CN116008114B - 一种基于传感器信号的骨材料钻削过程刀具磨损检测方法 - Google Patents

Abstract

本发明提出一种基于传感器信号的骨材料钻削过程刀具磨损检测方法。该方法包括：采集骨材料钻削过程钻削力及振动信号，对信号进行预处理；对所提取的时序信号进行特征提取并进行特征筛选；将筛选后的特征向量输入多头注意力机制优化的双向长短时记忆网络，预测磨损程度。骨材料钻削过程刀具磨损会导致钻削力及钻削温度增大，由于钻削力过大及钻削力突变严重时会导致钻头断裂滞留在患者体内，钻削温度过大会造成骨组织热损伤，影响术后愈合为患者带来更大的伤害。本发明能够指导医生在实际手术过程中，及时对严重磨损刀具进行更换，降低因刀具磨损过大产生的骨坏死及钻头断裂等手术事故的发生。

Description

一种基于传感器信号的骨材料钻削过程刀具磨损检测方法

技术领域

本发明属于磨损检测技术领域，特别是涉及一种基于传感器信号的骨材料钻削过程刀具磨损检测方法。

背景技术

骨材料钻削过程刀具磨损会导致钻削力及钻削温度增大，由于钻削力过大及钻削力突变严重时会导致钻头断裂滞留在患者体内，钻削温度过大会造成骨组织热损伤，影响术后愈合为患者带来更大的伤害。本发明能够指导医生在实际手术过程中，及时对严重磨损刀具进行更换，降低因刀具磨损过大产生的骨坏死及钻头断裂等手术事故的发生。

发明内容

本发明目的是为了解决现有技术中的问题，提出了一种基于传感器信号的骨材料钻削过程刀具磨损检测方法。

本发明是通过以下技术方案实现的，本发明提出一种基于传感器信号的骨材料钻削过程刀具磨损检测方法，所述方法包括以下步骤：

步骤1、对加速度及力传感器采集的骨材料钻削过程信号进行预处理；

所述钻削过程分为5个阶段：第一阶段，骨材料处于代加工状态，刀具未接触到骨材料工件，此时无钻削力的产生；第二阶段，刀具横刃接触骨材料并开始钻削，刀具逐渐进入骨材料工件，钻削力不断增大；第三阶段，主切削刃完全进入骨材料工件，钻削力达到正常钻削状态下最大值，在该钻削参数下钻削力达到25N附近，钻削进入稳定状态，由于钻削过程骨纤维组织扰动及加工振动的原因，钻削力会在25N附近波动；第四阶段，钻头横刃钻出骨材料工件内表面，随着刀具的不断进给，钻削力逐渐减小；第五阶段，刀具钻出骨材料工件，并退刀回到骨材料工件上方，期间由于摩擦及振动会产生力的突变，完成一次钻孔；

在第三阶段时，主切削刃完全进入骨材料工件，钻削力达到正常钻削状态下最大值并趋于稳定状态，在该状态下测量信号稳定，能够表示当前钻削参数及刀具磨损状态下钻削过程真实钻削力大小；首先将全部采集信号根据z方向力信号是否存在突变进行筛选，最终得到130组钻削数据；其次对骨材料钻削过程刀具磨损数据采集实验所采集到的原始数据进行处理，根据钻削过程z方向力信号确定钻削进入第三阶段时间；

根据钻削稳定状态时间段，对骨材料钻削过程刀具磨损数据采集实验所采集到的原始数据进行处理，将三个方向钻削力信号及振动信号共6路信号分别按照所确定时间段进行提取，并将提取后的6路信号保存在同一文件内以备进行特征提取；

步骤2、对预处理后信号进行特征提取及筛选；

步骤3、利用ABI-LSTM模型预测骨材料钻削过程刀具磨损程度；

所述ABI-LSTM模型由一个BI-LSTM层，一个注意力机制模块，和一个全连接分类层组成；ABI-LSTM网络输入数据是在加工过程中采集到的切削力和振动数据进行特征提取后的数据，标签为按照钻头后刀面磨损量所分类的初始磨损、中度磨损及严重磨损；并将130个样本60％作为训练集20％作为验证集20％作为测试集；首先通过BI-LSTM网络，将得到的特征输入到注意力机制模块，最后经过全连接层对预测结果作映射输出，得到最终的刀具磨损程度预测结果；利用交叉熵损失函数衡量最终模型输出类别与真实分类间的差异，利用Adam优化算法更新模型训练过程权重。

