CN114871850A

CN114871850A - 一种基于振动信号和bp神经网络的刀具磨损状态评估方法

Info

Publication number: CN114871850A
Application number: CN202210431470.8A
Authority: CN
Inventors: 李莹; 张智敏; 朱晓莉; 毛义华
Original assignee: Zhejiang University ZJU; Binhai Industrial Technology Research Institute of Zhejiang University
Current assignee: Zhejiang University ZJU; Binhai Industrial Technology Research Institute of Zhejiang University
Priority date: 2022-04-22
Filing date: 2022-04-22
Publication date: 2022-08-09
Anticipated expiration: 2042-04-22
Also published as: CN114871850B

Abstract

本发明公开了一种基于振动信号和BP神经网络的刀具磨损状态评估方法，包括：(1)通过滚刀加工实验，采集不同磨损状态下刀具的原始振动信号；(2)通过小波包分解技术，将采集信号均匀地划分为16个频段，将能量最集中的频段作为特征频段；(3)计算振动信号的一些常用的时、频域特征，计算其与特征频段能量的相关系数，取相关性系数的阈值为0.8，得到优选特征；(4)将多组不同磨损状态的优选特征作为BP神经网络的输入，不同磨损状态作为BP神经网络的输出，对BP神经网络进行训练，得到评估模型；(5)利用评估模型对刀具的磨损状态进行评估。本发明优选出与刀具磨损状态相关性强的特征，从而提升刀具磨损状态的评估效果。

Description

一种基于振动信号和BP神经网络的刀具磨损状态评估方法

技术领域

本发明涉及机械加工领域，尤其是涉及一种基于振动信号和BP神经网络的刀具磨损状态评估方法。

背景技术

在机械制造加工过程中，刀具磨损状态将直接影响加工工件的质量，从而导致企业生产成本的提高，生产效率低。据工业统计数据表明，在数控机床故障中，由于刀具过度磨损导致机床故障停机的时间约占总时间1/3。因此，怎样有效的监督刀具磨损状态，对提高生产效率和生产质量有着重要意义。

在传统的加工生产过程中，对于刀具磨损的判断更多的是基于主观上的判断，一些有经验的生产人员会不断观察着零件加工过程中刀具的变化，通过切屑的大小、加工工程中产生的噪音大小等来对刀具磨损的程度进行初步的判断。更加简单粗糙的方法则是通过刀具加工的时长或者加工零件的数量来进行判断。

尽管这些方法在加工工程中都有一定的作用，但是单单凭借这些浅显的现象进行主观判断是不太合适的，有时会犯经验主义的错误，同时还需要人员一直观察判断，增加了人工成本，而且不确定性也非常高，容易造成判断失误，导致零件加工刀具的严重磨损，产生重大的加工误差，给生产过程带来非常巨大的损失。因此，一种科学有效智能的评估技术在生产过程中是必要的。

公开号为CN112077670A的中国专利文献公开了一种数控机床刀具磨损状态实时监测方法，其包括：实时采集加工过程中刀具的振动信号，根据统计学方法计算振动信号的若干个初始特征，评估初始特征之间的相关性，对初始特征进行融合得到对刀具磨损过程更为敏感的融合特征，基于融合特征改进了表格式累计和控制图法等步骤。

公开号为CN110561193A的中国专利文献公开了一种基于特征融合的刀具磨损评估及监控的方法与系统，可以实现对原始信号的多信号、多工况、多维度融合，得到更能综合反映刀具磨损状态的特征指标，用以评估刀具真实的性能状态和变化规律，进而给出更精准、及时的预警、报警及反馈优化策略

但是，目前多数刀具磨损状态检测方法都是通过对采集得到的信号特征进行融合，并没有对这些特征进行筛选，会对之后的评估产生干扰，而且只考虑了单一域内的特征，并没有对不同时域、频域的特征进行组合优化，使得评估准确度不高。

