CN113408182B - 一种基于多重小波最优特征和神经网络的刀具生命全周期磨损诊断方法、设备及存储介质 - Google Patents

Abstract

本发明涉及一种基于多重小波最优特征和神经网络的刀具生命全周期磨损诊断方法、设备及存储介质，从刀具振动信号中提取出小波能量、小波系数幅值分布等特征向量，并利用智能群优化算法降维融合后的特征向量，最后结合非线性多映射神经网络对刀具信号训练分类建立模型。本发明的优异之处在于用多种小波方法提取刀具信号特征后，通过群智能优化算法来降低特征矩阵维度，结合机器学习来训练样本建立模型。

Description

一种基于多重小波最优特征和神经网络的刀具生命全周期磨 损诊断方法、设备及存储介质

技术领域

本发明属于故障诊断技术领域，特别是一种基于多重小波最优特征和神经网络的刀具生命全周期磨损诊断方法、设备及存储介质。

背景技术

在机械制造过程中，由于刀具会受到各种机械部件之间的摩擦、化学作用，从而导致刀具产生一定的磨损，随着刀具使用时间变长，刀具的磨损程度严重必须更换。需要建立一个磨损信号识别系统，在刀具损坏后可以及时更换刀具，节省时间与成本。

小波变换是一种时频局部化分析方法，而且具有多分辨特性，由粗到精的逐步观察信号，可以将不同损坏程度刀具信号的差异清楚的表征出来。小波变换与传统的简单时域或频域表示方法相比，更为全面和充分。受此思想启发，提取具有刀具信号磨损信息的特征向量作为诊断依据。

优化理论一直是一个非常活跃的研究领域，它研究的方向是在众多方案中寻找最优方案。至今已经出现线性规划、级和规划、网络流等许多分支，而且在人工智能、生产调度、图像处理等领域被广泛应用。提出基于智能优化算法的最优小波最优特征选择方法，来选择出最佳的特征向量。

神经网络是人工智能机器学习的一个重要分支，这项技术被应用在广泛的领域中，并有着很好的应用效果。神经网络的核心思想是通过一边向后传播误差，一边向前修正误差的方式来修正系统的权值和阈值，以逼近或者实现希望的输入变量与输出变量之间的矢量关系。

目前小波技术与机器学习相结合的技术应用于多种领域各种方向，比如地震或者水下目标识别，都有着较好的结果。

现有的提取刀具特征值的方法有时域分析法、频域分分析法、时频域分析法。时域分析法是表述信号的最直观、最基本的方法，但是，它不能反映出信号中含有周期性变化的部分。频域分析法通常是利用傅立叶变换将信号从时域变换到频域，然后进行分析、特征提取，但是，频域分析法有着不易理解和不能明确反映发生时刻的缺点。有些是将铣刀加工过程中的图像分解为刀具图像、背景图像和噪声图像，利用基于形态分量分析的区域生长算法监测缺陷并提取刀具图像的磨损区域。或者是基于小波变换的扩展景深图像重建方法，以克服铣削刀具成像中的散焦现象，并利用几何信息和反射特性来评估刀具磨损。但是这些方法很难在工厂现场实现。

发明内容

针对现有技术的不足，本发明提供了一种解决故障诊断问题的模型，它将多种基于小波变换的特征提取方法、群智能优化算法、神经网络相结合，有着更高的效率和准确率。

本发明利用的小波变换是一种时频域分析法，这种方法主要针对非平稳信号，有着很好的时频特性，适合处理刀具生命全周期振动信号。现有方法大多数将提取特征值直接用于训练分类模型，本发明通过结合智能优化算法提取出最佳的特征子集，提高计算效率。本发明也是可以在车间实现，并且可以实时监控。

一种基于多重小波最优特征和神经网络的刀具生命全周期磨损诊断方法，包括步骤如下：

首先，基于小波理论，提取并融合刀具信号全生命周期的特征值。

然后，利用群智能优化算法，挑选出维度低而且诊断准确率高的特征子集。

最后，用得到的特征子集通过非线性多映射神经网络训练诊断模型。通过离散小波变换对刀具的振动信号进行小波分解后，提取出多种小波特征：小波系数分布特征、小波能量分布特征、基于离散小波变换的频域特征等。利用师群优化算法筛选融合后的特征矩阵，并采用非线性多映射神经网络对整合特征矩阵进行训练，结果表明基于小波变换提取的特征可以有效地诊断出刀具是否损坏。将多种小波特征融合后利用群智能优化算法寻优降低了需要的特征维度，再结合神经网络的训练分类模型，使本发明有着快捷、准确等优点。

本发明还提供了一种计算机设备及存储介质。

术语解释：

1、小波变换、离散小波变换，wavelet transform，WT，是一种新的变换分析方法，它继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的"时间-频率"窗口，是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征，能对时间(空间)频率的局部化分析，通过伸缩平移运算对信号(函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，解决了Fourier变换的困难问题，成为继Fourier变换以来在科学方法上的重大突破。

离散小波变换是为了在计算机上处理小波变换而提出来的。因为连续小波变换中尺度、时间、位移都是连续的，所以为了利用计算机计算，对其进行基本小波的尺度和位移离散化得到离散小波变换。实际上，离散小波变换是对连续小波变换的尺度和位移进行二的幂次进行离散化，也称为二进制小波变换。

