CN112757053B - 基于功率和振动信号的模型融合刀具磨损监测方法及系统 - Google Patents

Abstract

本发明公开了一种基于功率和振动信号的模型融合刀具磨损监测方法及系统，基于功率和振动信号的模型融合刀具磨损监测方法及计算机可读存储介质、及系统，基于功率和振动信号的模型融合刀具磨损监测方法，包括：S1：信号采集与筛选，对刀具主轴的功率信号和振动信号进行同步采样，同时对机床的PLC进行同步采样以获取机床实时的加工信息，利用加工信息筛选功率信号和振动信号，得到待监测刀具进行加工时的功率信号和振动信号；S2：信号降噪，对加工段信号的功率信号和振动信号分别设置阈值，利用阈值滤波去除高频区域信号以降噪；刀具磨损的预测精度高，准确度高，不受外部环境影响。

Description

基于功率和振动信号的模型融合刀具磨损监测方法及系统

技术领域

本发明涉及刀具磨损监测技术领域，尤其是涉及一种基于功率和振动信号的模型融合刀具磨损监测方法及计算机可读存储介质、及系统模型融合刀具磨损监测系统。

背景技术

相关技术中，随着制造业产业升级，精细化加工愈发得到制造业企业重视，由于刀具磨损与产品的加工质量直接相关，进而影响企业生产效率。刀具未磨损时换刀会增加生产成本，刀具过磨损时换刀会造成产品表面粗糙度不合格。据统计，停工时间中有20％是由于刀具失效引起的。现有的对于刀具磨损的监测装置容易受到外部环境影响，影响其声音信号的采集，精度低。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明的一个目的在于提出一种基于功率和振动信号的模型融合刀具磨损监测方法，刀具磨损的预测精度高，准确度高，不受外部环境影响。

本发明的另一个目的在于提出一种计算机可读存储介质。

本发明的还一个目的在于提出一种实施上述实施例的方法的模型融合刀具磨损监测系统。

基于功率和振动信号的模型融合刀具磨损监测方法，包括：S1：信号采集与筛选，对刀具主轴的功率信号和振动信号进行同步采样，同时对机床的PLC进行同步采样以获取所述机床实时的加工信息，利用所述加工信息筛选所述功率信号和所述振动信号，得到待监测刀具进行加工时的所述功率信号和所述振动信号；S2：信号降噪，对加工段信号的所述功率信号和所述振动信号分别设置阈值，利用所述阈值滤波去除高频区域信号以降噪；S3：特征计算，计算降噪后的所述功率信号和所述振动信号的特征，获得原始特征数据集；S4：特征降维，利用随机森林算法计算所述原始特征数据集中所有特征的重要性评分，并将所得评分进行降序排列，确定剔除比例，根据所述剔除比例剔除部分所述特征以得到新特征集；S5：数据划分，对所述新特征集的数据分成三部分，以分别作为训练集、验证集和测试集；S6：模型训练，将所述训练集的数据输入Catboost模型和极端随机树模型，调整参数，分别训练得到所述Catboost模型、所述极端随机树模型对应的所述刀具磨量监测模型，采用Stacking集成算法，对所述Catboost模型、所述极端随机树模型对应的所述刀具磨量监测模型进行融合学习；S7：模型预测，根据融合后的所述刀具磨量监测模型，对所述测试集的特征进行刀具磨损量的预测；S8：同步更新，将所述刀具磨损量的预测结果进行卡尔曼滤波降噪，获得刀具磨损预测值。

根据本发明实施例的基于功率和振动信号的模型融合刀具磨损监测方法，可以有效的而对机床上的刀具的实际磨损量进行监测，即可以在每次使用机床进行加工后，根据基于功率和振动信号的模型融合刀具磨损监测方法，对刀具本次加工所需要的磨损量进行有效的预测，从而可以准确的获知刀具磨损量，并根据刀具的磨损连决定是否需要更换刀具。