发明内容

本发明提供了一种基于振动信号和BP神经网络的刀具磨损状态评估方法，能够兼顾时域和频域特征提取效果，并优选出与刀具磨损状态相关性强的特征，从而提升刀具磨损状态的评估效果。

一种基于振动信号和BP神经网络的刀具磨损状态评估方法，包括以下步骤：

(1)通过滚刀加工实验，在不同加工条件下，利用采集装置采集刀具不同磨损状态对应的原始振动信号；

(2)通过小波包分解技术，将采集得到的原始振动信号均匀地划分为16个频段，再计算每一个频段的能量值，将能量最为集中的频段作为反映刀具在加工零件过程中退化磨损的特征频段；

(3)利用时域分析以及频域分析的方法，计算振动信号的多个时域特征和频域特征，再将这些特征与特征频段的能量进行皮尔逊相关系数分析，取相关性系数的阈值为0.8，得到优选特征；

(4)将多组不同磨损状态的优选特征作为BP神经网络的输入，不同磨损状态作为BP神经网络的输出，对BP神经网络进行训练，得到评估模型；

(5)采集需要评估的滚刀优选特征输入到评估模型中，对刀具的磨损状态进行评估。

步骤(1)中，所述的采集装置包括振动加速度传感器，用于采集得到滚刀主轴Z轴方向的振动加速度信号；将采集得到的样本划分为轻度磨损状态、中度磨损状态和严重磨损状态这三种状态。

步骤(2)中，计算每一个频段的能量值之前，对每一个频段分解后进行重构，得到各个节点信号频谱；能量值计算公式如下：

式中，S_i,j为未重构前的信号，x_j,k是将其重构后得到的信号的幅值；j＝0,1,2,...,2ⁱ-1；k＝1,2,...,m；i是进行分解的层数，m是信号的离散采样点数。

通过对不同频带小波包能量的提取，可以找到能量最为集中的频段，这个频段上的能量对刀具的磨损程度较为敏感，可以用来进行后续的研究。作为反应刀具磨损状态的特征。

步骤(2)中，16个频段分别为：0～400Hz、400Hz～800Hz、800Hz～1200Hz、1200Hz～1600Hz、1600Hz～2000Hz、2000Hz～2400Hz、2400Hz～2800Hz、2800Hz～3200Hz、3200Hz～3600Hz、3600Hz～4000Hz、4000Hz～4400Hz、4400Hz～4800Hz、4800Hz～5200Hz、5200Hz～5600Hz、5600Hz～6000Hz、6000Hz～6400Hz。

步骤(3)中，振动信号的多个时域特征为均值、均方根值、峰-峰值、方差、峭度、偏度、波形因子和峰值因子；多个频域特征为重心频率、均方频率和频率方差。

本发明提出了用皮尔逊相关系数对刀具特征进行优选的方法。由于有些特征与刀具的磨损状态的关系并不密切，没有随着刀具的磨损而呈现一定的规律，如果用这些并不密切的特征来进行零件加工刀具的磨损状态评估，就会对神经网络的训练带来干扰，降低训练的效果，使得最后的状态识别准确度降低。因此，需要对特征进行优选，通过合适的方法，获得与零件加工刀具磨损状态具有较强相关程度的特征，用于后续的研究。皮尔逊相关系数是统计学的三大相关系数系数之一，在统计学中可以用来定量的衡量变量之间的关系。皮尔逊相关系数的计算公式如下：

式中，不同的时域特征和频域特征作为变量X，将特征频段的能量作为变量Y；cov(X,Y)为X、Y的协方差；σ_X和σ_Y分别表示为变量X和变量Y的标准差；μ_X和μ_Y分别表示为变量X和变量Y的数学期望；E表示对其括号内的变量求数学期望。

利用上述计算方法求得时频域特征与小波包能量特征的相关系数之后，取阈值为0.8，即当相关系数的值大于0.8时，认为这个特征是强相关指标，即作为优选特征，关系数的值小于0.8的特征则舍去。