2、BP神经网络，核心思想是通过一边向后传播误差，一边向前修正误差的方式来修正系统的权值和阈值，以逼近或者实现希望的输入变量与输出变量之间的矢量关系。前向计算：从输入层向后逐层计算输出，产生最终输出对比实际输出与目标输出，得到两者之间的误差。反向计算：从输出层向前逐层传递误差信号，修正权值，知道误差小于设定好的阈值。

3、希尔伯特变换，是傅立叶变换的一种扩展，通常用于信号的调制和解调和信号的时频分析。他可以将一个一维信号转变成二维复平面上的信号，复数的模和幅角就代表了信号的幅度和相位。在信号处理和数学领域中，希尔伯特变换就是利用信号与核函数进行卷积得到，可以表述出网络实部与虚部的关系。

4、快速傅立叶变换，是离散傅立叶变换的改进算法，它是根据傅立叶变换的奇偶性、虚实性等特性进行改进的来的。基本思想是将一定长度的信号序列分成一系列短时序列，然后充分利用离散傅里叶变换的对称性和周期性，求出短时序列对应的离散傅里叶变换，最后将变换结果适当组合。快速傅立叶变换删除了重复计算，减少了乘法运算，简化了运算网络结构。快速傅里叶变换公式：

其中f(n)为有限长的离散时间信号；k为频率；N为根据有限长时间信号构建的周期信号的周期，一般大于离散时间信号的长度；n为信号序列数；

5、粒子群优化算法，是一种模拟鸟集群飞行行为的算法，鸟通过群体中个体之间的相互协助使群体达到寻得最优的效果。这个算法参数较少，简单易行，收敛速度快，通过当前寻得的最优值来达到全局最优。算法详细介绍：所有粒子都在一个d维空间进行搜索,而且所有粒子根据一个适应度方程来判断当前位置的好坏，每一个粒子都有记忆功能，而且有速度这一值决定粒子飞行的方向以及距离。d维空间中有N个粒子粒子i的位置为x_i＝(x_i1,x_i2,...x_id)，将x_i代入适应度函数可以求得适应度值；粒子i的速度为v_i＝(v_i1,v_i2,...v_id)；粒子个体历史最优位置为pbest_i＝(p_i1,p_i2,...p_id)，其中p_ij，j∈(1,2...d)，i∈(1,2,...N)为第i个粒子最优位置矢量的第j维分量；种群经历过的最好的位置为gbest＝(g₁,g₂,...g_d)，其中g_i,i∈(1,2,...d)为全局最优位置矢量的在第i维分量。粒子i的第j维速度更新公式为：

粒子i的第d维位置更新公式为：

其中

为第k次迭代粒子飞行速度矢量的第j维分量；

为第k次迭代粒子i位置矢量的第j维分量；c₁,c₂为加速度常数，调节步长大小；r₁,r₂为两个随机数值范围[0,1]增加搜索随机性；w为非负数的惯性权重，调解对解空间的搜索范围。

粒子群算法流程：

第一步:初始化粒子群中粒子的个数以及初始位置和初始速度，迭代次数；

第二步：根据适应度公式计算每个粒子的适应度值；

第三步：对于每个粒子，比较当前适应度值以及个体粒子历史最优位置的适应度值，如果当前适应度值更高，就用当前位置更新个体历史最优位置；

第四步：对于每个粒子，比较当前适应度值以及种群最优位置的适应度值，如果当前适应度值更高，就用当前位置更新种群最优位置；

第五步：更新个体速度以及位置；

第六步：如果未满足终止条件，转到第二步。

本发明的技术方案为：

一种基于多重小波最优特征和神经网络的刀具生命全周期磨损诊断方法，包括步骤如下：

1)采集刀具生命全周期信号，刀具生命全周期信号是指刀具从完好到损害的整个生命周期的刀具振动信号，刀具生命全周期信号采集完后，对刀具磨损值进行测量，刀具磨损值包括每个主后刀面最大磨损宽度、1/2ap处磨损宽度和磨损面积，副后面的最大磨损宽度和磨损面积；ap为背吃刀量，背吃刀量为垂直于给进速度方向的切削层最大尺寸；

2)对采集的刀具生命全周期信号进行预处理；

将采集的每段刀具生命全周期信号统一数量级，以全部刀具生命全周期信号的幅值的平均值为阈值，去除每段刀具生命全周期信号开始采集与结束采集时掺入的噪声；

3)对步骤2)预处理后的刀具生命全周期信号分成若干段，每段刀具生命全周期信号中信号的个数为n，对每段刀具生命全周期信号标注标签进行分类；

4)使用小波变换结合能量计算、概率统计、傅里叶变换方法，计算出小波系数幅值特征、小波多重能量特征以及小波频域特征；

5)设定小波系数幅值特征的维度为a1，小波多重能量特征的维度为a2，小波频域特征的维度为a3；

将每段信号提取出的小波系数幅值特征、小波多重能量特征以及小波频域特征三种特征融合成总的特征集合，总的特征集合的维度为d,d＝a1+a2+a3；

6)总的特征集合中每个维度的特征进行二进制处理，得到二进制特征，使特征的解限于{0,1}之间，1代表选用该特征，0代表未选用，将选用的特征输入到神经网络模型训练；