进一步地，在步骤2中，

记f(t)在子空间和/>上的小波包系数分别为/>和/>则根据小波包定义可得到如下的小波包快速分解与重构算法：

小波包分解算法：

小波包重构算法：

当钻削过程刀具磨损程度加剧时，通过其信号频率的改变反映出来，首先通过三层小波包分解对所采集6路传感器信号进行分解及重构；其次计算小波包系数的能量，当刀具磨损程度不同时，其不同频段内小波包能量比不同，最终保存8个频段内能量比作为时频域特征；最终将骨材料钻削过程刀具磨损数据6路信号分别提取时域特征12个、频域特征4个、时频域特征8个；将每个样本制备为特征向量维度为(6*24)，并以刀具后刀面磨损量作为标签，以供模型进行训练及验证。

进一步地，在步骤2中，皮尔逊相关系数能够表征特征间的线性相关程度，根据线性相关程度对所提取全部特征进行分析，并根据分析结果进行特征筛选；

假设现有特征x及y，则其之间的皮尔逊相关系数通过下式计算：

其中：ρ_x,y表示皮尔逊相关系数，cov表示协方差，σ表示标准差，E及μ表示数学期望。

进一步地，在数据输入模型之前，需要进行标准化处理，采用Z-score方法进行数据标准化，如下式所示：

其中：x_n为归一化后数据，x为原始数据，μ为原始数据均值，σ为原始数据标准差。

本发明的有益效果为：

本发明提出一种基于传感器信号的骨材料钻削过程刀具磨损检测方法，所述方法能够指导医生在实际手术过程中，及时对严重磨损刀具进行更换，降低因刀具磨损过大产生的骨坏死及钻头断裂等手术事故的发生。

附图说明

图1为Z方向钻削力示意图。

图2为确定稳定钻削状态时间示意图。

图3为稳定钻削状态z方向振动信号提取示意图。

图4为三层小波包分析的空间剖分示意图。

图5为子频段频谱图。

图6为子频段时域图像图。

图7为各子频段能量所占比例示意图。

图8为皮尔逊相关系数热力图。

图9为ABI-LSTM网络结构图。

图10为不同网络结构混淆矩阵示意图。

图11为不同网络结构ROC曲线图。

图12为不同网络结构准确度示意图。

具体实施方式

下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提出了一种基于传感器信号的骨材料钻削过程刀具磨损检测方法，包括如下步骤：采集骨材料钻削过程钻削力及振动信号；对信号进行预处理，采样钻削进入稳定钻削状态时原始信号10000个采样点；对所提取的时序信号进行时域频域及时频域特征提取，并进行特征筛选；将筛选后的特征向量输入多头注意力机制优化的双向长短时记忆网络(ABI-LSTM)，预测骨材料钻削过程刀具磨损程度。骨材料钻削过程刀具磨损会导致钻削力及钻削温度增大，由于钻削力过大及钻削力突变严重时会导致钻头断裂滞留在患者体内，钻削温度过大会造成骨组织热损伤，影响术后愈合为患者带来更大的伤害。本发明能够指导医生在实际手术过程中，及时对严重磨损刀具进行更换，降低因刀具磨损过大产生的骨坏死及钻头断裂等手术事故的发生。