步骤(4)的具体过程为：

(4-1)获取样本数据，并将样本数据划分为训练数据集和测试数据集；其中，样本数据包括多组不同磨损状态以及对应的优选特征；

(4-2)基于BP神经网络建立预测模型，对BP神经网络进行相关参数的初始化处理；

(4-3)在训练集中随机选取其中一组输入和输出对，根据输入以及初始化得到的隐含层权值，得到BP神经网络所有隐含层的输入响应和输出信号；通过得到的实际输出结果，计算与原本应该得到结果的误差函数，并计算其对输出层的各最小结构单元的偏导数；计算出输出层的偏导数，加上隐含层各神经元的输出，对隐含层和输出层的连接权值进行一定的修正；同时计算隐含层各神经元的偏导数，加上输入层各神经元的输入来对隐含层和输入层的连接权值进行修正；计算公式如下：

ho_h(k)＝f(hi_h(k))

yo_o(k)＝f(yi₀(k))

其中，w_ih是输入层连接权值，w_ho是输出层连接权值，b_h是隐含层阈值，b_o是输出层阈值，f是激活函数，ho＝(ho₁,ho₂,...ho_p)是隐含层输出变量，yo＝(yo₁,yo₂,...yo_p)是输出层输出变量，yi＝(yi₁,yi₂,...yi_p)是输出层，k＝1,2,3...,m是样本个数，p是隐含层神经元个数，q是输出层神经元个数；

(4-4)通过全局误差来判断是否满足所规定的需求；当误差达到要求时，就停止BP神经网络的训练，得到BP神经网络的模型；否则就选取下一个训练样本继续返回步骤(4-3)进行训练；如果误差一直不满足要求，则根据初始化的最大学习次数来停止训练。

步骤(4-2)中，对BP神经网络进行相关参数的初始化处理具体为：选择的节点个数为8个，隐含层采用的传递函数为tansig()函数，输出层的传递函数采用purelin()，采用梯度下降法trainlm进行训练，设置的最大训练次数为1000次，设置的学习速率为0.01。

步骤(4-4)中，全局误差的公式为：

其中，d_o＝(d₁,d₂,...,d_q)是期望输出向量。

本方案中的刀具磨损状态能够避免一些相关性不高的特征对评估状态进行干扰，能够兼顾振动信号的时域和频域特征，从而能够提升刀具磨损状态的评估效果。

附图说明

图1为本发明一种基于振动信号和BP神经网络的刀具磨损状态评估方法的流程图；

图2为本发明实施例中各个频段能量所占比例；

图3为本发明实施例中800-1200Hz频段能量特征曲线；

图4为本发明实施例中时域强相关特征的曲线；

图5为本发明实施例中频域强相关特征的曲线；

图6为本发明实施例中不同磨损状态评估准确率。

具体实施方式

下面结合附图和实施例对本发明做进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。

如图1所示，一种基于振动信号和BP神经网络的刀具磨损状态评估方法，包括以下步骤：

步骤1，通过滚刀加工实验，采集不同加工条件下的刀具的原始振动信号。

本发明中信号采集装置包括振动加速度传感器、数据采集卡、数据采集软件和个人电脑。本实验采用的加速度传感器型号为CA-YD-1182，将加速度传感器布置于主轴的竖直方向上，采用磁力吸附的方法吸附在上面，用于采集得到滚刀主轴Z轴方向的振动加速度信号。传感器通过数据和采集卡连接，为避免数据线干扰正常加工过程，将数据线缠绕于机床管道，通过机床顶部通风口伸出机床加工部分，在外部与数据采集卡连接。实验过程中使用的数据采集卡信号为NI-9234，数据采集卡放置于机床电箱上部，保证在实验过程中不会产生磕碰等意外情况，数据采集卡将振动加速度传感器采集的振动信号传输到电脑上，电脑上的数据采集软件可以保存该振动信号，并能根据需求显示出该振动信号。