另外，根据本发明的基于功率和振动信号的模型融合刀具磨损监测方法，还可以具有如下附加的技术特征：

在本发明的一些实施例中，在步骤S2中，采用多层的小波包对所述加工段信号的所述功率信号和所述振动信号进行阈值滤波。

在本发明的一些实施例中，在步骤S3中，按照如下公式对所述功率信号和所述振动信号的特征进行计算：

上述公式中，x_i为所述功率信号和所述振动信号，σ为x_i的标准差，N为x_i个数，f为功率谱频率，S(f)为频率f的幅值。

在本发明的一些实施例中，在步骤S7中，基于模型调试结果展示和对比的刀具磨损量的预测指标，选取未经过模型训练的所述验证集，使用模型进行模型预测，预测加工段信号状态下刀具磨损量，并用平均绝对误差、均方根误差和决定系数作为模型评价性能指标，计算公式如下：

平均绝对误差：

均方根误差：

决定系数：

其中，

y_i为刀具磨损量实际测量值，

为模型的磨损量估计值，

为实际值的均值，m为y_i的个数。

在本发明的一些实施例中，步骤S6中所述采用Stacking集成算法，对所述Catboost模型、所述极端随机树模型对应的所述刀具磨量监测模型进行融合学习包括如下过程：

S61：将模型划分为训练集和测试集；

S62：针对所述Catboost模型、所述极端随机树模型，分别进行K次训练，每次训练保留1/K的样本作为验证集用于验证；每次训练结束后，分别对所述验证集和所述测试集进行预测，对最终获得的两组各5个预测值分别取平均；

S63：创建第二层模型，以所述Catboost模型、所述极端随机树模型在所述测试集的预测结果均值为输入，将步骤S61的所述测试集为目标进行训练拟合，获得的最终模型作为融合结果。

在本发明的一些实施例中，步骤7的模型预测阶段，仅计算按照所述随机森林算法筛选出的重要性评分达到设定程度的特征信号。

在本发明的一些实施例中，步骤8中所述卡尔曼滤波的算法如下：

状态的一步预测：X_t ^-＝F*X_t-1；

一步预测误差方差阵：P_t ^-＝FP_t-1F^T+Q；

状态估计：X_t＝X_t ^-+K_t(Z_t-HX_t ^-)；

滤波增益矩阵：K_t＝P_t ^-*H^T/(H*P_t ^-*H^T+R)；

估计误差方差阵：P_t＝(I-K_tH)P_t ^-；

其中，X_t为t时刻状态的估计，P_t为t时刻状态协方差矩阵，F为状态转移矩阵，Q为状态转移协方差矩阵，H为观测矩阵，R为观测噪声方差，Z_t为t时刻观测值，X_t ^-和P_t ^-分别为从t-1时刻推导出t时刻的状态和状态协方差，K_t为滤波增益矩阵，I为单位矩阵。

根据本发明实施例的计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现上述实施例的基于功率和振动信号的模型融合刀具磨损监测方法。

根据本发明实施例的一张计算机可读存储介质，通过运行上述实施例的基于功率和振动信号的模型融合刀具磨损监测方法，可以通过该方法实现对于机床所使用的刀具的磨损量的预测，从而通过准确的预测刀具的磨损量，提升了其对于刀具的磨损量的准确评估，可以在刀具磨损后，准时的更换，防止磨损较大的刀具影响加工质量。

根据本发明实施例的一种实施上述实施例的基于功率和振动信号的模型融合刀具磨损监测方法的模型融合刀具磨损监测系统，一种实施权利要求1-7任一项所述方法的模型融合刀具磨损监测系统，包括：采集模块，用于采集刀具主轴的功率信号和振动信号、机床的加工信息，所述采集模块还用于利用所述加工信息筛选所述功率信号和所述振动信号；信号处理模块，用于对原始的所述功率信号和所述振动信号进行降噪处理，去除背景噪声和野点；计算模块，用于对降噪后的所述功率信号和所述振动信号的特征进行计算，获得原始特征数据集；特征降维模块，用于对所述原始特征数据集进行降维处理，得到新特征集；磨损量监测模块，用于对所述新特征集基于特征值进行磨损量的预测。

根据本发明实施例的模型融合刀具磨损监测系统，可以通过运行上述实施例的基于功率和振动信号的模型融合刀具磨损监测方法，从而准确的计算出刀具使用后的磨损量，进而可以得出刀具的磨损的准确的磨损值，可以在刀具完全磨损之前预测其磨损的周期以及使用寿命，进而通过准确的监测刀具磨损的量，便于及时的更换刀具，防止影响加工的质量。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明实施例的基于功率和振动信号的模型融合刀具磨损监测方法的实施流程图；

图2是本发明实施例的基于功率和振动信号的模型融合刀具磨损监测方法中刀具磨量监测模型进行融合学习过程流程图；

图3是本发明实施例的基于功率和振动信号的模型融合刀具磨损监测方法的刀具磨损量与镗孔时间的关系图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

下面参考图1-图3描述根据本发明实施例的基于功率和振动信号的模型融合刀具磨损监测方法。

如图1所示，根据本发明实施例的一种基于功率和振动信号的模型融合刀具磨损监测方法，包括：

S1：信号采集与筛选，对刀具主轴的功率信号和振动信号进行同步采样，同时对机床的PLC进行同步采样以获取机床实时的加工信息，利用加工信息筛选功率信号和振动信号，得到待监测刀具进行加工时的功率信号和振动信号；

在本发明实施例的基于功率和振动信号的模型融合刀具磨损监测方法中，选取5000Hz的功率作为采样频率、12800Hz的振动采样频率和10Hz的机床加工信息采样频率，利用三者的比例关系进行信号筛选，并剔除切入切出部分信号即筛选出平稳加工信号为加工原始信号的历史数据。

其中对于功率采样频率、振动采样频率和机床加工信息采样频率的选择可以根据实际情况进行选择。

S2：信号降噪，对加工段信号的功率信号和振动信号分别设置阈值，利用阈值滤波去除高频区域信号以降噪；

在该步骤中，利用5层db8小波包对筛选后的功率信号和振动信号将高频区域信号设置阈值滤波，分别滤除2000Hz以上振动信号和78.125Hz以上的功率信号并进行重构，从而达到降噪目的。

需要说明的是，在信号采集的过程中，由于机床加工及外部环境的声音会产生噪声，以对信号采集进行干扰，并且相比较而言，噪声一般为高频信号，而所要采集的功率信号和振动信号为低频信号，因此设定一个阈值，则高于该阈值的信号即可以作噪声进行剔除处理，从而实现了降噪的目的，并提升了信号采集的精确度。

需要说明的是，上文所说的基于小波分析多分辨率理论基础上的小波包分解是一种时频分析方法，具有信号低熵性、多分辨率、去相关性以及选基的灵活性的特征，因此可以从刀具加工的功率和振动信号中有效分离高频噪声，提高信噪比。

S3：特征计算，计算降噪后的功率信号和振动信号的特征，获得原始特征数据集；

在该步骤中，计算去噪后功率信号和振动信号的时域和频域特征，并计算小波包分解后不同分解尺度上信号能量，作为信号的原始特征数据集。

S4：特征降维，利用随机森林算法计算原始特征数据集中所有特征的重要性评分，并将所得评分进行降序排列，确定剔除比例，根据剔除比例剔除部分特征以得到新特征集；

在该步骤中，利用随机森林算法将原始特征数据集中的所有特征进行重要性评分，将重要性较低的特征剔除后，降低了后续模型的输入特征维度，提升了基于功率和振动信号的模型融合刀具磨损监测方法的运算速率。

S5：数据划分，对新特征集的数据分成三部分，以分别作为训练集、验证集和测试集；

在该步骤中，可以将获得的新特征集中的数据进行划分，可以将新特征集中的数据的70％作为做训练集，以做训练使用。将20％的特征作为验证集，以在训练过程中对模型进行验证，并将10％的特征作为测试集，以对调校好的模型的磨损监测进行测试。

S6：模型训练，将训练集的数据输入Catboost模型和极端随机树模型，调整参数，分别训练得到Catboost模型、极端随机树模型对应的刀具磨量监测模型，采用Stacking集成算法，对Catboost模型、极端随机树模型对应的刀具磨量监测模型进行融合学习；

在该步骤中，将降维后的特征中提取训练样本，将训练集样本输入Catboost模型与极端随机树模型中，分别得到两个刀具磨量监测模型，再利用Stacking集成算法，将两个模型进行融合，从而可以得到一个新的刀具磨量监测模型，由此提升了所获得的刀具磨量监测模型的整体的准确性。

S7：模型预测，根据融合后的刀具磨量监测模型，对测试集的特征进行刀具磨损量的预测；

在该步骤中，通过上述的方式可以根据得到的一个刀具磨量监测模型，实现了对刀具磨损量的预测，可以有效的了解刀具的磨损量从而提升了刀具磨损量的监测。并可以根据磨损量对刀具进行更换。

S8：同步更新，将刀具磨损量的预测结果进行卡尔曼滤波降噪，获得刀具磨损预测值。

在该步骤中，通过再次进行卡尔曼滤波算法进行降噪，可以有效的提升刀具磨损量的预测精确度。如图3所示，预测点被滤波为虚线段，与表示实际磨损量的实际误差很小，即本发明实施例的基于功率和振动信号的模型融合刀具磨损监测方法预测精确度高。

根据本发明实施例的基于功率和振动信号的模型融合刀具磨损监测方法，可以有效的对机床上的刀具的实际磨损量进行监测，即可以在每次使用机床进行加工后，根据基于功率和振动信号的模型融合刀具磨损监测方法，对刀具本次加工所需要的磨损量进行有效的预测，从而可以准确的获知刀具磨损量，并根据刀具的磨损量决定是否需要更换刀具。

在步骤S2中，采用多层的小波包对加工段信号的功率信号和振动信号进行阈值滤波。基于小波分析多分辨率理论基础上的小波包分解是一种时频分析方法，具有信号低熵性、多分辨率、去相关性以及选基的灵活性的特征，因此可以从刀具加工的功率和振动信号中有效分离高频噪声，提高信噪比。

在步骤S3中，按照如下公式对功率信号和振动信号的特征进行计算：

上述公式中，x_i为所述功率信号和所述振动信号，σ为x_i的标准差，N为x_i个数，f为功率谱频率，S(f)为频率f的幅值。

在本发明实施例的基于功率和振动信号的模型融合刀具磨损监测方法中，步骤S7中，基于模型调试结果展示和对比的刀具磨损量的预测指标，选取未经过模型训练的验证集，使用模型进行模型预测，预测加工段信号状态下刀具磨损量，并用平均绝对误差、均方根误差和决定系数作为模型评价性能指标，计算公式如下：

平均绝对误差：

均方根误差：

决定系数：

其中，y_i为刀具磨损量实际测量值，

为模型的磨损量估计值，

为实际值的均值，m为y_i的个数。

如图2所示，步骤S6中采用Stacking集成算法，对Catboost模型、极端随机树模型对应的刀具磨量监测模型进行融合学习包括如下过程：

S61：将模型划分为训练集和测试集；

在该步骤中，对于模型的训练集和测试集的划分后，由于Stacking算法需要对训练集进行K折交叉验证，故将训练集继续K折划分为K份，依次选取其中1份为验证集，K-1份为训练集。在本发明实施例中选取5折。

S62：针对Catboost模型、极端随机树模型，分别在K-1份的训练集上进行训练，共训练K次；每次训练结束后，分别对验证集和测试集进行预测，对最终获得的两组各5个预测值分别取平均；

S63：创建第二层模型，以Catboost模型、极端随机树模型在测试集的预测结果均值为输入，将步骤S61的测试集为目标进行训练拟合，获得的最终模型作为融合结果。

在前文的步骤7的模型预测阶段，仅计算按照随机森林算法筛选出的重要性评分达到设定程度的特征信号。

也就是说，在步骤7中的模型预测阶段，可以将按照模型算法筛选出的重要特征进行计算，从而提升了对后续计算的速度，并且无需再次降维。

在前文所说的步骤8中卡尔曼滤波的算法如下：

状态的一步预测：X_t ^-＝F*X_t-1；

一步预测误差方差阵：P_t ^-＝FP_t-1F^T+Q；

状态估计：X_t＝X_t ^-+K_t(Z_t-HX_t ^-)；

滤波增益矩阵：K_t＝P_t ^-*H^T/(H*P_t ^-*H^T+R)；

估计误差方差阵：P_t＝(I-K_tH)P_t ^-。

其中X_t为t时刻状态的估计，P_t为t时刻状态协方差矩阵，F为状态转移矩阵，Q为状态转移协方差矩阵，H为观测矩阵，R为观测噪声方差，Z_t为t时刻观测值。X_t ^-和P_t ^-分别为从t-1时刻推导出t时刻的状态和状态协方差，K_t为滤波增益矩阵，I为单位矩阵。

作为对比，本发明基于一组训练和验证过程中未使用的刀具全生命周期信号数据进行模型效果的指标分析。Stacking集成学习前后各模型在该数据集上指标如下表所示：

各信号和各模型在验证集上评价指标

据表可知，模型融合能够进一步提升融合前各模型的预测效果。可见模型融合的方案均优于融合前，验证了本发明的优势。

作为对比实验，本发明使用相同的特征采用随机森林、xgboost、贝叶斯岭回归和支持向量机模型进行训练和测试，模型在训练和测试过程中未使用的刀具全生命周期信号数据验进行模型效果的指标分析，具体的性能指标结果如下表所示。

对比模型在验证集上精度

模型名称	MAE	RMSE	R2
				随机森林	36.7721	46.2670	0.9002
xgboost	41.2236	51.4413	0.8766
				贝叶斯岭回归	47.4053	60.2333	0.9095
支持向量机	49.3364	59.1643	0.8368

据表可知，随机森林、xgboost、贝叶斯岭回归和支持向量机在验证集上的性能指标均低于本发明所提出及的Catboost和极端随机树方案，更低于本发明所提出的模型融合方案，验证了本发明所提出方法的优势优势。

基于本发明方法训练出模型的预测结果，采用卡尔曼滤波进行同步更新，更新后的指标如表所示。

卡尔曼滤波后在测试集上精度

据表可知，卡尔曼滤波能有效消除模型的预测噪声，提高预测精度。

根据本发明实施例的一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现如上述实施例的基于功率和振动信号的模型融合刀具磨损监测方法。

根据本发明实施例的一张计算机可读存储介质，通过运行上述实施例的基于功率和振动信号的模型融合刀具磨损监测方法，可以通过该方法实现对于机床所使用的刀具的磨损量的预测，从而通过准确的预测刀具的磨损量，提升了其对于刀具的磨损量的准确评估，可以在刀具磨损后，准时的更换，防止磨损较大的刀具影响加工质量。

根据本发明实施例的一种实施上述实施例的基于功率和振动信号的模型融合刀具磨损监测方法的模型融合刀具磨损监测系统，包括：采集模块、信号处理模块、计算模块、特征降维模块和磨损量监测模块。

其中，采集模块用于采集刀具主轴的功率信号和振动信号、机床的加工信息，采集模块还用于利用加工信息筛选功率信号和振动信号。信号处理模块用于对原始的功率信号和振动信号进行降噪处理，去除背景噪声和野点。计算模块，用于对降噪后的功率信号和振动信号的特征进行计算，获得原始特征数据集。特征降维模块，用于对原始特征数据集进行降维处理，得到新特征集。磨损量监测模块，用于对新特征集基于特征值进行磨损量的预测。

根据本发明实施例的模型融合刀具磨损监测系统，可以通过运行上述实施例的基于功率和振动信号的模型融合刀具磨损监测方法，从而准确的计算出刀具使用后的磨损量，进而可以得出刀具的磨损的准确的磨损值，可以在刀具完全磨损之前预测其磨损的周期以及使用寿命，进而通过准确的监测刀具磨损的量，便于及时的更换刀具，防止影响加工的质量。

此外，在本发明实施例中，步骤4中随机森林算法是通过基尼不纯度计算决策树节点的纯度来衡量特征重要性，对特征进行重要性评分降序排列，确定剔除的比例，剔除后得到新的特征集。

步骤6中的极端随机树算法与随机森林算法类似，都是基于决策树集成，不同在于其每棵树都是从完整的样本中训练出，同时节点分裂时完全随机分裂，分裂过程中不剪枝直到生成决策树。

相比随机森林。极端随机树的随机属性更强，不需要优化离散化阈值，每次生成的决策树均不相同，在极端情况下模型会构建完全随机、结构与学习样本输出值无关的树。也正是由于其完全随机的特性，所以具有更好的拟合效果、鲁棒性和泛化能力。

本文采用网格搜索对极端随机树进行模型调参，由于极端随机树的极端随机属性，理论上仅需增加树的数量即可提升模型质量，所以结合计算用时与模型提升，最终结果设置为n_estimators＝122，该参数代表极端随机树模型的数量，max_depth＝None，该参数代表极端随机树的深度。

进一步，步骤6中Catboost是俄罗斯公司Yandex于2017年开源的一种新型梯度提升算法，它通过采用排序提升的方式对传统GBDT算法中的梯度估计进行了改进，得到无偏梯度估计，从而减轻梯度估计偏差的影响，提高模型的泛化能力。在训练过程中，使用串行方法集成决策树，并在训练过程中对预测效果好的决策树赋予更大的权重，最终预测结果为所有决策树的加权求和。CatBoost减少了对大量超参数调优的依赖，降低了模型过拟合问题，提高了模型泛化能力和鲁棒性,特别适合样本量小、数据不平衡的情况。

与许多使用GBDT技术的算法(XGBoost,LightGBM等)一样，Catboost也将构建树的过程分为两个阶段：选择树结构和在树结构固定后计算叶节点的值。不同之处在于Catboost在第一阶段采用排序提升(ordered boosting)的方式，通过生成一组随机排列的训练数据集子样本，针对不同的子样本从不基于该样本的梯度进行更新，以替换传统算法中迭代的损失函数使用相同的数据集求得的方法，减轻了梯度估计的预测偏移，提高了模型的泛化能力，增强了预测精度。

第二阶段采用传统的GBDT方案，通过多轮迭代执行算法，每轮迭代产生一个弱决策树，每个决策树在上一轮的残差基础上进行训练，最终将每轮训练得到的弱决策树的刀具磨损量预测结果进行加权求和进行评分，得到最终的预测结果。

由于Catboost在构建节点的过程中总是使用完整的二叉树，构建出完全对称的树，每个叶节点的索引可以被编码为长度等于树深度的二进制向量，从而可以将所有的特征和数据等二值化并使用二元特征进行模型预测，这样有助于避免过拟合、提高可靠性和加快预测速度。Catboost模型参数设置为iterations＝200，该参数代表迭代次数，learning_rate＝0.03，该参数代表学习率，loss_function＝RMSE，该参数代表损失函数。

如图3所示，为刀具磨损量与镗孔时间的关系图，图中卡尔曼滤波后值的关系为图中的段线所示，而模型的预测值为图中点所表示，实际测量值为图中的实线所示，由此可以看出，在本发明实施例中，进过卡尔曼滤波后值的关系与实际测量值具有的误差较小，并且稳定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (8)

1.一种基于功率和振动信号的模型融合刀具磨损监测方法，其特征在于，包括：

S1：信号采集与筛选，对刀具主轴的功率信号和振动信号进行同步采样，同时对机床的PLC进行同步采样以获取所述机床实时的加工信息，利用所述加工信息筛选所述功率信号和所述振动信号，得到待监测刀具进行加工时的所述功率信号和所述振动信号；

S2：信号降噪，对加工段信号的所述功率信号和所述振动信号分别设置阈值，利用所述阈值滤波去除高频区域信号以降噪；

S3：特征计算，计算降噪后的所述功率信号和所述振动信号的特征，获得原始特征数据集；

S4：特征降维，利用随机森林算法计算所述原始特征数据集中所有特征的重要性评分，并将所得评分进行降序排列，确定剔除比例，根据所述剔除比例剔除部分所述特征以得到新特征集；