结合图1-图12，本发明提出一种基于传感器信号的骨材料钻削过程刀具磨损检测方法，所述方法包括以下步骤：

步骤1、对加速度及力传感器采集的骨材料钻削过程信号进行预处理；

如图1所示，所述钻削过程分为5个阶段：第一阶段，骨材料处于代加工状态，刀具未接触到骨材料工件，此时无钻削力的产生；第二阶段，刀具横刃接触骨材料并开始钻削，刀具逐渐进入骨材料工件，钻削力不断增大；第三阶段，主切削刃完全进入骨材料工件，钻削力达到正常钻削状态下最大值，在该钻削参数下钻削力达到25N附近，钻削进入稳定状态，由于钻削过程骨纤维组织扰动及加工振动的原因，钻削力会在25N附近波动；第四阶段，钻头横刃钻出骨材料工件内表面，随着刀具的不断进给，钻削力逐渐减小；第五阶段，刀具钻出骨材料工件，并退刀回到骨材料工件上方，期间由于摩擦及振动会产生力的突变，完成一次钻孔；

在第三阶段时，主切削刃完全进入骨材料工件，钻削力达到正常钻削状态下最大值并趋于稳定状态，在该状态下测量信号稳定，能够表示当前钻削参数及刀具磨损状态下钻削过程真实钻削力大小；首先将全部采集信号根据z方向力信号是否存在突变进行筛选，最终得到130组钻削数据；其次对骨材料钻削过程刀具磨损数据采集实验所采集到的原始数据进行处理，根据钻削过程z方向力信号确定钻削进入第三阶段时间；如图2所示。

根据钻削稳定状态时间段，对骨材料钻削过程刀具磨损数据采集实验所采集到的原始数据进行处理，将三个方向钻削力信号及振动信号共6路信号分别按照所确定时间段进行提取，并将提取后的6路信号保存在同一文件内以备进行特征提取；以z方向振动信号为例，按照本次钻削过程进入稳定钻削状态时间段进行提取，如图3所示。

步骤2、对预处理后信号进行特征提取及筛选；

(1)时域及频域特征

由于在钻削过程中提取6路信号，其中包含3路钻削力信号及3路振动信号，假设x_i(t),i＝1,2,...，Ν为其中一路时域信号，所提取域特征指标见表1，频域特征指标见表2。

表1时域特征指标

表2频域特征指标

(2)时频域特征

小波包分析是一种更为精确的信号分析手段，它可以将小波空间进行进一步的分解，并可以按照实际工程的要求，对所采集的信号进行多层分割，从而提高其时频分辨能力。并可根据二进制对小波空间进行频率细分，以提高其频域分辨率。所以小波包具有更广泛的应用价值。

设{h_k}_k∈Z是正交尺度方程φ(t)对应的正交低通滤波器，{g_k}_k∈Z为正交小波函数ψ(t)对应的高通滤波器，则正交尺度方程和小波方程其关系为：

为便于表示小波包函数，引入以下新的记号：

其中：g(k)＝(-1)^kh(1-k)，即两系数具有正交关系。

且当n＝0时，正交尺度方程和小波方程式可以确定为：

通过u₀、u₁、h、g在固定尺度下可定义一组小波包的函数，上式为当n＝0时的特殊形式，将其进行推广可得到：

小波分析就是对L²(R)进行正交和分解，即：

其中：每个小波子空间W_j都可以由小波基{ψ_j,k}_k∈z生成。

小波包进一步细化了小波空间W_j，使其在新的正交基条件下，可以更好地对含有大量信号细节的信号进行时频局部化分析。对任意非负整数n∈Z₊和任一整数j∈Z，令表示由小波包μ_n的二进伸缩和平移2^j/2μ_n(2^jt-k),k∈Z的线性组合生成的L²(R)的闭子空间，则：

其中：{V_j}是尺度函数μ₀＝φ生成的L²(R)的多分辨率分析，{W_j}是由小波μ₁＝ψ生成的正交小波子空间序列。

利用新的记号可得到正交分解：

将上式推广到任意的n∈Z₊可得到：

所以小波包能够进一步对W_j进行分解，将其频谱的局部性变得更精细，具有良好的时频局部特性。在实际应用中通常关心L²(R)的某个子空间的小波包分解的空间精细分割，如图4所示，是以L＝3为例进行三层小波包分析的空间剖分。

在进行小波包分解时，小波包分解的级数L愈高，则其系数的空间分辨率愈低，且尺度愈大。在进行小波包分解过程中，小波包分解的级数越高，即L越高，其系数空间分辨率越低，尺度越大。从而能够较好地对含有大量中、高频信息的信号进行时频局部化分析。