本发明利用振动信号来监测零件加工刀具在加工过程中磨损程度的变化。这是由于在生产加工的过程中，刀刃不断地与材料发生摩擦的作用，造成磨损的加剧，这种摩擦产生的振动信号也会逐渐增强，因此振动信号对刀具磨损的敏感程度高。振动信号通常使用振动加速度传感器来测量，振动加速度传感器的结构比较简单，而且相比于声发射等采集方法，振动加速度传感器的安装简单方便，而且在采集信号的过程中对零件的加工过程不会产生影响，不需要停机测量，不占用工时，在学术和工业界都得到了不少的应用。

全程设置采样频率为12800Hz，采集卡数据缓冲区数据长度为12800。保持从滚刀主轴振动信号一秒内的均方根值大于0.35开始计时，去除滚刀主轴移动时间，以440秒为数据保存周期，保存每个齿轮加工过程的刀具主轴振动信号。将采集共得到的样本划分为轻度磨损状态、中度磨损状态和严重磨损状态这三种状态。

步骤2，将实验采集到的振动加速度信号进行小波包分解，原始振动信号的频带宽度为0-6400Hz。

本发明采用四层小波包分解，因此分解得到的节点个数为16个，将6400Hz的频带平均分成16份，依次编号为1-16，得到每个节点的频带宽度为400Hz，再将各个分解得到的节点进行信号的重构，得到的16个节点样本的重构信号。根据节点的频谱图，可以发现滚刀振动加速度信号主要集中在1000Hz附近，说明这个频率附近包含了滚刀加工零件过程中的较为丰富的特征信息。

根据小波包系数能量公式，计算各个节点的小波包系数能量值。计算公式如下：

式中，S_i,j为未重构前的信号，x_j,k是将其重构后得到的信号的幅值。j＝0,1,2,...,2ⁱ-1；k＝1,2,...,m；i是进行分解的层数，m是信号的离散采样点数。

实验采集到某一样本中振动加速信号的16个频带的能量占比如图2所示。从图中可以看出，信号的能量主要集中在800-1200Hz之间，与从频谱图上观察出的结论相一致，说明该频段包含了滚刀加工过程中的绝大部分能量。将所有样本的800Hz-1200Hz频段的能量画在同一张坐标图中，可以得到该频带能量与滚刀刀具磨损之间的关系图，如图3所示。

经过观察后可以发现，第三个节点800Hz-1200Hz的频带能量与滚刀刀具磨损具有较为明显的联系，呈现递增的趋势，说明随着滚刀在加工零件的过程中，这一频段上的能量不断增加，这是因为该节点频段包含了滚刀振动信号的绝大部分能量，对于刀具磨损状态的变化比较敏感，因此可以用800Hz-1200Hz的频带能量来表征滚刀的磨损状态。

步骤3，根据多种时域特征公式，将实验采集得到的振动加速度信号样本进行时域分析，可以得到不同的时域特征。

在时域上，设滚刀在加工过程中，加速度传感器测得的振动信号样本序列为{Xi}(i＝1,2,3……N,N表示采样点数)。则进行提取的特征及其计算公式有：

均值：

均方根：

峰-峰值：X_p-p＝max{x_i}-min{x_i} 峭度：

偏度：

波形因子：

有些时域特征与滚刀磨损程度相关性低，因此要对这些时域指标进行相关性分析。800Hz-1200Hz频段能量能够作为反应滚刀退化磨损程度的特征，与滚刀的磨损程度密切相关。因此，利用皮尔逊相关系数计算公式，将不同的时域特征作为变量X，将800Hz-1200Hz的频段能量作为变量Y，可以得到各个时域特征的皮尔逊相关系数。皮尔逊相关性系数大于0.8的特征有方差和均方根指标，说明这两个指标与刀具磨损程度之间具有较强的相关性。均方根、方差特征变化曲线如图4所示。

