帧数据的短时能量依次存储为一个短时能量数组{e1,…,ei,…,en},其中n为总帧数,ei为第i行信号帧数据对应的短时能量。通过加窗函数,减少频率能量泄露,降低截断效应。
S3、信号帧短时能量变化斜率计算,即对短时能量数组中相邻的信号帧数据短时能量计算变化率,得到信号帧数据短时能量变化斜率数组{e′1,…,e′1,…e′n-1},其中e′i为第i个信号帧数据短时能量变化斜率。
S4、确定分段阈值,即利用峰值点搜索算法对信号帧数据短时能量变化斜率数组进行峰值点搜索,获得信号帧数据短时能量变化斜率数组中所有的峰值点数据及峰值点数据在该数组中的索引值,并计算搜索到的所有峰值点数据的平均值,作为分段阈值。
S5、端点检测,即根据信号帧数据短时能量变化斜率数组和分段阈值,利用端点检测算法获取机床加工过程监测信号的每一分段信号的对应的两个端点,完成采样信号的初步分段端点检测。
S6、端点聚类优化,即结合已知的机床加工过程中的加工阶段数量,利用K-means聚类方法,对初步分段获得的端点进行优化聚合,完成采样信号的自动分段。由于在不同工序间存在环境噪音、切削液的冲击、刀具的振动、工作台的振动以及采样设备的不足(长时间连续采样会积累大量的误差),导致实际采集的实时信号会出现很多干扰和特征改变,导致端点检测得到的分段数与实际的加工阶段数量不匹配,通过聚类可以实现对多余分段端点的聚合,从而得到想要的分段信号。
进一步地,如图3所示,步骤S1中的根据机床加工过程监测信号的采样率、预定帧长和预定帧移,通过语音信号分帧算法对采样信号进行处理,计算信号的总帧数n的公式为
其中,N为采样信号的长度,m为预定帧长,inc为预定帧移。
进一步地,步骤S1中的通过语音信号分帧算法对采样信号进行处理,计算每一信号帧数据在采样信号中的起点位置SIi的公式为,
SIi=(i-1)*inc+1,1≤i≤n (2)
其中,i为信号帧索引,inc为预定帧移。
进一步地,步骤S2中对信号分帧后的每一信号帧数据,计算在窗函数下的短时能量的公式为
其中,ei为信号帧矩阵中第i行信号帧数据对应的短时能量,xi(·)为信号帧矩阵第i行信号帧数据,m为预定帧长,w(m)为窗函数且h(m)=w(m)2。
进一步地,步骤S2中的窗函数为矩形窗函数或汉宁窗函数。
进一步地,步骤S3中对短时能量数组中相邻的短时能量计算变化率ei ′的公式为
其中,ei为信号帧矩阵第i行帧数据对应的短时能量。
进一步地,步骤S4中的峰值点搜索算法采用的是Python中的Scipy框架的singal模块。
进一步地,如图3所示,步骤S5中端点检测算法的具体步骤为:
S51、定义四种信号帧状态FS0、FS1、FS2和FS3,并将信号矩阵第一行信号帧状态设置为FS0,并作为当前帧,其中,FS0表示信号帧处于检测分段起点状态,FS1表示信号帧已检测到分段起点状态,FS2表示信号帧处于检测分段终点状态,FS3表示信号帧处于已检测到分段终点状态;
S52、如果当前信号帧状态为FS0,进入步骤S53,如果当前信号帧状态为FS2,进入步骤S55;
S53、进行分段起点检测,信号帧状态切换为FS1,然后经行阈值判断,如果当前信号帧数据的短时能量变化斜率大于分段阈值,进入步骤S54,否则进行信号帧FS0移帧,即设置下一信号帧状态为FS0并将其作为当前信号帧,跳转到步骤S52;
S54、对当前信号帧的后5个信号帧进行阈值判断,即对应信号帧数据的短时能量变化斜率大于分段阈值,记录分段起点,进行信号帧FS2移帧,即设置下一信号帧状态为FS2并将其作为当前信号帧,进入步骤S55,否则进行信号帧FS0移帧,即设置下一信号帧状态为FS0并将其作为当前信号帧,跳转到步骤S52;
S55、进行分段终点检测,信号帧状态切换为FS3,然后经行阈值判断,如果当前信号帧数据的短时能量变化斜率小于分段阈值,进入步骤S56,否则进行信号帧FS2移帧,即设置下一信号帧状态为FS2并将其作为当前信号帧,跳转到步骤S52;
S56、对当前信号帧的后5个信号帧进行阈值判断,即对应信号帧数据的短时能量变化斜率小于分段阈值,记录分段终点,进行信号帧FS0移帧,即设置下一信号帧状态为FS0并将其作为当前信号帧,否则进行信号帧FS2移帧,即设置下一信号帧状态为FS2并将其作为当前信号帧,进入步骤S52;
S57、重复步骤S52~步骤S56,对信号帧矩阵中的信号帧状态进行逐帧判断,完成采样信号的初步分段端点检测。
进一步地,如图4所示,步骤S6中结合已知的机床加工过程中的加工阶段数量,利用K-means聚类方法,对初步分段获得的分段端点进行优化聚合的具体步骤为:
S61、以机床加工过程中的加工阶段数量作为目标信号最终分段的段数,即要聚合成的类别数K,以步骤S6得到的分段端点作为输入数据集,并从中随机选取K个数据作为质心;