记f(t)在子空间和/>上的小波包系数分别为/>和/>则根据小波包定义可得到如下的小波包快速分解与重构算法：

小波包分解算法：

小波包重构算法：

小波包变换能较好地分析高频成分，在接收到的信号中含有较多的高频信息时，利用小波包变换进行时频局部化分析是非常有效的。当钻削过程刀具磨损程度加剧时，通过其信号频率的改变反映出来，首先通过三层小波包分解对所采集6路传感器信号进行分解及重构；以其中一路为例，取信号长度10000个点，三层小波包分解及重构后后得到8个子频段的频谱如图5所示。8个子频段时域图像如图6所示；其次计算小波包系数的能量，当刀具磨损程度不同时，其不同频段内小波包能量比不同，最终保存8个频段内能量比作为时频域特征；不同刀具磨损程度下各频段能量占比如图7所示。在不同磨损程度情况下，通过小波包分解后各频段能量占比不同，初始磨损与严重磨损相比，在第1、2、3、7、8频段内可看到小波包能量占比明显降低，而第4、5频段内明显升高。最终将骨材料钻削过程刀具磨损数据6路信号分别提取时域特征12个、频域特征4个、时频域特征8个；将每个样本制备为特征向量维度为(6*24)，并以刀具后刀面磨损量作为标签，以供模型进行训练及验证

(3)基于皮尔逊相关系数的特征分析

皮尔逊(Pearson)相关系数能够表征特征间的线性相关程度，根据相关性程度对所提取全部特征进行分析，并根据分析结果进行特征筛选。皮尔逊相关系数是用来判定两个变量的线性相关度的，其数值变化范围为-1到1,分别表示负相关及正相关，其绝对值越大，则表示线性相关度越高。

对于深度学习模型而言，相关性过高会导致模型训练过程分配权重时出现偏差，模型倾向于对高相关特征进行抽样，从而使模型依赖于高相关性的特征，降低了模型的泛化能力。因此各特征间的相关性不宜过大，当特征之间的皮尔逊相关性为0.99或1，则需要对其进行删除。假设现有特征x及y，则其之间的皮尔逊相关系数可以通过下式计算：

其中：ρ_x,y表示皮尔逊相关系数，cov表示协方差，σ表示标准差，E及μ表示数学期望。根据以上计算所得出皮尔逊相关系数，其相关性程度见表3。

表3相关性程度

本发明对6路信号分别提取时域特征12个、频域特征4个、时频域特征8个，共有6*(12+4+8)＝144维特征。以x方向力信号所提取的全部24维特征为例，计算皮尔逊相关系数如图8所示，由于数据点较多，皮尔逊相关系数仅用热力图表示，不进行具体数值展示。

通过皮尔逊相关系数分析对全部特征进行筛选，选择适宜深度学习模型训练的特征，删除相关程度为极强的特征之一，降低特征维度及节约模型训练过程内存，由于皮尔逊相关系数仅能体现线性相关性，所以对皮尔逊相关系数较小的特征进行保留。根据图像综合所得出皮尔逊相关系数可知，在3方向钻削力信号特征中均方频率与均方根频率、方根幅值与均方根值相关性为0.99；在3个方向振动信号特征中均方频率与均方根频率相关性为0.99，由于相关性程度过大，将钻削力信号特征中均方根频率与方根幅值删除，振动信号特征中删除均方根频率，最终剩余3*(11+3+8)+3*(12+3+8)＝135维特征。且根据后刀面磨损量VB值对刀具磨损程度进行分类，当VB<80um为初始磨损；80um≤VB≤140um为中度磨损；当VB>140um为严重磨损。

步骤3、利用ABI-LSTM模型预测骨材料钻削过程刀具磨损程度；

所述ABI-LSTM模型由一个BI-LSTM层，一个注意力机制模块，和一个全连接分类层组成；如图9所示。ABI-LSTM网络输入数据是在加工过程中采集到的切削力和振动数据进行特征提取后的数据，标签为按照钻头后刀面磨损量所分类的初始磨损、中度磨损及严重磨损；并将130个样本60％作为训练集20％作为验证集20％作为测试集；首先通过BI-LSTM网络，将得到的特征输入到注意力机制模块，最后经过全连接层对预测结果作映射输出，得到最终的刀具磨损程度预测结果；利用交叉熵损失函数(CrossEntropyLoss，CEloss)衡量最终模型输出类别与真实分类间的差异，利用Adam优化算法更新模型训练过程权重。

