CN114638265B - 一种基于信号卷积神经网络的铣削颤振判别方法 - Google Patents

一种基于信号卷积神经网络的铣削颤振判别方法 Download PDF

Info

Publication number
CN114638265B
CN114638265B CN202210274961.6A CN202210274961A CN114638265B CN 114638265 B CN114638265 B CN 114638265B CN 202210274961 A CN202210274961 A CN 202210274961A CN 114638265 B CN114638265 B CN 114638265B
Authority
CN
China
Prior art keywords
frequency
signal
flutter
convolution
dimensional
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210274961.6A
Other languages
English (en)
Other versions
CN114638265A (zh
Inventor
毕博
罗宇
康能生
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202210274961.6A priority Critical patent/CN114638265B/zh
Publication of CN114638265A publication Critical patent/CN114638265A/zh
Application granted granted Critical
Publication of CN114638265B publication Critical patent/CN114638265B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02Preprocessing
    • G06F2218/04Denoising
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/243Classification techniques relating to the number of classes
    • G06F18/2431Multiple classes
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08Feature extraction
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

一种基于信号卷积神经网络的铣削颤振判别方法,其特征是:首先要对颤振进行判别。其次,设计一种基于一维卷积神经网络的判别模型,并在其中添加了专家知识模块,滤除信号中的主轴转频噪声,实现了端到端的颤振判别。并且进行了实验验证和性能分析,结果表明,所提出的方法可以高精度地判别颤振,具有良好的鲁棒性,当训练样本中含有20%错误标签样本时,模型取得了90%的判别准确率。