S62、对输入数据集中的每有一个数据点,分别计算其与K个质心之间的距离,并将该数据点归入与其距离最近的质心所属集合,进而形成K个聚类集合;
S63、重新计算K个聚类集合的质心,即以每个聚类集合中所有数据点的索引值的平均值作为该聚类集合新的质点;
S64、计算新质点和原来质点之间的距离,如果距离值小于设定阈值,则完成优化聚合,否则重复步骤S62~S63。
一种数控机床加工过程实时监测信号的自动分段方法是建立在语音信号识别理论中的端点检测技术,利用长时序加工信号本身具有的类似于语音信号的非线性特点,以及不同加工工序间的能量不同特点,充分利用端点检测算法和聚类算法实现对实时加工信号的自动分段。
作为一具体实施例,实时采集米克朗HSM600U LP高速加工中心精密铣削薄壁工件的加工过程信号-切削力信号,其中工件加工时的加工阶段大致可分为槽、缝、方孔、圆孔,据此进行自动分段实现。将Kistler固定式测力仪安装在铣削工作台上(通过虎钳固定),采样率设置为100Hz,采样时长设置为2000s,在机床铣削工件时实时采集切削力(Fx、Fy、Fz),并经过力传感器-电荷放大器-数据采集卡-PC实现数据的传输,最终得到工件在X、Y、Z三个方向的实时铣削力信号,如图6所示,以其中的Y向信号为采样信号进行说明,将Y向信号保存为csv文件,进行后续处理。
读取Y向实时铣削力信号为一维数组signal_Y,采样率为100Hz,预定帧长50,预定帧移25,根据上述信号分帧算法得到的信号帧矩阵D(维度为n×m=4160×50)。
对信号帧矩阵D(维度为n×m=4160×50)逐行进行信号帧短时能量计算,生成维度为4160×1短时能量数组,数据波形图如图7所示。
根据生成维度为4160×1短时能量数组,计算短时能量斜率和确定分段阈值,并在此基础上进行端点检测,完成采样信号(上述Y向信号)的初步分段端点检测。结合已知的机床加工过程中的加工阶段数量(槽加工、缝加工、方孔加工、圆孔加工共4段工序),利用K-means聚类方法,对初步分段获得的端点进行优化聚合,完成采样信号的自动分段,分段结果如图8所示。
提供一种机床加工过程监测信号的自动分段方法系统,包括:
信号分帧模块,用于根据机床加工过程监测信号的采样率、预定帧长和预定帧移,通过语音信号分帧算法对机床加工过程采样信号进行处理,计算信号的总帧数和每一信号帧在采样信号中的起点位置,以每一信号帧在采样信号中的起点位置为起点截取预定帧长的数据,作为一信号帧数据,并重组为n×m的信号帧矩阵,信号帧矩阵中的每一行代表一信号帧数据,其中n为总帧数,m为预定帧长,即每一信号帧数据个数;
信号帧短时能量计算模块,用于对信号分帧后的每一信号帧数据,计算在窗函数下的短时能量,将信号帧矩阵中每一行信号帧数据的短时能量依次存储为一个短时能量数组{e1,…,ei,…,en},其中n为总帧数,ei为第i行信号帧数据对应的短时能量;
信号帧短时能量变化斜率计算模块,用于对短时能量数组中相邻的信号帧数据短时能量计算变化率,得到信号帧数据短时能量变化斜率数组{e′1,…,e′1,…e′n-1},其中e′i为第i个信号帧数据短时能量变化斜率;
确定分段阈值模块,用于利用峰值点搜索算法对信号帧数据短时能量变化斜率数组进行峰值点搜索,获得信号帧数据短时能量变化斜率数组中所有的峰值点数据及峰值点数据在该数组中的索引值,并计算搜索到的所有峰值点数据的平均值,作为分段阈值;
端点检测模块,用于根据信号帧数据短时能量变化斜率数组和分段阈值,利用端点检测算法获取机床加工过程监测信号的每一分段信号的对应的两个端点,完成采样信号的初步分段端点检测;
端点聚类优化模块,用于结合已知的机床加工过程中的加工阶段数量,利用K-means聚类方法,对初步分段获得的端点进行优化聚合,完成采样信号的自动分段。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种机床加工过程监测信号的自动分段方法,其特征在于,包括以下步骤:
S1、信号分帧,即根据机床加工过程监测信号的采样率、预定帧长和预定帧移,通过语音信号分帧算法对机床加工过程采样信号进行处理,计算信号的总帧数和每一信号帧在采样信号中的起点位置,以每一信号帧在采样信号中的起点位置为起点截取预定帧长的数据,作为一信号帧数据,并重组为n×m的信号帧矩阵,信号帧矩阵中的每一行代表一信号帧数据,其中n为总帧数,m为预定帧长,即每一信号帧数据个数;
S2、信号帧短时能量计算,即对信号分帧后的每一信号帧数据,计算在窗函数下的短时能量,将信号帧矩阵中每一行信号帧数据的短时能量依次存储为一个短时能量数组{e1,…,ei,…,en},其中n为总帧数,ei为第i行信号帧数据对应的短时能量;