在神经网络模型中，将每种分类数据中的2/3的数据以及相对应的磨损程度类别作为训练集D1，剩余的1/3的数据以及对应的磨损程度类别作为测试集D2；

将总的特征集合输入到粒子群优化算法，通过寻优找到最合适的特征子集，寻找到的最合适的特征子集的维度为e,e<＝d，并将最终得到的特征与每段信号对应的类别相匹配；

7)当采集刀具生命全周期信号时，每n个信号作为一组待检测信号，并将待检测信号依次进行所述步骤2)、所述步骤4)的操作，计算出该待检测信号的特征值，即包括小波系数幅值特征、小波多重能量特征以及小波频域特征；再通过步骤5)的操作得到最终的特征，将该最终的特征输入步骤6)训练好的神经网络模型，输出分类结果。

根据本发明优选的，所述神经网络模型包括多层神经元，每层神经元包括输入层、隐藏层及输出层；输入层的输入为R*1的向量，R粒子群算法提取出的最优子集的维度；隐藏层通过不断训练调整权值和偏置值，及将输入层的输入抽象到另一个维度空间，更抽象化，使输入数据更好的线性划分；输出层的输出向量大小为4*1。

根据本发明优选的，步骤2)中，对采集的刀具生命全周期的信号进行预处理，利用阈值降噪，去除超大幅值振动信号，信号归一化，包括步骤如下：

计算每段信号均值：

式(Ⅰ)中，A_i为采集的磨损信号的幅值，A_av为计算出每段信号幅值的均值，n为每段信号的长度；如果前10％与后10％的振动信号幅值的绝对值大于均值A_av，将其滤除，将滤除后的信号归一化到[-1,1]之间，统一每一段刀具生命全周期信号的数量级。

根据本发明优选的，步骤3)中，对每段刀具生命全周期信号标注标签，是指：主后刀面1/2ap处磨损宽度小于0.15mm所对应的刀具生命全周期信号为第一类，主后刀面1/2ap处磨损宽度在0.15mm到0.25mm之间，所对应的刀具生命全周期信号为第二类，主后刀面1/2ap处磨损宽度在0.25mm到0.3mm之间，所对应的刀具生命全周期信号为第三类，以此为依据，将采集的各段刀具生命全周期信号分为第一类、第二类、第三类的标签，待用。

根据本发明优选的，步骤4)中，计算小波系数幅值特征，是指：

对步骤3)处理后的刀具生命全周期信号进行小波变换，得到小波系数，对得到的小波系数进行归一化处理，并分为多个不同的区间，统计各个区间中小波系数的概率，以此作为小波系数幅值特征。

根据本发明优选的，步骤4)中，计算小波多重能量特征，是指：

对步骤3)处理后的刀具生命全周期信号用多级小波对信号进行分解，得到信号在细节空间与逼近空间的表示，通过给定的小波对振动信号进行多尺度小波分析，并返回在各层的分解向量以及记录向量，根据分解向量以及记录向量提取出各个尺度的细节空间表示以及逼近空间表示。

用快速傅立叶变换对信号在细节空间与逼近空间的表示向量进行变换。

通过公式(Ⅱ)利用近似信号计算各层的能量：

式(Ⅱ)中，j表示对应的尺度，k代表某一尺度下第k个小波系数，J表示小波分解的尺度，

表示在j刻度上第k个小波系数，E_j为尺度j对应的能量，n为当前尺度下小波系数的总个数，E为所有尺度的总能量；

通过公式(Ⅲ)计算出总能量：

求出各层的能量的占比，以此作为小波多重能量特征。

根据本发明优选的，步骤4)中，计算小波频域特征，是指：

首先，对步骤1)2)3)处理后的刀具生命全周期信号进行希尔伯特变换得到解析信号；

然后，对解析信号利用公式(ⅩⅠ)进行快速傅里叶变换；

最后，对快速傅里叶变换得到的结果进行离散小波变换，得到小波系数，小波系数中的近似系数包含刀具的磨损信息，将近似系数作为小波频域特征。

根据本发明优选的，步骤6)中，由式(Ⅳ)得到粒子的适应度值Fitness：

式(Ⅳ)中，α为分类精确性，β为所选特征重要性，R为所选特征子集的长度，N为特征总数，D为所选特征子集，γ_R(D)为当特征为D时的分类错误率，Fitness为适应度值级包含准确度特性也包含维度特性；

Accurary是分类的准确率，γ_R(D)＝1-Accurary。

根据本发明优选的，步骤6)中，根据公式(Ⅴ)和公式(Ⅵ)分别更新粒个体的位置以及速度；

公式(Ⅴ)和公式(Ⅵ)中，

为第k次迭代第i个粒子飞行速度矢量的第j维分量；

为第k-1次迭代第i个粒子飞行速度矢量的第j维分量；pbest_ij为第i个粒子的个体历史最优位置的第j维分量；gbest_ij为第i个粒子的种群最优位置的第j维分量；

为第k次迭代粒子i位置矢量的第j维分量；c₁,c₂为加速度常数，调节步长大小；r₁,r₂为两个随机数值范围[0,1]增加搜索随机性；w为非负数的惯性权重，调解对解空间的搜索范围；