Description

一种基于信号卷积神经网络的铣削颤振判别方法
技术领域
本发明涉及一种振动技术,尤其是一种框肋件振动类型判别方法,具体地说是一种基于信号卷积神经网络的铣削颤振判别方法。
背景技术
以整体框肋件(如图1所示)为代表的航空整体结构件的材料去除率高,在高速铣削过程中常常会出现颤振现象,严重阻碍了零件的高效高质量加工。避免颤振的传统方法是依靠工人的经验或在正式加工前进行试切。为了获得理论上的指导,在过去数十年间国内外学者通过物理建模,绘制稳定性叶瓣图以获得合理加工参数避免颤振,但是由于加工系统存在各种建模误差、环境干扰,这种方法往往不准确。多数情况下即使采用了理论最优参数也可能发生颤振。
另一种解决方案则是在线监测对颤振敏感的物理信号,然后对采集到的信号进行分析,在判别颤振发生时采取措施抑制甚至避免颤振的发生。这种方法无需对整个加工系统进行复杂建模,在实际生产中具有更大的应用潜力。目前国内外的学者已经对加工过程中的力、振动等信号进行时域、频域、时频域分析,提取颤振发生时的特征,设置阈值或输入人工智能分类模型实现加工颤振判别。
其中时频域方法是目前研究的热点,它将时域和频域进行了联合。在借助各种信号处理方法与人为选择与颤振相关的特征后,可以取得较好的判别结果。
如张磊等在“基于小波包敏感频带选择的复材铣边颤振监测研究[J/OL].机械工程学报:1-9[2021-12-23]”中指出的方法是首先滤除信号中的主轴转频及倍频,其次对去频后的信号进行小波包分解,选取颤振敏感频带作为颤振研究对象,提取分解后信号能量熵作为颤振监测量并确定系统颤振监测阈值,实现颤振的判别。
TASITCHAROEN等在“Chatter detection in milling machines by neuralnetwork classification and feature selection[J].Journal of Vibration andControl,2015,21(7):1251-1266.”一文中提出了一种基于Daubechies小波的变换方法,然后,计算了各层信号中动态切削力的平均差与绝对差的比值,并由此引入了新的参数用于颤振识别。
上述方法都需要通过人工经验对信号进行预处理,手动定义相关特征并设置阈值,存在丢失重要信号特征的可能。因此目前也发展出了自适应提取特征的方法。李欣欣等在“基于卷积神经网络的深孔镗削加工过程颤振监测研究,湖北汽车工业学院学报,2018,32”一文中采用短时傅里叶变换对信号进行分析,得到的能量频谱图作为CNN模型的输入,建立了基于CNN的深孔镗削颤振监测模型。张明锴在“基于残差卷积网和支持向量机的机器人铣削颤振辨识研究,华中科技大学,2019”中采用小波变换(wavelet transform,简称WT)和变分模态分解(variational mode decomposition,简称VMD)对颤振信号进行了处理,得到了时频谱图,然后将该图片输入给残差卷积神经网络进行自适应特征提取和判别。谷玉海等在“基于EMD二值化图像和CNN的滚动轴承故障诊断”一文中在故障诊断中使用轴承振动数据进行经验模态分解(empirical mode decomposition,简称EMD),同时进行频谱分析,并将频谱图数据压缩成特征二值化图像作为CNN分类网络训练的输入数据,利用训练好的模型对各类故障进行分类识别。现有方法都需要将信号序列转化为二维图像之后才能进行特征的提取。而目前没有学者针对颤振判别问题设计一维CNN信号处理模型,迫使颤振判别模型割裂成特征提取与网络训练两个模块,不利于自适应提取特征。
发明内容
本发明的目的是针对现有的振颤类型判别时都需要将信号序列转化为二维图像之后才能进行特征的提取,迫使颤振判别模型割裂成特征提取与网络训练两个模块,不利于自适应提取特征的问题,发明一种仅需一维CNN颤振判别模型即可完成自适应提取的基于信号卷积神经网络的铣削颤振判别方法。它通过在模型中集成了专家知识与数据预处理模块,即对输入的振动信号序列进行快速傅里叶变换(fast Fourier transform,简称FFT),然后消除频谱中与颤振无关的主轴转频及其倍频的周期性分量,以此避免这部分噪声掩盖颤振的特征。最后对所得频谱进行逐层卷积,自适应提取颤振特征,实现从采集端到输出端的颤振判别。
本发明的技术方案是:
一种基于信号卷积神经网络的铣削颤振判别方法,其特征是:
首先,利用振动传感器获取振动信号;
其次,对获取的振动信号进行噪音消除处理,消除主轴转频及其倍频噪音,保留颤振分量,获得一维张量;