S3、信号帧短时能量变化斜率计算,即对短时能量数组中相邻的信号帧数据短时能量计算变化率,得到信号帧数据短时能量变化斜率数组{e′ 1,…,e′ 1,…e′ n-1},其中ei i为第i个信号帧数据短时能量变化斜率;
S4、确定分段阈值,即利用峰值点搜索算法对信号帧数据短时能量变化斜率数组进行峰值点搜索,获得信号帧数据短时能量变化斜率数组中所有的峰值点数据及峰值点数据在该数组中的索引值,并计算搜索到的所有峰值点数据的平均值,作为分段阈值;
S5、端点检测,即根据信号帧数据短时能量变化斜率数组和分段阈值,利用端点检测算法获取机床加工过程监测信号的每一分段信号的对应的两个端点,完成采样信号的初步分段端点检测;
S6、端点聚类优化,即结合已知的机床加工过程中的加工阶段数量,利用K-means聚类方法,对初步分段获得的端点进行优化聚合,完成采样信号的自动分段。
3.根据权利要求1或2所述的自动分段方法,其特征在于,步骤S1中的通过语音信号分帧算法对采样信号进行处理,计算每一信号帧数据在采样信号中的起点位置SIi的公式为,
SIi=(i-1)*inc+1,1≤i≤n(2)
其中,i为信号帧索引,inc为预定帧移。
5.根据权利要求1或2所述的自动分段方法,其特征在于,步骤S2中的窗函数为矩形窗函数或汉宁窗函数。
7.根据权利要求1所述的自动分段方法,其特征在于,步骤S4中的峰值点搜索算法采用的是Python中的Scipy框架的singal模块。
8.根据权利要求1所述的自动分段方法,其特征在于,步骤S5中端点检测算法的具体步骤为:
S51、定义四种信号帧状态FS0、FS1、FS2和FS3,并将信号矩阵第一行信号帧状态设置为FS0,并作为当前帧,其中,FS0表示信号帧处于检测分段起点状态,FS1表示信号帧已检测到分段起点状态,FS2表示信号帧处于检测分段终点状态,FS3表示信号帧处于已检测到分段终点状态;
S52、如果当前信号帧状态为FS0,进入步骤S53,如果当前信号帧状态为FS2,进入步骤S55;
S53、进行分段起点检测,信号帧状态切换为FS1,然后经行阈值判断,如果当前信号帧数据的短时能量变化斜率大于分段阈值,进入步骤S54,否则进行信号帧FS0移帧,即设置下一信号帧状态为FS0并将其作为当前信号帧,跳转到步骤S52;
S54、对当前信号帧的后5个信号帧进行阈值判断,即对应信号帧数据的短时能量变化斜率大于分段阈值,记录分段起点,进行信号帧FS2移帧,即设置下一信号帧状态为FS2并将其作为当前信号帧,进入步骤S55,否则进行信号帧FS0移帧,即设置下一信号帧状态为FS0并将其作为当前信号帧,跳转到步骤S52;
S55、进行分段终点检测,信号帧状态切换为FS3,然后经行阈值判断,如果当前信号帧数据的短时能量变化斜率小于分段阈值,进入步骤S56,否则进行信号帧FS2移帧,即设置下一信号帧状态为FS2并将其作为当前信号帧,跳转到步骤S52;
S56、对当前信号帧的后5个信号帧进行阈值判断,即对应信号帧数据的短时能量变化斜率小于分段阈值,记录分段终点,进行信号帧FS0移帧,即设置下一信号帧状态为FS0并将其作为当前信号帧,否则进行信号帧FS2移帧,即设置下一信号帧状态为FS2并将其作为当前信号帧,进入步骤S52;
S57、重复步骤S52~步骤S56,对信号帧矩阵中的信号帧状态进行逐帧判断,完成采样信号的初步分段端点检测。
9.根据权利要求1所述的自动分段方法,其特征在于,步骤S6中结合已知的机床加工过程中的加工阶段数量,利用K-means聚类方法,对初步分段获得的分段端点进行优化聚合的具体步骤为:
S61、以机床加工过程中的加工阶段数量作为目标信号最终分段的段数,即要聚合成的类别数K,以步骤S6得到的分段端点作为输入数据集,并从中随机选取K个数据作为质心;
S62、对输入数据集中的每有一个数据点,分别计算其与K个质心之间的距离,并将该数据点归入与其距离最近的质心所属集合,进而形成K个聚类集合;
S63、重新计算K个聚类集合的质心,即以每个聚类集合中所有数据点的索引值的平均值作为该聚类集合新的质点;
S64、计算新质点和原来质点之间的距离,如果距离值小于设定阈值,则完成优化聚合,否则重复步骤S62~S63。
10.一种机床加工过程监测信号的自动分段方法系统,其特征在于,包括:
信号分帧模块,用于根据机床加工过程监测信号的采样率、预定帧长和预定帧移,通过语音信号分帧算法对机床加工过程采样信号进行处理,计算信号的总帧数和每一信号帧在采样信号中的起点位置,以每一信号帧在采样信号中的起点位置为起点截取预定帧长的数据,作为一信号帧数据,并重组为n×m的信号帧矩阵,信号帧矩阵中的每一行代表一信号帧数据,其中n为总帧数,m为预定帧长,即每一信号帧数据个数;