为提高模型泛化能力，在数据输入模型之前，需要进行标准化处理，采用Z-score方法进行数据标准化，如下式所示：

其中：x_n为归一化后数据，x为原始数据，μ为原始数据均值，σ为原始数据标准差。ABI-LSTM网络参数设置如表4所示。

表4ABI-LSTM网络参数设置

本发明将所提出的改进的ABI-LSTM刀具磨损预测分类模型与机器学习及其他网络模型进行比较。

1.支持向量机SVR：在解决多分类问题情况下通过多个二类支持向量机组合来对多分类进行实现。而支持向量机的性能优劣主要依赖于选择核函数，而当前多数是基于经验的选择。在不同研究领域需要研究人员对核函数的形式和参数进行深入调整，目前没有很好的方法去解决核函数的选择问题。

2.RNN神经网络：RNN网络能够从时间序列中提取出时序特征，但是它容易出现梯度消失和梯度爆发等问题，不能很好地学习时序数据之间的长期依赖性。

3.CNN卷积神经网络：CNN可将传感器所测量到的原始数据作为模型输入，能够自适应对高维度特征进行提取。但若输入模型的数据采样频率过高，数据量过于庞大会导致模型在对特征进行筛选过程中遗漏信息，并且会导致训练速度过慢等情况。

通过图10可以较为直观的看出SVR、CNN、RNN及ABI-LSTM模型在分类结果上的准确度，且根据混淆矩阵可以看出在初始磨损、中度磨损和严重磨损三分类情况下错误分类的概率。对于四个模型来说在真实值为初始磨损分类情况下，各模型都能对初始磨损都有较高的精度，且预测概率都达到100％；但是对于真实值为中度磨损情况下，SVR将21％预测为初始磨损14％预测为严重磨损，CNN及RNN将21％预测为初始磨损；在真实值为严重磨损情况下，SVR将20％预测为中度磨损14％预测为中度磨损，CNN将30％预测为中度磨损，RNN将20％预测为中度磨损。而ABI-LSTM模型仅在真实值为中度磨损情况下将7％预测为初始磨损7％预测为严重磨损。表明ABI-LSTM模型具有更好的分类效果。而对于骨材料钻削过程刀具磨损状态分类而言，需要尽可能避免在手术过程中出现刀具磨损程度处于严重磨损状态，而SVR、CNN和RNN都存在将真实值为严重磨损刀具分类为中度磨损情况，其相较于ABI-LSTM性能较差。

如图11所示，对SVR、CNN、RNN及ABI-LSTM模型预测情况绘制ROC曲线图，其中ROC曲线越陡峭越高的模型性能越好，可以看出ABI-LSTM较为陡峭，更为接近(0,1)点。在ROC曲线的基础上对AUC进行求解并绘制图像。

如图12所示，可以更加明显的看出对于各模型在不同分类情况下的准确度，在中度磨损及严重磨损分类情况下，ABI-LSTM都表现出更为优秀的性能。

最后，经过上述分析可以看出，考虑骨材料钻削过程刀具磨损程度监测具有一定的时间依赖性和空间依赖特征，基于ABI-LSTM“记忆门”及多头注意力机制筛选特征的刀具磨损程度分类在三分类的情况下获得了较好的分类效果，除了总体准确率高于其他方法之外，在真实手术情况下不应出现严重磨损刀具，即模型需要尽可能的达到不会将严重磨损程度下刀具分类为中度磨损，ABI-LSTM仅在中度磨损程度发生误判，未将严重磨损刀具判定为其他分类，使得它在本发明的分类问题下有绝对的优势，更适用于处理骨材料钻削过程刀具磨损监测问题。

以上对本发明所提出的一种基于传感器信号的骨材料钻削过程刀具磨损检测方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (1)