根据多种频域特征公式，将实验采集得到的振动加速度信号样本进行频域分析。

本发明对频域提取的特征及其计算公式如下，其中y_l表示对应频率的幅值；l＝1,2,…,N表示谱线数；f_l表示第l个谱线的频率。

重心频率：

均方频率：

频率方差：

频率方差的皮尔逊相关系数为0.8896，大于0.8，说明频率方差与刀具磨损状态之间是极强相关的关系，频率方差指标随着滚刀加工磨损的变化曲线图，如图5所示。

步骤4，将采集得到的100组样本进行划分，分为3类磨损状态，其中前34组为轻度磨损状态，中间33组为中度磨损状态，后33组为严重磨损状态。分别提取出所有样本中与滚刀刀具磨损状态密切相关的特征——均方根、方差、频率方差以及800Hz-1200Hz的频带能量，将4个特征作为神经网络的输入层。均匀取其中的70组数据作为BP神经网络的训练集。将这70组训练集的特征作为BP神经网络的输入，输入前要先进行归一化处理，将各自对应的不同的磨损状态作为神经网络的输出，然后进行训练。

BP神经网络的设计对于滚刀磨损的状态识别具有很重要的作用，本发明对BP神经网络具体参数的设计的主要内容如下：

(1)输入层和输出层的设计。本发明输入层节点的个数为三个。将滚刀在加工过程中的磨损状态划分为三个状态，分别是轻度磨损状态、中度磨损状态和严重磨损状态。将这三种状态的输出变为一个三维向量，其中[1 0 0]表示滚刀处于轻度磨损状态，[0 1 0]表示滚刀处于中度磨损状态，[0 0 1]表示滚刀处于严重磨损状态。

(2)隐含层的设计。一般来说，隐含层的数目太少时，BP神经网络的学习能力不强，往往得到的误差也很大，很有可能会在规定的最大训练次数才被迫停止训练。但是，如果隐含层的数目过多也会适得其反，因为可能会出现过拟合的问题。根据如下经验公式可以确定比较合适的隐含层的层数：

其中，k表示隐含层的节点数，n为输入层节点数，m为输出层节点数，c一般取1至10之间的一个整数。根据上述经验公式，本发明选择的节点个数为8个。隐含层采用的传递函数为tansig()函数,这个传递函数的容错性较好，输出层的传递函数采用purelin()。采用梯度下降法trainlm进行训练。

(3)网络参数的配置。本发明设置的最大训练次数为1000次。设置的学习速率为0.01，学习速率一般的取值范围在0.01至0.8之间。如果学习速率过大，那么有可能使得整个神经网络的稳定性降低，相反，如果学习速率过小的话，收敛的速度很慢，使得测试所花费的时间不必要地增加。训练目标的最小误差设置为0.0000001，显示频率为25，即设置为每训练25次显示一次，动量因子设置为0.01，最小性能梯度设置为1e-6，最高失败次数设置为6。

将四个优选过的特征向量作为神经网络的输入层进行训练和测试，得到训练好的评估模型。将需要评估的刀具振动特征输入到评估模型中，既可以对其磨损状态进行评估。

等到训练完成后，即神经网络的训练误差满足实验所需要的要求之后，将剩余的30组数据作为测试集，将测试集的优选出来的特征作为BP神经网络的输入层输入，神经网络给出每一个训练集的评估磨损状态，通过与实际的磨损状态相对比，可以计算得到训练好之后的BP神经网络在识别滚刀刀具磨损状态的准确率。

将四个优选过的特征向量作为神经网络的输入层进行训练和测试，得到的评估磨损状态和实际磨损状态的分类图像；不同磨损状态的评估准确率如图6所示，总正确率(评估正确样本数与总样本数的比值)有93.3％。

