CN113927371A

CN113927371A - 一种基于多传感器特征融合的刀具磨损预测方法

Info

Publication number: CN113927371A
Application number: CN202111308074.8A
Authority: CN
Inventors: 郭宏; 徐延; 闫献国; 胡孔耀; 伊亚聪; 吕娜; 刘成波
Original assignee: Taiyuan University of Science and Technology
Current assignee: Taiyuan University of Science and Technology
Priority date: 2021-11-05
Filing date: 2021-11-05
Publication date: 2022-01-14

Abstract

本发明针对单一传感器预测刀具磨损量精度低的问题，提供一种基于多传感器特征融合的刀具磨损预测方法，涉及刀具状态监测技术领域。包括如下步骤：设计并实施机床加工实验；利用力、振动、声发射传感器监测和采集各类信号数据，利用显微镜观测记录刀具后刀面的磨损量，构建对应磨损量的各类信号数据集；对各类信号进行异常数据去除和信号去噪；在时域、频域和时频域内分析并提取特征；利用Pearson相关系数和PCA进行特征选择，进一步筛选出与刀具磨损程度更为相关的特征数据；将筛选出的多维特征作为输入条件，刀具磨损量作为输出条件，使用BP神经网络进行回归分析，得到磨损量预测值。该方法可以有效提高刀具磨损预测精度，提高机床加工效率。

Description

一种基于多传感器特征融合的刀具磨损预测方法

技术领域

本发明属于刀具状态监测技术相关领域，具体涉及一种基于多传感器特征融合的刀具磨损预测方法。

背景技术

机械设备加工工件时，刀具的磨损程度对工件的表面质量起着关键的决定性，严重情况下可能中断加工过程的进行。据统计，约有20％的机床停机时间是由刀具的故障导致的。及时掌握刀具的磨损状态可以确保零件加工的质量、保证系统的可靠性。

传统刀具磨损状态的评估一般是以工人的主观经验判断的，其准确率比较低，严重影响了加工效率。近年来对磨损状态的评估方法有直接监测和间接监测两种方式。直接监测法精度高，但是需要频繁拆卸刀具，中断了加工的进程，效率较低。间接检测法是通过采集加工中的信号来反映刀具状态，保证加工过程的不中断，效率较高。

间接监测法需要对采集信号以及信号的分析处理要求精度高，但随着传感技术和人工智能的发展，相应的问题逐渐解决。现如今刀具状态监测这一领域用到的方式多数利用传感器技术和智能算法的结合。传感器监测信号主要有：切削力信号、振动信号、声发射信号等，这些信息与刀具磨损有很大的相关性，对刀具状态的判断提供了可行手段。智能算法中的人工神经网络拥有优秀的非线性拟合能力，常用作监测模型。

基于切削力信号、振动信号、声发射信号等的单一信号分析虽然在监测刀具磨损状态方面有着不错的性能，但是信息维度单一，含有一定的片面性。多传感器融合信号可以充分利用信号各方面的优势，同时兼顾特征的维度、相关性和冗余度等方面，在刀具磨损状态监测中越来越普及。

发明内容

本发明的目的在于：针对现有技术中仅使用单一传感器预测刀具磨损量精度低的问题，本发明提供了一种基于多传感器特征融合的刀具磨损预测方法，可以有效提高刀具磨损量预测精度。

为实现上述目的，本发明提供了如下方案：本发明提供一种基于多传感器特征融合的刀具磨损预测方法，包括如下步骤：

在数控机床工作台及夹具上安装测力仪、振动传感器、加速度传感器，用刀具对工件进行加工操作。

使用数据采集卡采集刀具加工工件全生命周期过程中的X、Y、Z三向切削力信号、X、Y、Z三向振动信号和声发射信号。

在每次走刀结束后用电子显微镜观测并记录刀具后刀面的磨损情况，记录X、Y、Z三刃铣刀磨损量，计算三刃铣刀磨损量的平均值来表示刀具磨损量。构建多传感器信号与刀具磨损量之间相对应的数据集。

进一步地，对采集的多传感器信号去除由于刀具切入和切出导致的异常信号数据。

进一步地，对各类传感器信号进行去噪，具体地：

去噪算法为小波阈值去噪方法。

小波基函数为“db4”。

小波分解层数为3层。

选择阈值为软阈值函数，即：

式中，ω为分解系数；

为计算得到的小波数。

为通用阈值；σ为噪声的标准差。

进一步地，去噪信号进行特征提取，所述特征提取方法包括：统计学的时域特征、快速傅里叶变换的频域特征、小波变换的时频域特征。

具体地：

时域内计7个特征：均方根、方根幅值、波形因子、峰值因子、脉冲因子、裕度因子、峭度。

频域内计4个特征：平均频率、重心频率、频率均方根、频率标准差。

时频域内：利用“db6”小波基函数对去噪信号数据进行6层小波包分解，提取了64个频段的小波能量比，选择前6个小波能量比作为提取的特征，计6个特征：P1、P2、P3、P4、P5、P6。

经特征提取后共有7×17＝119维度特征样本空间。

进一步地，计算特征提取的多传感器特征X与刀具磨损量Y之间的Pearson相关系数R：

具体地，经计算的Pearson相关系数进行选择，取R>0.6时对应的多传感器特征，共有69维度特征样本空间。

进一步地，对69维度特征进行PCA样本空间降维。

具体地，取方差贡献率90％以上的主元成分，共有6维特征样本空间。

进一步地，将多传感器特征提取并选择的6维特征样本空间输入BP神经网络进行回归分析。

具体地，所述BP神经网络共有输入层、隐含层、输出层3层。

具体地，使用newff函数搭建BP神经网络，激活函数是“tansig”，训练算法是“trainlm”，计算MSE作为损失函数，利用Adam优化器使MSE达到最小。

具体地，所述6维特征样本空间及对应的磨损量值将按照4:1原则划分训练集和测试集。

训练集中，多传感器特征向量作为输入，刀具磨损量作为输出，得到多传感器刀具磨损预测模型。

测试集中，将多传感器特征向量输入训练好的模型，得到刀具磨损量的预测值。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，本发明提供的一种基于多传感器特征融合的刀具磨损预测方法主要具有以下有益效果：

本发明结合了切削力信号、振动信号和声发射信号对刀具磨损量进行预测，选择多传感器信号可以扬长避短，充分发挥各类信号的优势，从而提高刀具磨损的预测精度。

本发明提供了一种基于多传感器特征融合的刀具磨损预测方法的方案，为企业精确的掌握加工过程中刀具的情况提供了高效有力的方法，借助本发明的方案，企业可以提高车间的信息化水平，减少机床的停机时间，提高加工效率和收益。

附图说明

图1为本发明提供的一种基于多传感器特征融合的刀具磨损预测方法技术路线图；

图2为实验主要设备和系统结构；

图3为去除异常数据后的正常铣削信号图；

图4为X轴的原始信号和去噪信号对比图；

图5为多传感器预测误差与单一传感器预测误差对比图。

具体实施方式

下面结合附图及实施例，对本发明的内容作进一步的详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

参照图1、图2、图3、图4、图5，本发明提供的一种基于多传感器特征融合的刀具磨损预测方法，所述刀具磨损预测方法主要包括以下步骤：

(1)在铣削加工过程中，刀具铣削磨损实验与数据采集。

在主轴和工作台上安装测力仪、振动传感器、加速度传感器，用刀具对工件进行加工操作，实验主要设备和系统结构如图2所示，加工参数如表1所示。

表1加工参数。

使用数据采集卡，采集刀具铣削加工过程中的切削力信号、振动信号、声发射信号，且在每次走刀后使用显微镜测量刀具后刀面的磨损量,得到多传感器信号数据集。

(2)去除异常信号。去除由于刀具切入切出导致的首尾无效异常数据。去除切入和切出异常数据后，正常铣削信号图如图3所示。

(3)信号去噪。原始信号包含了噪声的干扰，故进行特征提取前，需要对信号进行去噪处理。

选择小波基函数为“db4”。

小波分解层数为3层。

选择阈值为软阈值函数，即：

式中，ω为分解系数；

为计算得到的小波数。

为通用阈值；σ为噪声的标准差。

去除由于外界环境等因素导致的噪声干扰信号数据，X轴原始信号和去噪信号对比图如图4所示。

(4)特征提取：对去噪后的三向力信号、三向振动信号和声发射信号一共7类信号数据进行特征提取。

对信号在时域内基于统计学、频域内基于快速傅里叶变换和时频域内基于小波变换进行特征提取。

时域内：计7个特征，包括均方根、方根幅值、波形因子、峰值因子、脉冲因子、裕度因子、峭度。

频域内：计4个特征，包括平均频率、重心频率、频率均方根、频率标准差。

时频域内：利用“db6”小波基函数对去噪信号数据进行6层小波包分解，提取了64个频段的小波能量比，选择前6个小波能量比作为提取的特征，计6个，包括P1、P2、P3、P4、P5、P6。提取的数据特征表如表2所示。

表2时域、频域和时频域分析数据特征表。

(5)相关系数选择。将7类信号提取的特征进行融合，融合后的特征样本空间是7×17＝119维度。将此17个特征使用皮尔逊相关系数进行选择，计算公式为：

R为计算两个数据间的Pearson相似度。

当R≥0.6时，X与Y就已经达到了强相关程度，取R>0.6时，提取出来的特征共有69维。

(6)特征降维。经Pearson特征提取后的69维度特征样本数据量较多，存在较大的冗余度，通过PCA降维后，得到的方差解释如表3。

表3方差解释

根据表3可知，当提取6个主成分时，其累计贡献率达到了90％以上，包含了大部分的7类信号提取特征的参数信息。故选取前6个主成分作为解释所有输入样本数据的综合指标。

将多传感器特征提取并选择的6维特征样本空间输入BP神经网络进行回归分析。

本实施例中BP神经网络共有输入层、隐含层、输出层3层。

使用newff函数搭建BP神经网络，激活函数是“tansig”，训练算法是“trainlm”，计算MSE作为损失函数，利用Adam优化器使MSE达到最小。

本实施例6维特征样本空间及对应的磨损量值将按照4:1原则划分训练集和测试集。

测试集中，将多传感器特征向量输入训练好的模型，得到刀具磨损量的预测值。多传感器预测误差与单一传感器预测误差对比图如图5所示。

评价指标可以表达为：

式中：n是样本数据量；

是刀具磨损预测值；y_i是刀具磨损真实值，

是预测值的平均值，决定系数R²表示回归模型的拟合度，R²越接近1，说明模型的预测效果越理想。

表3不同模型下的刀具磨损量预测性能对比。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域技术人员而言，凡在本发明的精神和原则之内，所作的任何修改、等同替换等，均应包含在本发明的保护范围之内。

Claims

1.一种基于多传感器特征融合的刀具磨损预测方法，包括以下步骤：

(1)在机床上安装测力仪、振动传感器、加速度传感器，用刀具对工件进行加工操作；获取刀具铣削加工过程中的切削力信号、振动信号、声发射信号，且在每次走刀后使用显微镜测量刀具后刀面的磨损量，得到多传感器信号数据集。

(2)分别对采集的切削力、振动信号和声发射信号进行异常数据去除和信号去噪。去噪后的信号数据在时域、频域、时频域内进行特征提取。将提取的多传感器特征使用Pearson相关系数和PCA进行特征降维选择。

(3)将选择的多维特征输入BP神经网络模型，进行回归分析，从而得到刀具磨损量，达到刀具状态监测的效果。

2.如权利要求书1所述的一种基于多传感器特征融合的刀具磨损预测方法，其特征在于：步骤(1)中，采集X、Y、Z三轴切削力信号，X、Y、Z三轴振动信号，声发射信号共7种传感器信号；测量的刀具后刀面磨损情况包括X、Y、Z三刃铣刀磨损量值，以X、Y、Z三刃铣刀后刀面磨损量的平均值来表示磨损量大小。

3.如权利要求书1所述的一种基于多传感器特征融合的刀具磨损预测方法，其特征在于：步骤(2)中，去除由于刀具切入切出导致的首尾无效异常数据，去除由于外界环境等因素导致的噪声干扰信号数据；使用统计学、快速傅里叶变换和小波变换等算法进行特征提取；选择与刀具磨损量之间的Pearson相关系数大的特征；根据PCA方差贡献率的选择主元成分。

4.如权利要求书1所述的一种基于多传感器特征融合的刀具磨损预测方法，其特征在于：步骤(3)中，BP神经网络共有输入层、隐含层、输出层3层，使用newff函数搭建BP神经网络，激活函数是“tansig”，训练算法是“trainlm”，计算MSE作为损失函数，利用Adam优化器使MSE达到最小。

5.如权利要求书3所述的一种基于多传感器特征融合的刀具磨损预测方法，其特征在于：使用小波阈值去噪方法，选择小波基函数为“db4”，小波分解层数为3层；选择阈值为软阈值函数，即：

其中ω为分解系数；

为计算得到的小波数。

为通用阈值；σ为噪声的标准差。

6.如权利要求书3所述的一种基于多传感器特征融合的刀具磨损预测方法，其特征在于：去噪信号进行特征提取，时域内计7个特征：均方根、方根幅值、峭度、波形因子、峰值因子、脉冲因子、裕度因子；频域内计4个特征：平均频率、重心频率、频率均方根、频率标准差；时频域内：利用“db6”小波基函数对去噪信号数据进行6层小波包分解，提取了64个频段的小波能量比，选择前6个小波能量比作为提取的特征，计6个特征：P1、P2、P3、P4、P5、P6。共有7×17＝119维度特征样本空间。

7.如权利要求书3所述的一种基于多传感器特征融合的刀具磨损预测方法，其特征在于：计算特征提取的多传感器特征X与刀具磨损量Y之间的Pearson相关系数R：

取R>0.6时对应的多传感器特征，共有69维度特征样本空间。

8.如权利要求书3所述的一种基于多传感器特征融合的刀具磨损预测方法，其特征在于：使用PCA对69维样本空间降维，取方差贡献率90％以上的主元成分，共有6维特征样本空间。

9.如权利要求书4所述的一种基于多传感器特征融合的刀具磨损预测方法，其特征在于：6维特征样本空间及对应的磨损量值将按照4:1原则划分训练集和测试集；训练集中，多传感器特征向量作为输入，刀具磨损量作为输出，得到多传感器刀具磨损预测模型；测试集中，将多传感器特征向量输入训练好的模型，得到刀具磨损量的预测值。