CN113369993A

CN113369993A - 一种小样本下刀具磨损状态监测方法

Info

Publication number: CN113369993A
Application number: CN202110735640.7A
Authority: CN
Inventors: 周余庆; 支高峰; 孙维方; 孙兵涛; 方钰堃; 杨圆; 周洁; 杨海
Original assignee: Wenzhou University
Current assignee: Wenzhou University; Jiaxing Nanhu University
Priority date: 2021-07-30
Filing date: 2021-07-30
Publication date: 2021-09-10
Anticipated expiration: 2041-07-30
Also published as: CN113369993B

Abstract

本发明申请属于机械加工故障诊断技术领域，具体公开了一种小样本下刀具磨损状态监测方法，包括以下步骤(1)获得实验样本，(2)对振动信号进行扩维，(3)生成灰度距离图，(4)将各个通道的灰度距离图聚合为彩色距离图，(5)将聚合后的彩色距离图输入到嵌入网络中进行特征提取与分类训练，实现对刀具状态监测。与现有技术相比，本方法采集机械加工过程中的振动信号，并进行扩维、编码为灰度距离图、聚合为彩色距离图，在嵌入网络中对刀具磨损情况进行识别，经试验证明可大大提高识别精度。

Description

一种小样本下刀具磨损状态监测方法

技术领域

本发明属于机械加工故障诊断技术领域，具体公开了一种小样本下刀具磨损状态监测方法。

背景技术

随着现代制造业的日益发展成熟，制造系统的自动化程度越来越高，这就大大提高了制造型企业的生产效益，也促使了现在的制造型企业也愈发依赖于自动化生产。数控机床的自动化程度是多数制造系统的组成部分，刀具作为数控机床最易受损的部件之一，其磨损程度与产品质量和生产效率密切相关。

刀具作为数控机床在机械加工中最容易损伤的部件，对它进行实时有效的故障识别与状态监测非常重要。据统计在机械加工的切削加工中，刀具故障通常约占机床停机时间的20％，而频繁的停机换刀会严重影响企业的生产效率。若刀具发生故障而没有及时被发现，会直接影响零件表面质量、尺寸精度等，严重的情况下将直接导致零件报废，从而增加生产成本。因此，机械加工过程中的实时刀具状态监测(TCM)是自动化加工中的关键研究课题，如何在加工过程中有效地监测刀具状态，识别刀具的磨损程度，已成为数控机床智能化以及生产过程自动化发展急需解决的问题。

目前，国内外学者对刀具状态监测(TCM)开展了大量的研究，已经提出了诸多比较有效的刀具状态监测的方法，如快速傅里叶变换(FFT)、小波变换(WT)、人工神经网络(ANN)、隐马尔科夫链(HMM)、支持向量机(SVM)等，这为高精度、高可靠的刀具状态监测(TCM)提供了一定的技术基础。然而，这些方法都需要在一定的前提条件下才能达到理想的效果，如快速傅里叶变换(FFT)要求信号是平稳的，而机械加工过程中刀具信号是非平稳的；小波变换(WT)虽然能够处理非平稳信号，但其需要构造、选择与故障特征波形相匹配且具有优良性质的小波基函数，而对于先验知识甚少的机床刀具损伤过程，选择合适的小波基函数是非常困难的；人工神经网络(ANN)(特别是深度学习)算法需要大量样本数据进行训练，这对于刀具状态监测而言是很困难的；隐马尔科夫链(HMM)方法假设状态持续时间服从指数分布，而刀具损伤过程很难满足这一条件。

对于一些特殊情况的机械加工，其刀具状态监测所能研究的样本比较少，但是对刀具磨损状态监测又需要较高的精准度。在这样有限的样本情况下，已有有效的刀具状态监测方法因为其特殊性，难以精确识别刀具的状态，比如人工神经网络(ANN)容易出现过拟合问题，即推广能力差。

发明内容

本发明的目的在于提供一种小样本下刀具磨损状态监测方法，以解决小样本下刀具磨损状态监测精度达不到需求的问题。

为了达到上述目的，本发明的基础方案为：一种小样本下刀具磨损状态监测方法，包括以下步骤：

(1)采集机械加工过程中的振动信号X及对应的刀具磨损状态，获得实验样本；

(2)对采集到的各通道振动信号X进行扩维，计算出振动信号X的最小自相关系数作为延迟时间t，计算出嵌入维数m；

(3)对各个通道的振动信号数据进行编码生成灰度距离图；

(4)将各个通道的灰度距离图聚合为彩色距离图；

(5)将聚合后的彩色距离图输入到嵌入网络中进行特征提取与分类训练，实现对刀具状态监测。

进一步，还包括步骤(6)定期周期性在线采集机械加工过程中的振动信号，根据步骤(1)至步骤(5)刀具状态进行分类识别。

进一步，步骤(1)中利用信号数据采集分析仪和加速度计采集机械加工过程中的振动信号X。

进一步，步骤(1)中使用三向加速度计采集5种刀具状态下工件在三个方向上的振动时域信号。

进一步，步骤(1)中，所述刀具状态根据磨损面积可以分为：初始磨损、轻微磨损、稳定磨损、剧烈磨损、失效。

进一步，步骤(2)中，先计算振动信号X的自相关系数R_h，找出自相关系数最小对应的滞后数作为重构的延迟时间t；再用虚假最近邻点法计算出嵌入维数m，进而将各通道一维振动信号X扩展为m维矩阵X’＝(X₁,X₂,......,X_m)^T。

进一步，步骤(2)中，延迟时间t：

进一步，其特征在于，步骤(2)中，m维矩阵X’＝(X₁,X₂,......,X_m)^T：

X₁＝{x₁,x_1+t,…,x_1+(m-1)t}

X₂＝{x₂,x_2+t,…,x_2+(m-1)t}

......

X_m＝{x_m,x_m+t,…,x_m+(m-1)t}。

进一步，步骤(3)中，采用欧氏距离定义X’中各列向量之间的距离：d_i,j＝||x'(i)-x'(j)||，x’(i)表示X’第i列。

进一步，步骤(4)中将每个通道的灰度距离图叠加，生成彩色距离图。

本基础方案的有益效果在于：

1、本方案提出了一种适用于小样本情形的刀具磨损状态深度监测方法，克服了众多监测模型依赖大量训练样本的弊端。

2、本方案所提方法无需对振动信号进行预处理和特征提取，克服了目前大多数基于传感信号的刀具状态监测方法需要依赖很多信号处理技术和主观先验知识的弊端。

3、本方案采集机械加工过程中的多通道振动信号，将每一通道的振动信号数据进行扩维，并编码为灰度距离图；然后，将各通道的距离图聚合成彩色距离图，输入到嵌入网络中提取特征，最终实现对刀具磨损情况的识别，从而显著提高小样本情形下刀具状态的识别精度。

与现有技术相比，本方法采集机械加工过程中的振动信号，并进行扩维、编码为灰度距离图、聚合为彩色距离图，在嵌入网络中对刀具磨损情况进行识别，经试验证明可大大提高识别精度。

附图说明

图1为一维时间序列信号扩维图像化示意图；

图2为振动信号编码为灰度距离图；

图3为灰度距离图集合示意图；

图4为刀具磨损图像和其对应的彩色距离图；

图5为嵌入网络结构；

图6为所提方法分类结果的混淆矩阵。

具体实施方式

下面通过具体实施方式进一步详细说明：

一种小样本下刀具磨损状态监测方法，包括以下步骤(以立铣刀为例)：

(1)利用信号数据采集分析仪和加速度计等设备采集铣削加工过程中的振动信号X及对应的刀具磨损状态，获得实验样本；

本实施例中进行机械加工实验，使用三向加速度计采集5种刀具状态(根据磨损面积可以分为：初始磨损、轻微磨损、稳定磨损、剧烈磨损、失效)下工件在三个方向(X,Y,Z)上的振动信号，采样频率为12k Hz；在三个方向上截取1秒(数据长度为12000)的数据作为样本，组成实验样本进行模型训练。

(2)扩维：对采集到的各通道振动信号进行扩维，计算出振动信号X的最小自相关系数作为延迟时间t，计算出嵌入维数m；

一维振动信号X＝{x₁,x₂,…,x_N}，N表示时间序列数据长度；

先计算X的自相关系数R_h，找出自相关系数最小对应的滞后数作为重构的延迟时间t：

再用虚假最近邻点法计算出嵌入维数m，进而将各通道一维信号扩展为m维矩阵X’＝(X₁,X₂,......,X_m)^T：

X₁＝{x₁,x_1+t,…,x_1+(m-1)t}

X₂＝{x₂,x_2+t,…,x_2+(m-1)t}

X_m＝{x_m,x_m+t,…,x_m+(m-1)t}

本实施例中，计算出信号的最小自相关系数作为延迟时间t＝46，计算出嵌入维数m＝237。

(3)对各个通道的振动信号数据X’进行编码生成灰度距离图，如图1所示；

具体地，采用欧氏距离定义X’中各列向量之间的距离：d_i,j＝||x'(i)-x'(j)||，x’(i)表示X’第i列；

本实施例中计算每个扩维后的信号中各列向量之间的欧式距离，将其转换成一个灰色距离图，如下图2所示。

(4)将各个通道的灰度距离图聚合为一幅彩色距离图；

具体的将每个通道的灰度距离图叠加，即可生成彩色距离图，如图3所示。

本实施例中，实施本步骤后如图4所示，显示了五种刀具磨损类别与其对应彩色距离图的关系，可以发现随着刀具磨损的增加，彩色距离图的色泽同样也在逐渐变化。

(5)将聚合后的彩色距离图输入到嵌入网络中进行特征提取与分类训练，如图5所示；

嵌入网络模块由几种不同类型的神经层组成，包括卷积核为3*3卷积层、卷积核为2*2的最大池化层、批处理归一化层和LeakyReLU激活函数等；

嵌入网络模块中的卷积层可以从输入图像数据中逐步提取抽象特征，在卷积层中有很多相同维数的滤波器，每个滤波器相当于一个小矩阵；当每个输入图像经过每个卷积层时，它将与卷积层中的每个滤波器进行卷积，最后输入图像变成一个深度更大的矩阵，滤波器的个数就等于矩阵的深度大小；

池化层可以被用来减小图像的尺寸，同时有效地保留重要信息；

LeakyReLU激活函数和批处理归一化可以大大提升模型训练的收敛速度，有效减少梯度消失；

当提取训练任务所有样本的特征后，进入全连接层(fully-connected layer)进行分类训练。

(6)定期周期性在线采集机械加工过程中的振动信号，作为待测样本，根据延迟时间t＝46和嵌入维数m＝237，对待测样本每一维度的振动信号数据进行扩维，进而转换为灰度距离图和彩色距离图；最后，采用步骤(5)对刀具状态进行分类监测。

本实施例在实验中，五种刀具磨损状态均有样本37个，每类随机选取60％作训练集(22个)，其余40％作测试集(15个)，则最终训练集有22*5＝110个样本，测试集有15*5＝75个样本。图6显示了本发明所提方法对五种刀具磨损状态(初始磨损、轻微磨损、稳定磨损、剧烈磨损和失效)分类精度的混淆矩阵，五种刀具磨损状态的分类准确率分别为80％、88％、76％、72％和88％，平均分类准确率为80.8％。

为了证明本方案中所提方法的有效性，这里比较了目前流行的CNN、AlexNet和ResNet三种基准方法的分类性能。由表1可以看到，本发明所提方法在小样本下比三种基准深度学习方法的分类精度提升了8％左右。

表1不同方法在实验中准确性比较

以上所述的仅是本发明的实施例，方案中公知的具体技术方案和/或特性等常识在此未作过多描述。应当指出，对于本领域的技术人员来说，在不脱离本发明技术方案的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims

1.一种小样本下刀具磨损状态监测方法，其特征在于，包括以下步骤：

(3)对各个通道的振动信号数据进行编码生成灰度距离图；

(4)将各个通道的灰度距离图聚合为彩色距离图；

2.根据权利要求1所述的一种小样本下刀具磨损状态监测方法，其特征在于，还包括步骤(6)定期周期性在线采集机械加工过程中的振动信号，根据步骤(1)至步骤(5)刀具状态进行分类识别。

3.根据权利要求2所述的一种小样本下刀具磨损状态监测方法，其特征在于，步骤(1)中利用信号数据采集分析仪和加速度计采集机械加工过程中的振动信号X。

4.根据权利要求3所述的一种小样本下刀具磨损状态监测方法，其特征在于，步骤(1)中使用三向加速度计采集5种刀具状态下工件在三个方向上的振动时域信号。

5.根据权利要求4所述的一种小样本下刀具磨损状态监测方法，其特征在于，步骤(1)中，所述刀具状态根据磨损面积可以分为：初始磨损、轻微磨损、稳定磨损、剧烈磨损、失效。

6.根据权利要求5所述的一种小样本下刀具磨损状态监测方法，其特征在于，步骤(2)中，先计算振动信号X的自相关系数R_h，找出自相关系数最小对应的滞后数作为重构的延迟时间t；再用虚假最近邻点法计算出嵌入维数m，进而将各通道一维振动信号X扩展为m维矩阵X’＝(X₁,X₂,......,X_m)^T。

7.根据权利要求6所述的一种小样本下刀具磨损状态监测方法，其特征在于，步骤(2)中，延迟时间t：

8.根据权利要求7所述的一种小样本下刀具磨损状态监测方法，其特征在于，步骤(2)中，m维矩阵X’＝(X₁,X₂,......,X_m)^T：

X₁＝{x₁,x_1+t,…,x_1+(m-1)t}

X₂＝{x₂,x_2+t,…,x_2+(m-1)t}

......

X_m＝{x_m,x_m+t,…,x_m+(m-1)t}。

9.根据权利要求8所述的一种小样本下刀具磨损状态监测方法，其特征在于，步骤(3)中，采用欧氏距离定义X’中各列向量之间的距离：d_i,j＝||x'(i)-x'(j)||，x’(i)表示X’第i列。

10.根据权利要求9所述的一种小样本下刀具磨损状态监测方法，其特征在于，步骤(4)中将每个通道的灰度距离图叠加，生成彩色距离图。