信号帧短时能量计算模块,用于对信号分帧后的每一信号帧数据,计算在窗函数下的短时能量,将信号帧矩阵中每一行信号帧数据的短时能量依次存储为一个短时能量数组{e1,…,ei,…,en},其中n为总帧数,ei为第i行信号帧数据对应的短时能量;
信号帧短时能量变化斜率计算模块,用于对短时能量数组中相邻的信号帧数据短时能量计算变化率,得到信号帧数据短时能量变化斜率数组{e′ 1,…,e′ 1,…e′ n-1},其中ei ′为第i个信号帧数据短时能量变化斜率;
确定分段阈值模块,用于利用峰值点搜索算法对信号帧数据短时能量变化斜率数组进行峰值点搜索,获得信号帧数据短时能量变化斜率数组中所有的峰值点数据及峰值点数据在该数组中的索引值,并计算搜索到的所有峰值点数据的平均值,作为分段阈值;
端点检测模块,用于根据信号帧数据短时能量变化斜率数组和分段阈值,利用端点检测算法获取机床加工过程监测信号的每一分段信号的对应的两个端点,完成采样信号的初步分段端点检测;
端点聚类优化模块,用于结合已知的机床加工过程中的加工阶段数量,利用K-means聚类方法,对初步分段获得的端点进行优化聚合,完成采样信号的自动分段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010375884.4A CN111599348B (zh) | 2020-05-07 | 2020-05-07 | 一种机床加工过程监测信号的自动分段方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010375884.4A CN111599348B (zh) | 2020-05-07 | 2020-05-07 | 一种机床加工过程监测信号的自动分段方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111599348A CN111599348A (zh) | 2020-08-28 |
CN111599348B true CN111599348B (zh) | 2023-04-07 |
Family
ID=72185224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010375884.4A Active CN111599348B (zh) | 2020-05-07 | 2020-05-07 | 一种机床加工过程监测信号的自动分段方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111599348B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112958840B (zh) * | 2021-02-10 | 2022-06-14 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 精密零件加工削力信号自动分段方法 |
CN116579889B (zh) * | 2023-07-13 | 2023-10-20 | 江苏创时信息科技有限公司 | 一种基于物联网门锁的无感巡楼物业管理系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3084757A1 (en) * | 2013-12-18 | 2016-10-26 | Oxford University Innovation Limited | Method and apparatus for automatic speech recognition |
CN108364637A (zh) * | 2018-02-01 | 2018-08-03 | 福州大学 | 一种音频句子边界检测方法 |
CN108877776A (zh) * | 2018-06-06 | 2018-11-23 | 平安科技(深圳)有限公司 | 语音端点检测方法、装置、计算机设备和存储介质 |
CN109147771A (zh) * | 2017-06-28 | 2019-01-04 | 广州视源电子科技股份有限公司 | 音频分割方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8521529B2 (en) * | 2004-10-18 | 2013-08-27 | Creative Technology Ltd | Method for segmenting audio signals |
-
2020