根据本发明优选的，步骤6)中求取每段信号各个分解层能量以及总能量公式：

式(Ⅶ)、式(Ⅷ)中，j表示对应的尺度，k代表某一尺度下第k个小波系数，J表示小波分解的尺度，

表示在j刻度上第k个小波系数。E_j为尺度j对应的能量、n为当前尺度下小波系数的总个数、E为所有尺度的总能量。

根据本发明优选的，步骤6)中，使用粒子群算法搜索二进制特征，选择出最优的特征子集，包括步骤如下：

第一步、根据种群规模以及参数产生初始化种群，初始化参数有迭代次数T、种群数量N、适应度函数的权重α和β，权重ω以及常数c₁和c₂，将位置和速度随机赋值，且位置x每一维度的解限于{0,1}之间；

第二步，根据位置x每一维度的解，从每一段振动信号的小波特征向量将解为1相对应的特征值提取出来形成特征子集D，并统计选用特征的数量R；

第三步，利用提取出的特征子集D与其对应的标签输入到神经网络模型中，其中2/3的数据作为训练集，1/3的数据作为测试集，得到测试错误率γ_R(D)，利用式(Ⅳ)计算出当前位置处的适应度值，更新个体历史最优位置和更新种群最优位置；

第四步，如果迭代次数小于最大迭代次数，利用式(Ⅴ)以及式(Ⅵ)更新位置以及速度；

第五步，重复第二步至第四步，直到达到最大迭代次数，得到种群最优位置，根据种群最优位置将相应的特征子集提取出来，并将其输入到神经网络模型中进行训练，得到训练好的神经网络模型。

根据本发明优选的，步骤9)中求取适应度值以及分类错误率的公式：

γ_R(D)＝1-Accurary (Ⅹ)

式(Ⅸ)、式(Ⅹ)中，α为分类精确性，β为所选特征重要性，R为所选特子集的长度，N为特征总数，D为所选特征子集，γ_R(D)为当特征为D时的分类错误率，Accurary是分类的准确率，Fitness为适应度值级包含准确度特性也包含维度特性。

进一步优选的，通过式(ⅩⅠ)，用快速傅立叶变换对信号在细节空间与逼近空间的表示向量进行变换：

式(ⅩⅠ)中，用于对有限长离散信号进行傅立叶变换f(n)为有限长的离散时间信号；k为频率；N为根据有限长时间信号构建的周期信号的周期，n为信号序列数。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现基于多重小波最优特征和神经网络的刀具生命全周期磨损诊断方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现基于多重小波最优特征和神经网络的刀具生命全周期磨损诊断方法的步骤。

本发明的有益效果为：

1、基于小波变换提取特征值，可以将信号的细节信息提取出。利用小波变换后的小波系数、各尺度能量信息以及信号幅频信息的离散小波变换，会增加训练以及诊断的成功率。

2、基于优化算法的特征选择，既考虑识别成功率也考虑特征维度，可以选择最优特征子集，节省时间，提高诊断正确率。

3、使用BP神经网络算法作为训练模型，与小波变换技术相结合最后得出诊断正确率高的诊断模型。

4、提出的一种针对立铣刀的新型磨损诊断模型，并可以通过串口通信将处理后的结果通过外接设备显示出。

附图说明

图1为本发明使用粒子群算法进行最优特征选择的流程示意图；

图2为本发明神经网络模型的结构示意图；

图3(a)为三轴振动传感器采集的x轴方向生命全周期振动信号经过预处理后的图像示意图；

图3(b)为三轴振动传感器采集的y轴方向生命全周期振动信号经过预处理后的图像示意图；

图3(c)为三轴振动传感器采集的z轴方向生命全周期振动信号经过预处理后的图像示意图；

图4(a)为特征示意图；

图4(b)为实时信号示意图；

图4(c)为实时振动信号提取的特征示意图；

图4(d)为实时信号诊断类别示意图。

具体实施方式

下面结合说明书附图和实施例对本发明作进一步限定，但不限于此。

实施例1

一种基于多重小波最优特征和神经网络的刀具生命全周期磨损诊断方法，以立铣刀振动信号诊断为实例，包括步骤如下：

1)在刀具磨损中，按后刀面磨损带中间部分平均磨损量允许达到的最大值(通常用VB表示)来制定磨钝标准。采集刀具生命全周期信号，刀具生命全周期信号是指刀具从完好到损害的整个生命周期的刀具振动信号，刀具生命全周期信号的采样频率基于采样定理确定，而采样间隔和采样时长则根据机床固有频率、采集仪器、存储设备硬件条件确定。刀具生命全周期信号采集完后，将刀具拆卸，利用数字式万能工具显微镜对刀具磨损值进行测量，刀具磨损值包括每个主后刀面最大磨损宽度、1/2ap处磨损宽度和磨损面积，副后面的最大磨损宽度和磨损面积；ap为背吃刀量，背吃刀量为垂直于给进速度方向的切削层最大尺寸；以刀具磨损面积等值作为磨损程度参考值；