第三,利用一维卷积神经网络技术对获得的一维张量进行特征提取;特征提取由3层一维卷积层组成;每次卷积都会进行局部特征的提取,三层的卷积核尺寸都为10×1;卷积结束后对特征图进行批量正则化操作,缓解CNN训练过程中的梯度消失、梯度爆炸现象;然后再进行尺寸为5,步长为1的池化操作,减少参数和模型过拟合现象的发生,降低输出的维度,加快模型的训练速度;经过三次卷积后,各个局部特征将组合为尺寸为61×3的特征;该特征展开为长度为183×1的张量后输入分类模块,通过两层全连接层对局部特征进行综合,经由softmax函数变换后输出颤振判别的结果;
第四,进行特征自动提取;选取4个常见的作为颤振特征提取分类的时域指标,包括标准差st、波形因子S、峭度ku、裕度因子L;选取两个常规频域特征,包括重心频率FC和均方根频率RMSF引入到颤振检测中作为判别指标;
最后,对样本进行特征的计算,并绘制散点图,时域、频域特征能区分颤振和稳定状态;不同状态标签的样本之间如存在重叠,则需对提取到的特征进行t-SNE降维处理,使颤振与稳定的信号有明显的边界。
所述的噪音消除包括以下步骤:
1)对信号序列{x(i),i=1,2,...,n}进行FFT后得到单边谱X(k),如式(2)所示。根据香农采样定理,我们需要分析的最高频率信号为振动传感器(PCB 378B02)采样频率的一半,即4096Hz,此处分析4000Hz以下的信号;
式中,j为虚数单位;
2)输入需要去除的主轴转频f,则其倍频为zf,初始值z=1;此处加工信号的转速为5400rpm,则其转频f=5400/60=90Hz;
3)设置频率去除区间的宽度d,默认d=20;将频谱中频率范围为(f-d/2,f+d/2)的频谱幅值置零,如式(3)所示;
4)如果i大于zf+d/2且小于N,则令z=z+1,继续重复步骤2)至步骤4);否则结束频率消除过程。
所述的一维张量的;长度为8000。
所述的一维卷积补经网络由卷积层和池化层以及全连接层组成;一维卷积补经网络能从原始数据中提取特征的深度学习模型;其中核心的卷积层的作用是对输入的目标信号进行特征的提取,即用一个卷积核依次滑动对目标输入进行局部的卷积操作,卷积核就是一个权重矩阵;卷积核的局部感知特点使其相比全连接网络可以大大减少权值参数的个数,减少了所需的内存,降低了过拟合的风险,在网络深度较大时优势更为明显;一维卷积表达式为:
其中wp为一维卷积核中的第p个权值,im+p为输入向量中的第(m+p)个数值,而Om为输出向量中第m个值,b为偏置,f为激活函数。
所述的标准差st的计算公式为:
式中:n为信号数,xi为第i个信号振幅,xmean为信号振幅平均值。
所述的波形因子S的计算公式为:
式中:n为信号数,xi为第i个信号振幅,xrms为信号振幅均方根。
所述的峭度ku的计算公式为:
式中:n为信号数,xi为第i个信号振幅,xmean为信号振幅平均值,st为标准差。
所述裕度因子L的计算公式为:
式中:n为信号数,xi为第i个信号振幅,xmax为信号振幅最大值。
所述的重心频率FC的计算公式为:
式中:k=0,2,…,N;ωk为第k条谱线的角速度。
所述的均方根频率RMSF的计算公式为:
式中:k=0,2,…,N;ωk为第k条谱线的角速度。
本发明的有益效果:
本发明对铣削振动加工信号提出了的基于一维卷积神经网络的判别模型,通过添加专家知识模块,滤除信号中的主轴转频噪声,实现了端到端的颤振判别。并且进行了实验验证和性能分析,结果表明,所提出的方法可以高精度地判别颤振,具有良好的鲁棒性,当训练样本中含有20%错误标签样本时,模型取得了90%的判别准确率。
附图说明
图1是本发明涉及的典型框整体框肋件的结构示意图。
图2是本发明的卷积过程示意图。
图3是本发明实施例的加工振动信号序列示意图。
图4是本发明实施例的加工信号频谱示意图。
图5是本发明实施例的信号频率消除结构示意图。
图6是本发明实施例的实验平示意图。
图7是本发明基于信号卷积的颤振判别模型结构示意图。
图8是本发明的人工选取特征的分布数据集的人工特征分布(400个样本)示意图。
图9是本发明的自动提取特征的t-SNE分布示意图。
图10是本发明的不同输入信号迭代效果对比示意图。图10(a)是损失值随迭代次数的变化示意图;图10(b)是判别准确率随迭代次数的变化示意图。
图11不同错误标签样本比例下的判别准确率示意图。
图12含有错误标签样本的t-SNE分布示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