1.一种基于传感器信号的骨材料钻削过程刀具磨损检测方法，其特征在于：所述方法包括以下步骤：

步骤1、对加速度及力传感器采集的骨材料钻削过程信号进行预处理；

所述钻削过程分为5个阶段：第一阶段，骨材料处于代加工状态，刀具未接触到骨材料工件，此时无钻削力的产生；第二阶段，刀具横刃接触骨材料并开始钻削，刀具逐渐进入骨材料工件，钻削力不断增大；第三阶段，主切削刃完全进入骨材料工件，钻削力达到正常钻削状态下最大值，在该钻削参数下钻削力达到25N附近，钻削进入稳定状态，由于钻削过程骨纤维组织扰动及加工振动的原因，钻削力会在25N附近波动；第四阶段，钻头横刃钻出骨材料工件内表面，随着刀具的不断进给，钻削力逐渐减小；第五阶段，刀具钻出骨材料工件，并退刀回到骨材料工件上方，期间由于摩擦及振动会产生力的突变，完成一次钻孔；

在第三阶段时，主切削刃完全进入骨材料工件，钻削力达到正常钻削状态下最大值并趋于稳定状态，在该状态下测量信号稳定，能够表示当前钻削参数及刀具磨损状态下钻削过程真实钻削力大小；首先将全部采集信号根据z方向力信号是否存在突变进行筛选，最终得到130组钻削数据；其次对骨材料钻削过程刀具磨损数据采集实验所采集到的原始数据进行处理，根据钻削过程z方向力信号确定钻削进入第三阶段时间；

根据钻削稳定状态时间段，对骨材料钻削过程刀具磨损数据采集实验所采集到的原始数据进行处理，将三个方向钻削力信号及振动信号共6路信号分别按照所确定时间段进行提取，并将提取后的6路信号保存在同一文件内以备进行特征提取；

步骤2、对预处理后信号进行特征提取及筛选；

步骤3、利用ABI-LSTM模型预测骨材料钻削过程刀具磨损程度；

所述ABI-LSTM模型由一个BI-LSTM层，一个注意力机制模块，和一个全连接分类层组成；ABI-LSTM网络输入数据是在加工过程中采集到的切削力和振动数据进行特征提取后的数据，标签为按照钻头后刀面磨损量所分类的初始磨损、中度磨损及严重磨损；并将130个样本60％作为训练集20％作为验证集20％作为测试集；首先通过BI-LSTM网络，将得到的特征输入到注意力机制模块，最后经过全连接层对预测结果作映射输出，得到最终的刀具磨损程度预测结果；利用交叉熵损失函数衡量最终模型输出类别与真实分类间的差异，利用Adam优化算法更新模型训练过程权重；

在步骤2中，

记f(t)在子空间和/>上的小波包系数分别为/>和/>则根据小波包定义可得到如下的小波包快速分解与重构算法：

小波包分解算法：

小波包重构算法：

当钻削过程刀具磨损程度加剧时，通过其信号频率的改变反映出来，首先通过三层小波包分解对所采集6路传感器信号进行分解及重构；其次计算小波包系数的能量，当刀具磨损程度不同时，其不同频段内小波包能量比不同，最终保存8个频段内能量比作为时频域特征；最终将骨材料钻削过程刀具磨损数据6路信号分别提取时域特征12个、频域特征4个、时频域特征8个；将每个样本制备为特征向量维度为(6*24)，并以刀具后刀面磨损量作为标签，以供模型进行训练及验证；

在步骤2中，皮尔逊相关系数能够表征特征间的线性相关程度，根据线性相关程度对所提取全部特征进行分析，并根据分析结果进行特征筛选；

假设现有特征x及y，则其之间的皮尔逊相关系数通过下式计算：

其中：ρ_x,y表示皮尔逊相关系数，cov表示协方差，σ表示标准差，E及μ表示数学期望；

在数据输入模型之前，需要进行标准化处理，采用Z-score方法进行数据标准化，如下式所示：

其中：x_n为归一化后数据，x为原始数据，μ为原始数据均值，σ为原始数据标准差。