2)对采集的刀具生命全周期信号进行预处理；

将采集的每段刀具生命全周期信号统一数量级，以全部刀具生命全周期信号的幅值的平均值为阈值，去除每段刀具生命全周期信号开始采集与结束采集时掺入的噪声；

3)对步骤2)预处理后的刀具生命全周期信号分成若干段，每段刀具生命全周期信号中信号的个数为n，对每段刀具生命全周期信号标注标签进行分类；将数字式万能工具显微镜采集到的最大磨损宽度等参数作为参考值，根据国家工业标准将每段刀具生命全周期信号分成完好段、快速磨损段、即将损坏段、已损坏段；

4)使用小波变换结合能量计算、概率统计、傅里叶变换方法，计算出小波系数幅值特征、小波多重能量特征以及小波频域特征；

5)设定小波系数幅值特征的维度为a1，小波多重能量特征的维度为a2，小波频域特征的维度为a3；

将每段信号提取出的小波系数幅值特征、小波多重能量特征以及小波频域特征三种特征融合成总的特征集合，总的特征集合的维度为d,d＝a1+a2+a3；

6)如表1所示，总的特征集合(维度为d)中每个维度的特征进行二进制处理，得到二进制特征，使特征的解限于{0,1}之间，1代表选用该特征，0代表未选用，将选用的特征输入到神经网络模型训练；

表1

l<sub>1</sub>

l<sub>2</sub>

l<sub>3</sub>

...

l<sub>d</sub>

表1为每个个体搜索维度，d为特征个数，l_i,i∈(1,2,...d)为每个维度的解0或1。

在神经网络模型中，将每种分类数据中的2/3的数据以及相对应的磨损程度类别作为训练集D1，剩余的1/3的数据以及对应的磨损程度类别作为测试集D2；

将总的特征集合输入到粒子群优化算法，通过寻优找到最合适的特征子集，寻找到的最合适的特征子集的维度为e,e<＝d，并将最终得到的特征与每段信号对应的类别相匹配；

7)当采集刀具生命全周期信号时，每n个信号作为一组待检测信号，并将待检测信号依次进行所述步骤2)、所述步骤4)的操作，计算出该待检测信号的特征值，即包括小波系数幅值特征、小波多重能量特征以及小波频域特征；再通过步骤5)的操作得到最终的特征，将该最终的特征输入步骤6)训练好的神经网络模型，输出分类结果。

实施例2

根据实施例1所述的一种基于多重小波最优特征和神经网络的刀具生命全周期磨损诊断方法，其区别在于：神经网络模型包括多层神经元，每层神经元包括输入层、隐藏层及输出层；输入层的输入为R*1的向量，R粒子群算法提取出的最优子集的维度；隐藏层通过不断训练调整权值和偏置值，及将输入层的输入抽象到另一个维度空间，更抽象化，使输入数据更好的线性划分；输出层的输出向量大小为4*1。如图2所示，图2中，input为输入，output为输出，Hidden Layer为隐藏层，Output Layer为输出层；

步骤2)中，对采集的刀具生命全周期的信号进行预处理，利用阈值降噪，去除超大幅值振动信号，信号归一化，包括步骤如下：

计算每段信号均值：

式(Ⅰ)中，A_i为采集的磨损信号的幅值，A_av为计算出每段信号幅值的均值，n为每段信号的长度；如果前10％与后10％的振动信号幅值的绝对值大于均值A_av，将其滤除，将滤除后的信号归一化到[-1,1]之间，统一每一段刀具生命全周期信号的数量级。

图3(a)为三轴振动传感器采集的x轴方向生命全周期振动信号经过预处理后的图像；图3(b)为三轴振动传感器采集的y轴方向生命全周期振动信号经过预处理后的图像；图3(c)为三轴振动传感器采集的z轴方向生命全周期振动信号经过预处理后的图像。图3(a)、图3(b)、图3(c)中，横、纵坐标分别为样本序号和采集的振动信号大小。

步骤3)中，对每段刀具生命全周期信号标注标签，是指：采用主后刀面1/2ap(背吃刀量)处的磨损宽度值作为评判指标，同时增加磨损面积值、最大磨损宽度值作为参考，主后刀面1/2ap处磨损宽度为0.3mm时作为寿命终止点，以0.3mm作为参考值，主后刀面1/2ap处磨损宽度小于0.15mm所对应的刀具生命全周期信号为第一类，主后刀面1/2ap处磨损宽度在0.15mm到0.25mm之间，所对应的刀具生命全周期信号为第二类，主后刀面1/2ap处磨损宽度在0.25mm到0.3mm之间，所对应的刀具生命全周期信号为第三类，以此为依据，将采集的各段刀具生命全周期信号分为第一类、第二类、第三类的标签，待用。

步骤4)中，计算小波系数幅值特征，是指：

因为采样信号通过小波变换得到的小波系数一方面反映了原始信号的幅值分布，另一方面也反映了原始信号的奇异性。对步骤3)处理后的刀具生命全周期信号进行小波变换，得到小波系数，对得到的小波系数进行归一化处理，并分为多个不同的区间，统计各个区间中小波系数的概率，以此作为小波系数幅值特征。

步骤4)中，计算小波多重能量特征，是指：

对步骤3)处理后的刀具生命全周期信号用多级小波对信号进行分解，得到信号在细节空间与逼近空间的表示，通过给定的小波对振动信号进行多尺度小波分析，并返回在各层的分解向量以及记录向量(本实施例使用MATLAB中的wavedec()函数)，根据分解向量以及记录向量提取出各个尺度的细节空间表示以及逼近空间表示(本实施例使用MATLAB中的wrcoef()函数)。