如图2-12所示。
一种基于信号卷积神经网络的铣削颤振判别方法,可概括为设计一种基于一维卷积神经网络的判别模型,并在其中添加专家知识模块,滤除信号中的主轴转频噪声,实现了端到端的颤振判别。具体包括以下步骤:
首先,利用振动传感器获取振动信号;
其次,对获取的振动信号进行噪音消除处理,消除主轴转频及其倍频噪音,保留颤振分量,获得一维张量;
第三,利用一维卷积神经网络技术对获得的一维张量进行特征提取;特征提取由3层一维卷积层组成;每次卷积都会进行局部特征的提取,三层的卷积核尺寸都为10×1;卷积结束后对特征图进行批量正则化操作,缓解CNN训练过程中的梯度消失、梯度爆炸现象;然后再进行尺寸为5,步长为1的池化操作,减少参数和模型过拟合现象的发生,降低输出的维度,加快模型的训练速度;经过三次卷积后,各个局部特征将组合为尺寸为61×3的特征;该特征展开为长度为183×1的张量后输入分类模块,通过两层全连接层对局部特征进行综合,经由softmax函数变换后输出颤振判别的结果;
第四,进行特征自动提取;选取4个常见的作为颤振特征提取分类的时域指标,包括标准差st、波形因子S、峭度ku、裕度因子L;选取两个常规频域特征,包括重心频率FC和均方根频率RMSF引入到颤振检测中作为判别指标;
最后,对样本进行特征的计算,并绘制散点图,时域、频域特征能区分颤振和稳定状态;不同状态标签的样本之间如存在重叠,则需对提取到的特征进行t-SNE降维处理,使颤振与稳定的信号有明显的边界。
详述如下:
1.一维卷积神经网络由卷积层(convolutional layer,简称Conv)和池化层(pooling layer,简称Pool)以及全连接层(fully connected layer,简称FCL)等组成。CNN可以从原始数据中提取特征的深度学习模型,广泛的应用于二维图像、一维信号特征的提取。而随着CNN网络深度的增加,它可以提取更加高级、复杂的特征。Kiranyaz S等[i][ii]曾用一维CNN实现了心电图信号的分类。
其中核心的卷积层的作用是对输入的目标信号进行特征的提取,即用一个卷积核依次滑动对目标输入进行局部的卷积操作,卷积核就是一个权重矩阵。卷积核的局部感知特点使其相比全连接网络可以大大减少权值参数的个数,减少了所需的内存,降低了过拟合的风险,在网络深度较大时优势更为明显。一维卷积表达式为:
其中wp为一维卷积核中的第p个权值,im+p为输入向量中的第(m+p)个数值,而Om为输出向量中第m个值,b为偏置,f为激活函数。对信号序列进行卷积的过程如图2所示。
1.2频率消除算法
颤振发生时,频谱分布会发生变化,提取其中存在的特征就可以实现颤振的判别。而振动传感器采集到的信号除了颤振引起的非周期性分量外,还有主轴旋转、刀齿切入的噪声。而这些噪声对颤振特征的提取有着干扰作用。因此为了实现颤振的准确判别,消除这些周期性噪声就显得尤为重要。Chang L[iii]等研究发现,与颤振相关的主频率不等于主轴转频,消除主轴转频的同时不会消除颤振分量。而刀齿切入的频率为主轴转频的整数倍,因此消除周期性噪声可以归结为消除主轴转频及其所有倍频。对如图3所示的加工振动信号具体的噪声消除步骤如下所述。
1)对信号序列{x(i),i=1,2,...,n}进行FFT后得到单边谱X(k),如式(2)所示。根据香农采样定理,我们需要分析的最高频率信号为振动传感器(PCB 378B02)采样频率的一半,即4096Hz,此处分析4000Hz以下的信号,频谱如图4所示。
式中,j为虚数单位。
2)输入需要去除的主轴转频f,则其倍频为zf,初始值z=1。此处加工信号的转速为5400rpm,则其转频f=5400/60=90Hz。
3)设置频率去除区间的宽度d,默认d=20。将频谱中频率范围为(f-d/2,f+d/2)的频谱幅值置零,如式(3)所示。
4)如果i大于zf+d/2且小于N,则令z=z+1,继续重复步骤2)至步骤4);否则结束频率消除过程。最终的频谱ACC′(i)如图5所示。
2模型结构设计
2.1实验数据获取。
振动信号具有灵敏度好、抗干扰性强等优点,并且振动传感器具有经济、安装方便等优势,是目前较常采用的一类传感器。本文的加工振动信号来源于图6所示铣削实验平台。该实验平台由主要由DMGDMU duo block 80P五轴数控加工中心、φ10立铣刀、铝合金工件以及安装在工件X,Y方向上的两个PCB 378B02单轴振动传感器组成,传感器的采样频率为8192Hz。