- 2020-05-07 CN CN202010375884.4A patent/CN111599348B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3084757A1 (en) * | 2013-12-18 | 2016-10-26 | Oxford University Innovation Limited | Method and apparatus for automatic speech recognition |
CN109147771A (zh) * | 2017-06-28 | 2019-01-04 | 广州视源电子科技股份有限公司 | 音频分割方法和系统 |
CN108364637A (zh) * | 2018-02-01 | 2018-08-03 | 福州大学 | 一种音频句子边界检测方法 |
CN108877776A (zh) * | 2018-06-06 | 2018-11-23 | 平安科技(深圳)有限公司 | 语音端点检测方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111599348A (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aghazadeh et al. | Tool condition monitoring using spectral subtraction and convolutional neural networks in milling process | |
CN111599348B (zh) | 一种机床加工过程监测信号的自动分段方法和系统 | |
CN111085898A (zh) | 一种工况自适应的高速铣削加工过程刀具监测方法及系统 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
JP2006519709A (ja) | 機械加工用ダイナミクス計器 | |
CN111476430A (zh) | 一种基于机器学习回归算法的刀具剩余寿命预测方法 | |
US10413984B2 (en) | Method for predicting precision of electrical discharge machine | |
CN112207631B (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
CN114346761B (zh) | 一种基于改进条件生成对抗网络的刀具磨损状况检测方法 | |
CN112192319A (zh) | 无监督模型的刀具磨损监测方法及系统 | |
Wang et al. | Early chatter identification of robotic boring process using measured force of dynamometer | |
CN116787225A (zh) | 一种基于声振信号特征融合图的旋转刀具磨损监测方法 | |
CN103203670B (zh) | 基于最大信息熵与方向散度的磨削颤振预测方法 | |
CN114227382B (zh) | 基于新型胶囊网络的刀具破损监测系统及方法 | |
CN114871850A (zh) | 一种基于振动信号和bp神经网络的刀具磨损状态评估方法 | |
CN114239810A (zh) | 一种基于改进PCANet模型的铣刀磨损预测方法 | |
CN113369993A (zh) | 一种小样本下刀具磨损状态监测方法 | |
CN116307938B (zh) | 一种加工中心进给系统健康状态评估方法 | |
CN113523904A (zh) | 一种刀具磨损检测方法 | |
CN110530495A (zh) | 一种基于振动分析的切削颤振监测方法 | |
CN115310497A (zh) | 用于数控机床轴承的异常识别方法 | |
CN110135516B (zh) | 一种基于包络线及内积的高频数据模式识别方法 | |
CN112059725A (zh) | 一种基于emd-svm的刀具磨损监测方法 | |
Nakano et al. | Tool condition monitoring method by anomaly segmentation of time-frequency images using acoustic emission in small hole drilling | |
RU2403628C2 (ru) | Способ распознавания ключевых слов в слитной речи |
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 |