本实例说明本发明具有较高的评估准确率。说明基于振动信号和BP神经网络的刀具磨损状态评估方法能够很好地识别出滚刀目前处于哪一种磨损状态，可以应用于实际的零件生产加工，具有非常好的工业应用前景。

以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换，均应包含在本发明的保护范围之内。

Claims

1.一种基于振动信号和BP神经网络的刀具磨损状态评估方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于振动信号和BP神经网络的刀具磨损状态评估方法，其特征在于，步骤(1)中，所述的采集装置包括振动加速度传感器，用于采集得到滚刀主轴Z轴方向的振动加速度信号；将采集得到的样本划分为轻度磨损状态、中度磨损状态和严重磨损状态这三种状态。

3.根据权利要求1所述的基于振动信号和BP神经网络的刀具磨损状态评估方法，其特征在于，步骤(2)中，计算每一个频段的能量值之前，对每一个频段分解后进行重构，得到各个节点信号频谱；能量值计算公式如下：

4.根据权利要求1所述的基于振动信号和BP神经网络的刀具磨损状态评估方法，其特征在于，步骤(2)中，16个频段分别为：0～400Hz、400Hz～800Hz、800Hz～1200Hz、1200Hz～1600Hz、1600Hz～2000Hz、2000Hz～2400Hz、2400Hz～2800Hz、2800Hz～3200Hz、3200Hz～3600Hz、3600Hz～4000Hz、4000Hz～4400Hz、4400Hz～4800Hz、4800Hz～5200Hz、5200Hz～5600Hz、5600Hz～6000Hz、6000Hz～6400Hz。

5.根据权利要求1所述的基于振动信号和BP神经网络的刀具磨损状态评估方法，其特征在于，步骤(3)中，振动信号的多个时域特征为均值、均方根值、峰-峰值、方差、峭度、偏度、波形因子和峰值因子；多个频域特征为重心频率、均方频率和频率方差。

6.根据权利要求1所述的基于振动信号和BP神经网络的刀具磨损状态评估方法，其特征在于，步骤(3)中，皮尔逊相关系数的计算公式如下：

式中，不同的时域特征和频域特征作为变量X，将特征频段的能量作为变量Y；cov(X,Y)为X、Y的协方差；σ_X和σ_Y分别表示为变量X和变量Y的标准差；μ_X和μ_Y分别表示为变量X和变量Y的数学期望，E表示对其括号内的变量求数学期望。

7.根据权利要求1所述的基于振动信号和BP神经网络的刀具磨损状态评估方法，其特征在于，步骤(4)的具体过程为：

(4-3)在训练集中随机选取其中一组输入和输出对，根据输入以及初始化得到的隐含层权值，得到BP神经网络所有隐含层的输入响应和输出信号；通过得到的实际输出结果，计算与原本应该得到结果的误差函数，并计算其对输出层的各最小结构单元的偏导数；计算出输出层的偏导数，加上隐含层各神经元的输出，对隐含层和输出层的连接权值进行修正；同时计算隐含层各神经元的偏导数，加上输入层各神经元的输入来对隐含层和输入层的连接权值进行修正；计算公式如下：

ho_h(k)＝f(hi_h(k))

yo_o(k)＝f(yi₀(k))

8.根据权利要求7所述的基于振动信号和BP神经网络的刀具磨损状态评估方法，其特征在于，步骤(4-2)中，对BP神经网络进行相关参数的初始化处理具体为：选择的节点个数为8个，隐含层采用的传递函数为tansig()函数，输出层的传递函数采用purelin()，采用梯度下降法trainlm进行训练，设置的最大训练次数为1000次，设置的学习速率为0.01。

9.根据权利要求7所述的基于振动信号和BP神经网络的刀具磨损状态评估方法，其特征在于，步骤(4-4)中，全局误差的公式为：

其中，d_o＝(d₁,d₂,...,d_q)是期望输出向量。