用快速傅立叶变换(FFT)对信号在细节空间与逼近空间的表示向量进行变换。

通过公式(Ⅱ)利用近似信号计算各层的能量：

式(Ⅱ)中，j表示对应的尺度，k代表某一尺度下第k个小波系数，J表示小波分解的尺度，

表示在j刻度上第k个小波系数，E_j为尺度j对应的能量，n为当前尺度下小波系数的总个数，E为所有尺度的总能量；

通过公式(Ⅲ)计算出总能量：

求出各层的能量的占比，以此作为小波多重能量特征。

步骤4)中，计算小波频域特征，是指：

首先，对步骤1)2)3)处理后的刀具生命全周期信号进行希尔伯特变换得到解析信号；

然后，对解析信号利用公式(ⅩⅠ)进行快速傅里叶变换；

最后，对快速傅里叶变换得到的结果进行离散小波变换，得到小波系数，小波系数中的近似系数包含刀具的磨损信息，将近似系数作为小波频域特征。

步骤6)中，由式(Ⅳ)得到粒子的适应度值Fitness：

式(Ⅳ)中，α为分类精确性，β为所选特征重要性，R为所选特征子集的长度，N为特征总数，D为所选特征子集，γ_R(D)为当特征为D时的分类错误率，Fitness为适应度值级包含准确度特性也包含维度特性；

Accurary是分类的准确率，γ_R(D)＝1-Accurary。

步骤6)中，根据公式(Ⅴ)和公式(Ⅵ)分别更新粒个体的位置以及速度；

公式(Ⅴ)和公式(Ⅵ)中，

为第k次迭代第i个粒子飞行速度矢量的第j维分量；

为第k-1次迭代第i个粒子飞行速度矢量的第j维分量；pbest_ij为第i个粒子的个体历史最优位置的第j维分量；gbest_ij为第i个粒子的种群最优位置的第j维分量；

为第k次迭代粒子i位置矢量的第j维分量；c₁,c₂为加速度常数，调节步长大小；r₁,r₂为两个随机数值范围[0,1]增加搜索随机性；w为非负数的惯性权重，调解对解空间的搜索范围；

步骤6)中求取每段信号各个分解层能量以及总能量公式：

式(Ⅶ)、式(Ⅷ)中，j表示对应的尺度，k代表某一尺度下第k个小波系数，J表示小波分解的尺度，

表示在j刻度上第k个小波系数。E_j为尺度j对应的能量、n为当前尺度下小波系数的总个数、E为所有尺度的总能量。

步骤6)中，如图1所示，使用粒子群算法搜索二进制特征，选择出最优的特征子集，包括步骤如下：

第一步、根据种群规模以及参数产生初始化种群，初始化参数有迭代次数T、种群数量N、适应度函数的权重α和β，权重ω以及常数c₁和c₂，将位置和速度随机赋值，且位置x每一维度的解限于{0,1}之间；

第二步，根据位置x每一维度的解，从每一段振动信号的小波特征向量(维度为d)将解为1相对应的特征值提取出来形成特征子集D，并统计选用特征的数量R；

第三步，利用提取出的特征子集D与其对应的标签输入到神经网络模型中，其中2/3的数据作为训练集，1/3的数据作为测试集，得到测试错误率γ_R(D)，利用式(Ⅳ)计算出当前位置处的适应度值，更新个体历史最优位置和更新种群最优位置；

第四步，如果迭代次数小于最大迭代次数，利用式(Ⅴ)以及式(Ⅵ)更新位置以及速度；

第五步，重复第二步至第四步，直到达到最大迭代次数，得到种群最优位置，根据种群最优位置将相应的特征子集(维度为R)提取出来，并将其输入到神经网络模型中进行训练，得到训练好的神经网络模型。

步骤9)中求取适应度值以及分类错误率的公式：

γ_R(D)＝1-Accurary (Ⅹ)

式(Ⅸ)、式(Ⅹ)中，α为分类精确性，β为所选特征重要性，R为所选特子集的长度，N为特征总数，D为所选特征子集，γ_R(D)为当特征为D时的分类错误率，Accurary是分类的准确率，Fitness为适应度值级包含准确度特性也包含维度特性。

通过式(ⅩⅠ)(本实施例使用MATLAB中的fft()函数)，用快速傅立叶变换(FFT)对信号在细节空间与逼近空间的表示向量进行变换：

式(ⅩⅠ)中，用于对有限长离散信号进行傅立叶变换f(n)为有限长的离散时间信号；k为频率；N为根据有限长时间信号构建的周期信号的周期，一般大于离散时间信号的长度；n为信号序列数。

图4(a)为特征图，将四类振动信号提取的特征向量的差异表现出来，横坐标为特征向量的维度，纵坐标为每一维所对应的特征值的大小；图4(b)为实时信号图，展示当前采集的信号数据，横坐标为采集的振动信号数量，且随时间不断增加，纵坐标为振动信号幅值；图4(c)为实时振动信号提取的特征图，每隔一定数量的振动信号便截取一段振动信号进行特征提取，横坐标为特征向量的维度，纵坐标为每一维所对应的特征值的大小；图4(d)为实时信号诊断类别图，横坐标为当前采集的信号段被诊断的类别，纵坐标为每个类别的概率，1为诊断为该类别，0代表不为该类别。