铣削实验过程中占刀比分别为0.5,0.6,0.8,1.0,转速的变化范围为5000-12000rpm,切深的变化范围为0.2-2.6mm,进给保持为0.01mm/齿,每次铣削的距离为40mm,重复实验。选取不同加工条件下的原始铣削振动时域信号数据作为训练集,将其裁剪至每个样本包含2000个采样点,数据标签包含是否发生颤振以及主轴转速等信息。最终获得了颤振和稳定状态的信号样本各1428个。
2.2基于信号卷积的颤振判别模型。
本文提出的信号CNN颤振特征提取与判别模型的总体框架如图7所示,包含具体模型训练流程操作如下。
信号序列进入模型之后,首先进入数据预处理模块,即进行1.2节所述的频率消除算法,将信号序列转化为频谱并滤除主轴倍频周期性噪声,并且进行插值密化,最终得到了长度为8000的一维张量。
一维张量之后被输入特征提取与分类模块。特征提取部分主要由3层一维卷积层组成。每次卷积都会进行局部特征的提取,三层的卷积核尺寸都为10×1。卷积结束后对特征图进行批量正则化操作,缓解CNN训练过程中的梯度消失、梯度爆炸现象。然后再进行尺寸为5,步长为1的池化操作,减少参数和模型过拟合现象的发生,降低输出的维度,加快模型的训练速度。经过三次卷积后,各个局部特征将组合为尺寸为61×3的特征。该特征展开为长度为183×1的张量后输入分类模块,通过两层全连接层对局部特征进行综合,经由softmax函数变换后输出颤振判别的结果。
3性能验证。
3.1特征自动提取。
如前文所述,传统的颤振判别往往是通过人工定义特征并设计阈值进行分类,特征提取的过程不仅复杂、依赖人工经验,而且虽然颤振与稳定时的特征的分布存在着一定差异,但是依旧难以胜任精确判别的工作,更难以适应不同的加工条件下的分类。为了体现信号卷积神经网络在特征提取方面的优势,本文选取了4个常见的用于颤振特征提取分类的时域指标,包括标准差st、波形因子S、峭度ku、裕度因子L。峰值和标准差不仅会受到加工稳定状态的影响,还与加工参数有关,不利于颤振的判别,被排除在外。此外,考虑到一些隐藏信息不能直接从上述选择的时域特征中获得,一些频域特征也被引入到颤振检测中,本文也选取两个常规频域特征,包括重心频率FC和均方根频率RMSF,时域、频域指标计算公式如表1所示。
将样本进行特征的计算,并绘制散点图,结果如图8所示。可知上述时域、频域特征可以粗略区分颤振和稳定状态。但是,具有不同状态标签的样本之间存在显着重叠。我们对本文所述的CNN网络提取到的特征进行t-SNE降维处理,得到了图9,显然这种方法具有比手动选择的特征更好的性能,颤振与稳定的信号有明显的边界。
表1常用时、频域指标。
3.2噪声去除效果验证。
分别用1.2节所述的原始信号和去除主轴旋转、刀齿切入的噪声作为神经网络的输入,观察模型判别准确率和损失值,共训练三十代。结果如图10所示,相对于原始信号,去除信号中的无关倍频后,使淹没在其中的颤振特征凸显出来,提高后续颤振判别的灵敏性与准确度,在第五代训练就达到了90.83%的判别准确率,最终收敛至96.67%,相较于原始信号的判别准确率提高了近6%。
3.3鲁棒性测试。
训练样本的标签依靠人工经验、频谱分析、工件表面粗糙度测量进行设置,可能会带有错误标签。为了进一步验证所提方法的性能,我们将训练数据集中的部分样本标记为错误的标签,以测试模型的鲁棒性,结果如图11所示。可见错误标签的样本确实影响了网络的特征提取精度,准确率随着错误标签的样本比例的增加而降低。在错误标签样本的比例达到20%时,模型依旧能取得近90%的判别准确率,相应的t-SNE分布如图12所示,体现了模型良好的鲁棒性。
综上所述:
1)本发明提出的针对铣削振动信号的一维卷积模型,在模型中集成了数据预处理与转轴倍频滤除模块,可以进行颤振特征的自适应提取与判别,实现从输入端到输出端的颤振判别。简化了模型结构,并且无需和其他时频域判别方法一样进行复杂的数据预处理、人工特征的设置与阈值的确认。
2)模型中的专家知识模块可以有效去除铣削振动信号中包含的主轴转频及倍频,使得颤振的特征更容易被提取,提高了后续颤振检测的准确率。这一举措使得判别准确率由90.83%提升至96.67%。
3)所提出的模型具有良好的鲁棒性,在错误标签样本比例达到20%时仍可以取得近90%的判别准确率,具有一定的现实应用意义。虽然所提出的模型在测试数据集中表现出较高的判别精度,但在其他铣削条件下的颤振判别性能也有待验证。
本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。

