CN112668446A - 基于花朵授粉算法优化svm的微铣刀磨损状态监测方法 - Google Patents

Abstract

本发明公开了基于花朵授粉算法优化SVM的微铣刀磨损状态监测方法，通过安装在立式铣床主轴上的振动传感器，采集立铣切削过程中的加速度信号，首先，提取微铣削过程中加速度信号若干个时域特征，通过皮尔逊相关系数法计算出和磨损状态相关程度最高的两个时域特征信号值，再将其为SVM分类器的输入；然后对带有标签的两个时域特征信号值进行测试和训练，将训练样本输入到基于花朵授粉优化算法的SVM模型，优化SVM的核函数参数g和惩罚因子C，对测试样本计算得出该模型的识别度。本发明提出的花朵授粉算法优化SVM算法，识别率更高，能够掌握刀具的实时磨损状态，避免由于初始参数选择的不合适而带来的局部最优和过拟合的问题，有效提高了SVM的分类性能。

Description

基于花朵授粉算法优化SVM的微铣刀磨损状态监测方法

技术领域

本发明公开了基于花朵授粉算法优化SVM的微铣刀磨损状态监测方法，涉及精密制造技术领域。

背景技术

刀具状态监控技术刚起步发展时，研究主要集中在单一的状态信号检测、特征提取等方法上。随着各种传感器技术的飞速发展，使得可以利用振动、声发射、力等作为刀具状态的监测信号。起初，刀具状态监控模型也比较简单，主要应用的模型技术有：模糊判别、门限报警统计模式识别等。如今已发展为以信号处理与各种信息智能化处理相互融合的刀具状态监测技术。由于微铣刀在超高转速下进行不连续切削时，刀具磨损迅速且难于监测，影响了加工精度、产品质量和刀具使用寿命，一直以来刀具磨破损的在线监测也是微铣削加工过程控制中的难点所在。且从采集到的振动信号中提取的特征值存在冗余信息，不仅影响识别速度，而且影响识别率。常规的微铣刀磨损状态监测方法识别率较低，初始参数选择的不合适而带来的局部最优和过拟合的问题也比较显著。

发明内容

本发明针对上述背景技术中的缺陷，提供基于花朵授粉算法优化SVM的微铣刀磨损状态监测方法。

为实现上述目的，本发明采用的技术方案如下：基于花朵授粉算法优化SVM的微铣刀磨损状态监测方法，包括以下步骤：

S1：通过安装在立式铣床主轴上的振动传感器，采集立铣切削过程中微铣刀不同磨损状态下的加速度信号；

S2：对S1中的加速度信号进行时域分析，提取若干个时域信号特征值；

S3：通过皮尔逊相关系数法计算S2中时域信号特征值与磨损状态之间的相关程度，找出最能表征微铣刀刀具磨损状况的两个表征时域信号特征值；

S4：选用径向基核函数建立SVM模型，将S3中选出来的两个表征时域信号特征值输入到支持向量机识别模型中进行训练，通过通过分类器对不同磨损程度下的加速度信号进行分类；

S5：建立花朵授粉算法优化SVM的模型，优化SVM模型的关键参数，两个关键参数为核函数参数g和惩罚因子C，计算出关键参数的最优值，使得分类器对不同磨损程度下的加速度信号分类准确率最优。

进一步的，所述的输入到支持向量机识别模型中进行训练的两个时域信号特征值的样本集为：

(x₁,y₁),(x₂,y₂),…,(x_n,y_n),x_n∈R^d,y_n∈{-1,+1}

其中：x_n和y_n分别代表输入的两个表征时域信号特征值，y_i为y_n的第i个特征值，R^d为实数，每个样本是N维向量，存在一个超平面：g(x)＝w·x+b＝0，w∈R^d为分类线性方程的法向量。

进一步的，通过分类器对不同磨损程度下的加速度信号进行分类的具体步骤包括：

1.求解最优超平面：g(x)＝1和g(x)＝-1是最接近最优分类面g(x)＝0的样本边界平面，两个平面之间的最短距离为||w||/2；

对样本集进行归一化处理(x₁,y₁),(x₂,y₂),…,(x_n,y_n),x_n∈R^d,y_n∈[-1,+1]，且满足y_n(w·x_n+b)≥0，

其中：b是截距；

2.通过内积函数K(x_i,y_i)转化的形式进行线性分类；求解最优超平面的问题就成为，在约束条件

对α_i求解下列函数的最大值：

其中：α拉格朗日对偶变量；

3最终得到的最优分类函数为：

若f(x)＞0输入的向量就归为1类，否则就为-1类，从而实现对输入量的识别。

进一步的，所述的皮尔逊相关系数法计算中的皮尔逊相关系数r：

其中，z是加速度信号，t是时域信号特征值，

和

分别是其平均值。

进一步的，所述的最能表征微铣刀刀具磨损状况的两个时域信号特征值为：

波形因子：

其中：x_rms为均方根

脉冲因子：

其中：x是加速度信号。

进一步的，S5中花朵授粉算法优化SVM的模型具体步骤包括：

输入核函数参数g和惩罚因子C到SVM模型中；

计算SVM预测模型；

若预测模型满足退出条件，则输出最优核函数参数g和惩罚因子C；

若预测模型不满足退出条件，则进行花朵授粉优化，随机产生核函数参数g和惩罚因子C重新输入SVM模型，并计算SVM预测模型。

进一步的，所述时域信号特征值还包括：均值，均方根，峰值因子，方差，峭度，偏态，峰值因子，自主权因子。

所述的花朵授粉算法的基本原理为：根据达尔文进化论的“适者生存”理论，花朵利用外力进行授粉繁衍的机制是经过大自然各种环境条件挑选，最终保留下能更好适应当前环境的的机制。通过简化自然界中花朵授粉的原理，花朵授粉算法原理的具体步骤如下：初始化花朵授粉优化算法的参数，花朵种群数为n，转换概率为p，最大迭代次数为N；计算花朵种群中花朵个体的适应度函数值，接着通过比较，计算出当前花朵种群中的最优解和其适应度值；生成随机数rand，判断p>rand是否成立，若成立则通过异花授粉对种群中的解进行更新，并进行越界处理，若不成立，则通过自花授粉对种群中的解进行更新，并进行越界处理；接着更新种群中新生个体的适应度值，若新个体的适应度值比原个体的适应度函数值更优，则替换当前个体，否则就保留当前个体，如果新个体的适应度值优于全局最优值，则更新全局最优个体和全局最优值；最后判断是否达到迭代终止条件，若已经达到终止条件，则输出最优解，即全局最优解；否则继续迭代。

有益效果：识别率更高，能够掌握刀具的实时磨损状态，避免由于初始参数选择不佳而带来的局部最优和过拟合问题，有效提高了SVM的分类性能。

附图说明

图1为本发明规范化的分类平面；

图2为本发明花朵授粉算法流程图；

图3为花朵授粉算法优化SVM流程图。

具体实施方式

下面结合附图对技术方案的实施作进一步的详细描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1～3所示的一种实施例：基于花朵授粉算法优化SVM的微铣刀磨损状态监测方法，包括以下步骤：

S1：通过安装在立式铣床主轴上的振动传感器，采集立铣切削过程中微铣刀不同磨损状态下的加速度信号；

S2：对S1中的加速度信号进行时域分析，提取若干个时域信号特征值；

S3：通过皮尔逊相关系数法计算S2中时域信号特征值与磨损状态之间的相关程度，找出最能表征微铣刀刀具磨损状况的两个表征时域信号特征值；

S4：选用径向基核函数建立SVM模型，将S3中选出来的两个表征时域信号特征值输入到支持向量机识别模型中进行训练，通过通过分类器对不同磨损程度下的加速度信号进行分类；

S5：建立花朵授粉算法优化SVM的模型，优化SVM模型的关键参数，两个关键参数为核函数参数g和惩罚因子C，计算出关键参数的最优值，使得分类器对不同磨损程度下的加速度信号分类准确率最优。

进一步的，所述的输入到支持向量机识别模型中进行训练的两个时域信号特征值的样本集为：

(x₁,y₁),(x₂,y₂),···,(x_n,y_n),x_n∈R^d,y_n∈{-1,+1}

其中：x_n和y_n分别代表输入的两个表征时域信号特征值，y_i为y_n的第i个特征值，R^d为实数，每个样本是N维向量，存在一个超平面：g(x)＝w·x+b＝0，w∈R^d为分类线性方程的法向量。