S5：数据划分，对所述新特征集的数据分成三部分，以分别作为训练集、验证集和测试集；

S6：模型训练，将所述训练集的数据输入Catboost模型和极端随机树模型，调整参数，分别训练得到所述Catboost模型、所述极端随机树模型对应的所述刀具磨量监测模型，采用Stacking集成算法，对所述Catboost模型、所述极端随机树模型对应的所述刀具磨量监测模型进行融合学习；

步骤S6中所述采用Stacking集成算法，对所述Catboost模型、所述极端随机树模型对应的所述刀具磨量监测模型进行融合学习包括如下过程：

S61：将模型划分为训练集和测试集；

S62：针对所述Catboost模型、所述极端随机树模型，分别进行K次训练，每次训练保留1/K的样本作为验证集用于验证；每次训练结束后，分别对所述验证集和所述测试集进行预测，对最终获得的两组各5个预测值分别取平均；

S63：创建第二层模型，以所述Catboost模型、所述极端随机树模型在所述测试集的预测结果均值为输入，将步骤S61的所述测试集为目标进行训练拟合，获得的最终模型作为融合结果；

S7：模型预测，根据融合后的所述刀具磨量监测模型，对所述测试集的特征进行刀具磨损量的预测；

S8：同步更新，将所述刀具磨损量的预测结果进行卡尔曼滤波降噪，获得刀具磨损预测值。

2.根据权利要求1所述的方法，其特征在于，在步骤S2中，采用多层的小波包对所述加工段信号的所述功率信号和所述振动信号进行阈值滤波。

3.根据权利要求1所述的方法，其特征在于，在步骤S3中，按照如下公式对所述功率信号和所述振动信号的特征进行计算：

上述公式中，x_i为所述功率信号和所述振动信号，σ为x_i的标准差，N为x_i个数，f为功率谱频率，S(f)为频率f的幅值。

4.根据权利要求1所述的方法，其特征在于，在步骤S7中，基于模型调试结果展示和对比的刀具磨损量的预测指标，选取未经过模型训练的所述验证集，使用模型进行模型预测，预测所述加工段信号状态下刀具磨损量，并用平均绝对误差、均方根误差和决定系数作为模型评价性能指标，计算公式如下：

平均绝对误差：

均方根误差：

决定系数：

其中，y_i为刀具磨损量实际测量值，

为模型的磨损量估计值，

为实际值的均值，m为y_i的个数。

5.根据权利要求1所述的方法，其特征在于，步骤7的模型预测阶段，仅计算按照所述随机森林算法筛选出的重要性评分达到设定程度的特征信号。

6.根据权利要求1所述的方法，其特征在于，步骤8中所述卡尔曼滤波的算法如下：

状态的一步预测：X_t ^-＝F*X_t-1；

一步预测误差方差阵：P_t ^-＝FP_t-1F^T+Q；

状态估计：X_t＝X_t ^-+K_t(Z_t-HX_t ^-)；

滤波增益矩阵：K_t＝P_t ^-*H^T/(H*P_t ^-*H^T+R)；

估计误差方差阵：P_t＝(I-K_tH)P_t ^-；

其中，X_t为t时刻状态的估计，P_t为t时刻状态协方差矩阵，F为状态转移矩阵，Q为状态转移协方差矩阵，H为观测矩阵，R为观测噪声方差，Z_t为t时刻观测值，X_t ^-和P_t ^-分别为从t-1时刻推导出t时刻的状态和状态协方差，K_t为滤波增益矩阵，I为单位矩阵。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-6任一项所述的基于功率和振动信号的模型融合刀具磨损监测方法。

8.一种实施权利要求1-6任一项所述方法的模型融合刀具磨损监测系统，其特征在于，包括：

采集模块，用于采集刀具主轴的功率信号和振动信号、机床的加工信息，所述采集模块还用于利用所述加工信息筛选所述功率信号和所述振动信号；

信号处理模块，用于对原始的所述功率信号和所述振动信号进行降噪处理，去除背景噪声和野点；

计算模块，用于对降噪后的所述功率信号和所述振动信号的特征进行计算，获得原始特征数据集；

特征降维模块，用于对所述原始特征数据集进行降维处理，得到新特征集；

磨损量监测模块，用于对所述新特征集基于特征值进行磨损量的预测。

Images