Claims (9)

1.一种基于信号卷积神经网络的铣削颤振判别方法,其特征是:
首先,利用振动传感器获取振动信号;
其次,对获取的振动信号进行噪音消除处理,消除主轴转频及其倍频噪音,保留颤振分量,获得一维张量;
第三,利用一维卷积神经网络技术对获得的一维张量进行特征提取;特征提取由3层一维卷积层组成;每次卷积都会进行局部特征的提取,三层的卷积核尺寸都为10×1;卷积结束后对特征图进行批量正则化操作,缓解CNN训练过程中的梯度消失、梯度爆炸现象;然后再进行尺寸为5,步长为1的池化操作,减少参数和模型过拟合现象的发生,降低输出的维度,加快模型的训练速度;经过三次卷积后,各个局部特征将组合为尺寸为61×3的特征;该特征展开为长度为183×1的张量后输入分类模块,通过两层全连接层对局部特征进行综合,经由softmax函数变换后输出颤振判别的结果;
第四,进行人工选取特征;选取4个常见的作为颤振特征提取分类的时域指标,包括标准差st、波形因子S、峭度ku、裕度因子L;选取两个常规频域特征,包括重心频率FC和均方根频率RMSF引入到颤振检测中作为判别指标;
最后,对样本进行特征的计算,并绘制散点图,时域、频域特征能区分颤振和稳定状态;不同状态标签的样本之间存在重叠,需对提取到的特征进行t-SNE降维处理,使颤振与稳定的信号有明显的边界;
所述的噪音消除包括以下步骤:
1)对信号序列{x(i),i=1,2,...,n}进行FFT后得到单边谱X(k),如式(2)所示;根据香农采样定理,我们需要分析的最高频率信号为振动传感器采样频率的一半,即4096Hz,此处分析4000Hz以下的信号;
式中,j为虚数单位;
2)输入需要去除的主轴转频f,则其倍频为zf,初始值z=1;此处加工信号的转速为5400rpm,则其转频f=5400/60=90Hz;
3)设置频率去除区间的宽度d,默认d=20;将频谱中频率范围为(f-d/2,f+d/2)的频谱幅值置零,如式(3)所示;
4)如果i大于zf+d/2且小于N,则令z=z+1,继续重复步骤2)至步骤4);否则结束频率消除过程。
2.根据权利要求1所述的方法,其特征是所述的一维张量的;长度为8000。
3.根据权利要求1所述的方法,其特征是所述的一维卷积补经网络由卷积层和池化层以及全连接层组成;一维卷积补经网络能从原始数据中提取特征的深度学习模型;其中核心的卷积层的作用是对输入的目标信号进行特征的提取,即用一个卷积核依次滑动对目标输入进行局部的卷积操作,卷积核就是一个权重矩阵;卷积核的局部感知特点使其相比全连接网络可以大大减少权值参数的个数,减少了所需的内存,降低了过拟合的风险,在网络深度较大时优势更为明显;一维卷积表达式为:
其中wp为一维卷积核中的第p个权值,im+p为输入向量中的第(m+p)个数值,而Om为输出向量中第m个值,b为偏置,f为激活函数。
4.根据权利要求1所述的方法,其特征是所述的标准差st的计算公式为:
式中:n为信号数,xi为第i个信号振幅,xmean为信号振幅平均值。
5.根据权利要求1所述的方法,其特征是所述的波形因子S的计算公式为:
式中:n为信号数,xi为第i个信号振幅,xrms为信号振幅均方根。
6.根据权利要求1所述的方法,其特征是所述的峭度ku的计算公式为:
式中:n为信号数,xi为第i个信号振幅,xmean为信号振幅平均值,st为标准差。
7.根据权利要求1所述的方法,其特征是所述裕度因子L的计算公式为:
式中:n为信号数,xi为第i个信号振幅,xmax为信号振幅最大值。
8.根据权利要求1所述的方法,其特征是所述的重心频率FC的计算公式为:
式中:k=0,2,…,N;ωk为第k条谱线的角速度。
9.根据权利要求1所述的方法,其特征是所述的均方根频率RMSF的计算公式为:
式中:k=0,2,…,N;ωk为第k条谱线的角速度。
CN202210274961.6A 2022-03-21 2022-03-21 一种基于信号卷积神经网络的铣削颤振判别方法 Active CN114638265B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210274961.6A CN114638265B (zh) 2022-03-21 2022-03-21 一种基于信号卷积神经网络的铣削颤振判别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210274961.6A CN114638265B (zh) 2022-03-21 2022-03-21 一种基于信号卷积神经网络的铣削颤振判别方法