进一步的，通过分类器对不同磨损程度下的加速度信号进行分类的具体步骤包括：

1.求解最优超平面：g(x)＝1和g(x)＝-1是最接近最优分类面g(x)＝0的样本边界平面，两个平面之间的最短距离为||w||/2；

对样本集进行归一化处理(x₁,y₁),(x₂,y₂),…,(x_n,y_n),x_n∈R^d,y_n∈[-1,+1]，且满足y_n(w·x_n+b)≥0，

其中：b是截距；

2.通过内积函数K(x_i,y_i)转化的形式进行线性分类；求解最优超平面的问题就成为，在约束条件

对α_i求解下列函数的最大值：

其中：α拉格朗日对偶变量

3最终得到的最优分类函数为：

若f(x)＞0输入的向量就归为1类，否则就为-1类，从而实现对输入量的识别。

进一步的，所述的皮尔逊相关系数法计算中的皮尔逊相关系数r：

其中，z是加速度信号，t是时域信号特征值，

和

分别是其平均值。

进一步的，所述的最能表征微铣刀刀具磨损状况的两个时域信号特征值为：

波形因子：

其中：x_rms为均方根

脉冲因子：

其中：x是加速度信号。

进一步的，S5中花朵授粉算法优化SVM的模型具体步骤包括：

输入核函数参数g和惩罚因子C到SVM模型中；

计算SVM预测模型；

若预测模型满足退出条件，则输出最优核函数参数g和惩罚因子C；

若预测模型不满足退出条件，则进行花朵授粉优化，随机产生核函数参数g和惩罚因子C重新输入SVM模型，并计算SVM预测模型。

进一步的，所述时域信号特征值还包括：均值，均方根，峰值因子，方差，峭度，偏态，峰值因子，自主权因子。

初始化花朵授粉优化算法的参数，花朵种群数为n，转换概率为p，最大迭代次数为N；计算花朵种群中花朵个体的适应度函数值，接着通过比较，计算出当前花朵种群中的最优解和其适应度值；生成随机数rand，判断p>rand是否成立，若成立则通过异花授粉对种群中的解进行更新，并进行越界处理，若不成立，则通过自花授粉对种群中的解进行更新，并进行越界处理；接着更新种群中新生个体的适应度值，若新个体的适应度值比原个体的适应度函数值更优，则替换当前个体，否则就保留当前个体，如果新个体的适应度值优于全局最优值，则更新全局最优个体和全局最优值；最后判断是否达到迭代终止条件，若已经达到终止条件，则输出最优解，即全局最优解；否则继续迭代。图2为该算法求解问题的一般流程。

以下为花朵授粉优化SVM的一般步骤：

Step1：初始化花朵授粉优化算法的参数，花朵种群数为n，转换概率为p，最大迭代次数为N；

Step2：计算花朵种群中花朵个体的适应度函数值f(x)，接着通过比较，计算出当前花朵种群中的最优解x_best和其适应度值f_best；

Step3：生成随机数rand，判断p>rand是否成立，若成立则按照公式

通过异花授粉对种群中的解进行更新，并进行越界处理；若p<rand，则按照公式

通过自花授粉对种群中的解进行更新，并进行越界处理；

其中

和

分别是种群进化的第k+1代和第k代的个体，x_best是全局最优的个体，rand是在[0，1]范围内服从均匀分布的随机数，

和

分别是同科植物的不同花朵的花粉配子；L是该算法的迭代步长，L用公式表示为：

Step4：更新种群中新生个体的适应度值，若新个体的适应度值比原个体的适应度函数值更优，则替换当前个体，否则就保留当前个体，如果新个体的适应度值优于全局最优值，则更新全局最优个体和全局最优值；

Step5：判断是否达到迭代终止条件，若已经达到终止条件，则输出最优解，即全局最优解；否则转至Step3继续迭代，最后将其作为花朵授粉算法优化SVM的模型来预测。

Step6：确定适应度值为f(x)，x＝(C，g)，初始化种群，按照上述花朵授粉算法原理在初始种群中找到最优的(C，g)，最后将其作为花朵授粉算法优化SVM的模型来预测。图3为花朵授粉算法优化SVM的流程，图3的退出条件为在初始种群中找到最优解(C，g)。

其中Step3是关键步骤，分别对应于寻优问题的全局搜索和局部搜索。

本发明识别率更高，能够掌握刀具的实时磨损状态，避免由于初始参数选择不佳而带来的局部最优和过拟合问题，有效提高了SVM的分类性能。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (7)

1.基于花朵授粉算法优化SVM的微铣刀磨损状态监测方法，其特征在于，包括以下步骤：

S1：通过安装在立式铣床主轴上的振动传感器，采集立铣切削过程中微铣刀不同磨损状态下的加速度信号；

S2：对S1中的加速度信号进行时域分析，提取若干个时域信号特征值；

S3：通过皮尔逊相关系数法计算S2中时域信号特征值与磨损状态之间的相关程度，找出最能表征微铣刀刀具磨损状况的两个表征时域信号特征值；

S4：选用径向基核函数建立SVM模型，将S3中选出来的两个表征时域信号特征值输入到支持向量机识别模型中进行训练，通过通过分类器对不同磨损程度下的加速度信号进行分类；

S5：建立花朵授粉算法优化SVM的模型，优化SVM模型的关键参数，两个关键参数为核函数参数g和惩罚因子C，计算出关键参数的最优值，使得分类器对不同磨损程度下的加速度信号分类准确率最优。

2.根据权利要求1所述的基于花朵授粉算法优化SVM的微铣刀磨损状态监测方法，其特征在于，所述的输入到支持向量机识别模型中进行训练的两个时域信号特征值的样本集为：

(x₁,y₁),(x₂,y₂),···,(x_n,y_n),x_n∈R^d,y_n∈{-1,+1}

其中：x_n和y_n分别代表输入的两个表征时域信号特征值，y_i为y_n的第i 个特征值，R^d为实数，每个样本是N维向量，存在一个超平面：g(x)＝w·x+b＝0，w∈R^d为分类线性方程的法向量。

3.根据权利要求2所述的基于花朵授粉算法优化SVM的微铣刀磨损状态监测方法，其特征在于，通过分类器对不同磨损程度下的加速度信号进行分类的具体步骤包括：

(1).求解最优超平面：g(x)＝1和g(x)＝-1是最接近最优分类面g(x)＝0的样本边界平面，两个平面之间的最短距离为||w||/2；

对样本集进行归一化处理(x₁,y₁),(x₂,y₂),···,(x_n,y_n),x_n∈R^d,y_n∈[-1,+1]，且满足y_n(w·x_n+b)≥0，其中：b是截距；

(2).通过内积函数K(x_i,y_i)转化的形式进行线性分类；求解最优超平面的问题就成为，在约束条件

对α_i求解下列函数的最大值：

其中：x_i为x_n的第i个特征值；α拉格朗日对偶变量；

(3).最终得到的最优分类函数为：

若f(x)＞0输入的向量就归为1类，否则就为-1类，从而实现对输入量的识别。

4.根据权利要求1所述的基于花朵授粉算法优化SVM的微铣刀磨损状态监测方法，其特征在于，所述的皮尔逊相关系数法计算中的皮尔逊相关系数r：

其中，z是加速度信号，t是时域信号特征值，

和

分别是其平均值。

5.根据权利要求1所述的基于花朵授粉算法优化SVM的微铣刀磨损状态监测方法，其特征在于，所述的最能表征微铣刀刀具磨损状况的两个时域信号特征值为：

波形因子：

其中：x_rms为均方根

脉冲因子：

其中：x是加速度信号。

6.根据权利要求1所述的基于花朵授粉算法优化SVM的微铣刀磨损状态监测方法，其特征在于，S5中花朵授粉算法优化SVM的模型具体步骤包括：

输入核函数参数g和惩罚因子C到SVM模型中；

计算SVM预测模型；

若预测模型满足退出条件，则输出最优核函数参数g和惩罚因子C；

若预测模型不满足退出条件，则进行花朵授粉优化，随机产生核函数参数g和惩罚因子C重新输入SVM模型，并计算SVM预测模型。

7.根据权利要求4所述的基于花朵授粉算法优化SVM的微铣刀磨损状态监测方法，其特征在于，所述时域信号特征值还包括：均值，均方根，峰值因子，方差，峭度，偏态，峰值因子，自主权因子。

Images