实施例3

一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现实施例1或2所述的基于多重小波最优特征和神经网络的刀具生命全周期磨损诊断方法的步骤。

实施例4

一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现实施例1或2所述的基于多重小波最优特征和神经网络的刀具生命全周期磨损诊断方法的步骤。

Claims (8)

1.一种基于多重小波最优特征和神经网络的刀具生命全周期磨损诊断方法，其特征在于，包括步骤如下：

1)采集刀具生命全周期信号，刀具生命全周期信号是指刀具从完好到损害的整个生命周期的刀具振动信号，刀具生命全周期信号采集完后，对刀具磨损值进行测量，刀具磨损值包括每个主后刀面最大磨损宽度、1/2ap处磨损宽度和磨损面积，副后面的最大磨损宽度和磨损面积；ap为背吃刀量，背吃刀量为垂直于给进速度方向的切削层最大尺寸；

2)对采集的刀具生命全周期信号进行预处理；

将采集的每段刀具生命全周期信号统一数量级，以全部刀具生命全周期信号的幅值的平均值为阈值，去除每段刀具生命全周期信号开始采集与结束采集时掺入的噪声；

3)对步骤2)预处理后的刀具生命全周期信号分成若干段，每段刀具生命全周期信号中信号的个数为n，对每段刀具生命全周期信号标注标签进行分类；

4)使用小波变换结合能量计算、概率统计、傅里叶变换方法，计算出小波系数幅值特征、小波多重能量特征以及小波频域特征；

步骤4)中，计算小波系数幅值特征，是指：

对步骤3)处理后的刀具生命全周期信号进行小波变换，得到小波系数，对得到的小波系数进行归一化处理，并分为多个不同的区间，统计各个区间中小波系数的概率，以此作为小波系数幅值特征；

步骤4)中，计算小波多重能量特征，是指：

对步骤3)处理后的刀具生命全周期信号用多级小波对信号进行分解，得到信号在细节空间与逼近空间的表示，通过给定的小波对振动信号进行多尺度小波分析，并返回在各层的分解向量以及记录向量，根据分解向量以及记录向量提取出各个尺度的细节空间表示以及逼近空间表示；

用快速傅立叶变换对信号在细节空间与逼近空间的表示向量进行变换；

通过公式(II)利用近似信号计算各层的能量：

式(II)中，j表示对应的尺度，k代表某一尺度下第k个小波系数，J表示小波分解的尺度，

表示在j刻度上第k个小波系数，E_j为尺度j对应的能量，n为当前尺度下小波系数的总个数，E为所有尺度的总能量；

通过公式(Ⅲ)计算出总能量：

求出各层的能量的占比，以此作为小波多重能量特征；

步骤4)中，计算小波频域特征，是指：

首先，对步骤1)2)3)处理后的刀具生命全周期信号进行希尔伯特变换得到解析信号；

然后，对解析信号利用公式(ⅩⅠ)进行快速傅里叶变换；

最后，对快速傅里叶变换得到的结果进行离散小波变换，得到小波系数，小波系数中的近似系数包含刀具的磨损信息，将近似系数作为小波频域特征；

5)设定小波系数幅值特征的维度为a1，小波多重能量特征的维度为a2，小波频域特征的维度为a3；

将每段信号提取出的小波系数幅值特征、小波多重能量特征以及小波频域特征三种特征融合成总的特征集合，总的特征集合的维度为d,d＝a1+a2+a3；

6)总的特征集合中每个维度的特征进行二进制处理，得到二进制特征，使特征的解限于{0,1}之间，1代表选用该特征，0代表未选用，将选用的特征输入到神经网络模型训练；

在神经网络模型中，将每种分类数据中的2/3的数据以及相对应的磨损程度类别作为训练集D1，剩余的1/3的数据以及对应的磨损程度类别作为测试集D2；

将总的特征集合输入到粒子群优化算法，通过寻优找到最合适的特征子集，寻找到的最合适的特征子集的维度为e,e<＝d，并将最终得到的特征与每段信号对应的类别相匹配；

步骤6)中，使用粒子群算法搜索二进制特征，选择出最优的特征子集，包括步骤如下：

第一步、根据种群规模以及参数产生初始化种群，初始化参数有迭代次数T、种群数量N、适应度函数的权重α和β，权重ω以及常数c₁和c₂，将位置和速度随机赋值，且位置x每一维度的解限于{0,1}之间；

第二步，根据位置x每一维度的解，从每一段振动信号的小波特征向量将解为1相对应的特征值提取出来形成特征子集D，并统计选用特征的数量R；

第三步，利用提取出的特征子集D与其对应的标签输入到神经网络模型中，其中2/3的数据作为训练集，1/3的数据作为测试集，得到测试错误率γ_R(D)，利用式(Ⅳ)计算出当前位置处的适应度值，更新个体历史最优位置和更新种群最优位置；

第四步，如果迭代次数小于最大迭代次数，更新位置以及速度；

第五步，重复第二步至第四步，直到达到最大迭代次数，得到种群最优位置，根据种群最优位置将相应的特征子集提取出来，并将其输入到神经网络模型中进行训练，得到训练好的神经网络模型；

步骤9)中求取适应度值以及分类错误率的公式：

γ_R(D)＝1-Accurary(Ⅹ)

式(Ⅸ)、式(Ⅹ)中，α为分类精确性，β为所选特征重要性，R为所选特子集的长度，N为特征总数，D为所选特征子集，γ_R(D)为当特征为D时的分类错误率，Accurary是分类的准确率，Fitness为适应度值级包含准确度特性也包含维度特性；

通过式(ⅩⅠ)，用快速傅立叶变换对信号在细节空间与逼近空间的表示向量进行变换：

式(ⅩⅠ)中，用于对有限长离散信号进行傅立叶变换f(n)为有限长的离散时间信号；k为频率；N为根据有限长时间信号构建的周期信号的周期，n为信号序列数；

7)当采集刀具生命全周期信号时，每n个信号作为一组待检测信号，并将待检测信号依次进行所述步骤2)、所述步骤4)的操作，计算出该待检测信号的特征值，即包括小波系数幅值特征、小波多重能量特征以及小波频域特征；再通过步骤5)的操作得到最终的特征，将该最终的特征输入步骤6)训练好的神经网络模型，输出分类结果。

2.根据权利要求1所述的一种基于多重小波最优特征和神经网络的刀具生命全周期磨损诊断方法，其特征在于，所述神经网络模型包括多层神经元，每层神经元包括输入层、隐藏层及输出层；输入层的输入为R*1的向量，R粒子群算法提取出的最优子集的维度；隐藏层通过不断训练调整权值和偏置值，及将输入层的输入抽象到另一个维度空间，更抽象化，使输入数据更好的线性划分；输出层的输出向量大小为4*1。

3.根据权利要求1所述的一种基于多重小波最优特征和神经网络的刀具生命全周期磨损诊断方法，其特征在于，步骤2)中，对采集的刀具生命全周期的信号进行预处理，利用阈值降噪，去除超大幅值振动信号，信号归一化，包括步骤如下：

计算每段信号均值：

式(Ⅰ)中，A_i为采集的磨损信号的幅值，A_av为计算出每段信号幅值的均值，n为每段信号的长度；如果前10％与后10％的振动信号幅值的绝对值大于均值A_av，将其滤除，将滤除后的信号归一化到[-1,1]之间，统一每一段刀具生命全周期信号的数量级。

4.根据权利要求1所述的一种基于多重小波最优特征和神经网络的刀具生命全周期磨损诊断方法，其特征在于，步骤3)中，对每段刀具生命全周期信号标注标签，是指：主后刀面1/2ap处磨损宽度小于0.15mm所对应的刀具生命全周期信号为第一类，主后刀面1/2ap处磨损宽度在0.15mm到0.25mm之间，所对应的刀具生命全周期信号为第二类，主后刀面1/2ap处磨损宽度在0.25mm到0.3mm之间，所对应的刀具生命全周期信号为第三类，以此为依据，将采集的各段刀具生命全周期信号分为第一类、第二类、第三类的标签，待用。

5.根据权利要求1所述的一种基于多重小波最优特征和神经网络的刀具生命全周期磨损诊断方法，其特征在于，步骤6)中，由式(Ⅳ)得到粒子的适应度值Fitness：

式(Ⅳ)中，α为分类精确性，β为所选特征重要性，R为所选特征子集的长度，N为特征总数，D为所选特征子集，γ_R(D)为当特征为D时的分类错误率，Fitness为适应度值级包含准确度特性也包含维度特性；Accurary是分类的准确率，γ_R(D)＝1-Accurary。

6.根据权利要求1所述的一种基于多重小波最优特征和神经网络的刀具生命全周期磨损诊断方法，其特征在于，步骤6)中，根据公式(Ⅴ)和公式(Ⅵ)分别更新粒个体的位置以及速度；

公式(Ⅴ)和公式(Ⅵ)中，

为第k次迭代第i个粒子飞行速度矢量的第j维分量；

为第k-1次迭代第i个粒子飞行速度矢量的第j维分量；pbest_ij为第i个粒子的个体历史最优位置的第j维分量；gbest_ij为第i个粒子的种群最优位置的第j维分量；

为第k次迭代粒子i位置矢量的第j维分量；c₁,c₂为加速度常数，调节步长大小；r₁,r₂为两个随机数值范围[0,1]增加搜索随机性；w为非负数的惯性权重，调解对解空间的搜索范围；

步骤6)中求取每段信号各个分解层能量以及总能量公式：

式(Ⅶ)、式(Ⅷ)中，j表示对应的尺度，k代表某一尺度下第k个小波系数，J表示小波分解的尺度，

表示在j刻度上第k个小波系数，E_j为尺度j对应的能量、n为当前尺度下小波系数的总个数、E为所有尺度的总能量。

7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-6任一所述基于多重小波最优特征和神经网络的刀具生命全周期磨损诊断方法的步骤。

8.一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，所述计算机程序被处理器执行时实现权利要求1-6任一所述基于多重小波最优特征和神经网络的刀具生命全周期磨损诊断方法的步骤。

Images