Publications (2)

Publication Number Publication Date
CN114638265A CN114638265A (zh) 2022-06-17
CN114638265B true CN114638265B (zh) 2024-05-31

Family

ID=81948992

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210274961.6A Active CN114638265B (zh) 2022-03-21 2022-03-21 一种基于信号卷积神经网络的铣削颤振判别方法

Country Status (1)

Country Link
CN (1) CN114638265B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117040983B (zh) * 2023-09-28 2023-12-22 联通(江苏)产业互联网有限公司 基于大数据分析的数据共享方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109986409A (zh) * 2019-04-11 2019-07-09 中国一拖集团有限公司 一种基于卷积神经网络的颤振识别方法和系统
CN110010155A (zh) * 2019-04-11 2019-07-12 中国一拖集团有限公司 基于卷积神经网络和mfcc的颤振识别方法和系统
CN111695582A (zh) * 2019-04-10 2020-09-22 燕山大学 一种颤振纹理的检测方法及其装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3742244A1 (en) * 2019-05-21 2020-11-25 GF Machining Solutions AG A method for predicting chatter of a machine tool

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111695582A (zh) * 2019-04-10 2020-09-22 燕山大学 一种颤振纹理的检测方法及其装置
CN109986409A (zh) * 2019-04-11 2019-07-09 中国一拖集团有限公司 一种基于卷积神经网络的颤振识别方法和系统
CN110010155A (zh) * 2019-04-11 2019-07-12 中国一拖集团有限公司 基于卷积神经网络和mfcc的颤振识别方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于小波包及Hilbert-Huang变换的数控铣削颤振诊断技术;李尧;刘强;;计算机集成制造系统;20150115(第01期);全文 *

Also Published As

Publication number Publication date
CN114638265A (zh) 2022-06-17

Similar Documents

Publication Publication Date Title
CN102091972B (zh) 一种数控机床刀具磨损监测方法
CN110647943B (zh) 基于演化数据聚类分析的切削刀具磨损监测方法
CN114619292B (zh) 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法
CN110160767B (zh) 基于包络分析的冲击周期自动识别与提取方法及系统
CN109605128B (zh) 一种基于功率谱熵差的铣削颤振在线检测方法
CN106112697A (zh) 一种基于3σ准则的铣削颤振自动报警阈值设定方法
CN113177537B (zh) 一种旋转机械设备的故障诊断方法及系统
CN113378725A (zh) 一种基于多尺度-通道注意力网络的刀具故障诊断方法、设备及存储介质
CN110346130B (zh) 一种基于经验模态分解和时频多特征的镗削颤振检测方法
CN114638265B (zh) 一种基于信号卷积神经网络的铣削颤振判别方法
CN110555243B (zh) 一种铣削过程中机床主轴振动信息的二维图谱构建方法
CN110909710A (zh) 一种基于s试件的自适应主轴性能劣化识别方法
CN112207631B (zh) 刀具检测模型的生成方法、检测方法、系统、设备及介质
Shuuji et al. Low-speed bearing fault diagnosis based on improved statistical filtering and convolutional neural network
Han et al. ESPRIT-and HMM-based real-time monitoring and suppression of machining chatter in smart CNC milling system
CN114714157B (zh) 一种基于时变滤波经验模态分解与瞬时能量比的磨削颤振监测方法
CN108629864A (zh) 一种基于振动的电主轴径向精度表征方法及其系统
CN110928237A (zh) 一种基于振动信号的数控加工中心颤振在线辨识方法
CN109883705A (zh) 电机滚动轴承局部点蚀故障诊断方法及其诊断系统
CN108956783B (zh) 一种基于hdp-hsmm的磨削声砂轮钝化状态检测方法
CN114227382A (zh) 基于新型胶囊网络的刀具破损监测系统及方法
CN113369993A (zh) 一种小样本下刀具磨损状态监测方法
Zhao et al. Tool wear monitoring based on an improved convolutional neural network
CN115310497A (zh) 用于数控机床轴承的异常识别方法
CN112975574B (zh) 一种铝合金薄壁件铣削过程表面质量在线检测系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant