CN116038430A - 多传感器信息融合的刀具剩余寿命预测方法 - Google Patents
多传感器信息融合的刀具剩余寿命预测方法 Download PDFInfo
- Publication number
- CN116038430A CN116038430A CN202310110096.6A CN202310110096A CN116038430A CN 116038430 A CN116038430 A CN 116038430A CN 202310110096 A CN202310110096 A CN 202310110096A CN 116038430 A CN116038430 A CN 116038430A
- Authority
- CN
- China
- Prior art keywords
- index
- degradation
- tool
- time
- data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000004927 fusion Effects 0.000 title claims abstract description 24
- 238000006731 degradation reaction Methods 0.000 claims abstract description 53
- 230000015556 catabolic process Effects 0.000 claims abstract description 50
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 239000002245 particle Substances 0.000 claims description 35
- 238000009826 distribution Methods 0.000 claims description 24
- 238000005520 cutting process Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000009499 grossing Methods 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 13
- 238000000513 principal component analysis Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 7
- 238000012952 Resampling Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005295 random walk Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000005299 abrasion Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000003754 machining Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
- B23Q17/0995—Tool life management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了多传感器信息融合的刀具剩余寿命预测方法,采用多传感器信号提取的特征进行融合能够减少对某单一信号的依赖,避免依赖单一信号造成的预测失稳,提高预测模型的鲁棒性。本发明采用基于双指数退化模型的预测方法可以避免依赖大量全寿命数据,且能够随着时间推进及监测数据的序贯可获,用监测数据实时在线更新退化模型参数以逐渐逼近刀具磨损退化趋势,同时对每个时刻的剩余寿命进行迭代估计,对新预测任务具有良好的适应性。
Description
技术领域
本发明属于数控机床刀具寿命预测方法领域,具体涉及多传感器信息融合的刀具剩余寿命预测方法。
背景技术
刀具作为数控机床加工过程中直接与工件接触的部分,对产品质量有着直接至关重要的作用,刀具磨损退化会引起刀具形状和性能发生变化从而直接影响工件质量和精度,因此在加工过程中对刀具状态进行监测并对其可用剩余寿命做出准确预测,保证刀具失效前及时换刀,对降本增效同时保证加工质量具有重要的实际意义。
剩余寿命预测可大致分为数据驱动和基于退化模型两大类。数据驱动的剩余寿命预测主要是指基于深度学习理论通过自学习建立某时刻设备监测数据或所提取特征与剩余寿命之间的对应关系。电科云(北京)科技有限公司在其申请的专利文献“刀具剩余寿命预测方法、装置和介质”(专利申请号:CN202011430089.7,公开号:CN114676716A)中提出了一种基于CDBN-BiLSTM模型的刀具剩余寿命预测方法。该方法的步骤是:首先采集刀具状态信号获得包含训练样本的训练集和测试样本的测试集,然后从训练集中抽取训练样本输入到经初始化的、包含卷积深度置信网络CDBN模型和双向长短期记忆BiLSTM模型的混合模型中,对所述混合模型进行训练,最后将测试样本输入到训练完成的混合模型,输出刀具剩余寿命的预测结果。该方法中的深度学习模型能够从大量数据中自动抽取特征,且深层的网络结构赋予其强大的非线性学习能力,提升了刀具剩余寿命的预测精度。但是基于深度学习的剩余寿命预测方法需要依赖大量同类型设备在相似工况下的全寿命数据以训练满足精度要求的预测模型,而实际情况中全寿命数据获取困难,且一旦外部环境、工况等发生变化,离线训练的预测模型能否很好的适应新的预测任务有待进一步的研究和验证。同时该方法中仅考虑了加工过程中的振动信号,未考虑不同信号反映刀具的磨损情况,用单一传感器信号建立预测模型存在数据利用率低、模型泛化能力较差等问题。
发明内容
本发明的目的在于提供多传感器信息融合的刀具剩余寿命预测方法,旨在解决现有技术中采用单一传感器信号及深度学习方法所建立的预测模型存在泛化能力较差的问题。
本发明所采用的技术方案是:多传感器信息融合的刀具剩余寿命预测方法,具体操作步骤如下:
步骤1:采集刀具切削过程中的信号,信号包括X、Y、Z三个方向的切削力信号、X、Y、Z三个方向的振动信号以及声发射信号共7个通道的信号;
步骤2:将采集的信号进行预处理,其中对无效数据进行直接删除,无效数据包括进刀无效数据和退刀无效数据;对异常值利用基于滑动窗口的中值滤波方法进行处理;
步骤3:对步骤2经预处理后的信号从时域、频域、时频域三个方面,将步骤1得到的7个通道的时序数据分成等长的315个数据样本,并分别提取均值、标准差、偏度、峰度、脉冲因子、波峰因子、形状因子、边际因子、峰峰值、均方根、sk均值、sk标准差、sk偏度、sk峰度、小波包能量这15种特征,共构建105个特征的时间序列,形成特征矩阵XT×105,用表示X315×105的第i列特征时序;
步骤4:利用单调性评价指标,计算步骤3中得到的每一种特征时序与对应时间矢量的斯皮尔曼等级相关系数作为该种特征的单调性得分,选取单调性得分大于0.8的特征形成筛选特征矩阵XT×S;
步骤5:对步骤4筛选出的特征进行基于主成分分析PCA的融合,取第一主成分对其进行三次一阶指数平滑,平滑系数α=0.1,构建健康指标;采用双指数模型拟合健康指标,建立描述刀具退化过程的双指数退化模型;
步骤6:根据双指数退化模型,结合粒子滤波算法贝叶斯理论预测刀具剩余寿命。
本发明的特点还在于,
步骤2中值滤波具体过程如下:
1)设置样本两边的样本数为k,则窗口大小为2k+1,设定上下界系数nδ;
2)基于滑动窗口计算每个样本的局部标准差xδ、局部估计中值xm;
3)计算样本的异常值上下界:
异常值上界:upbound=xm+nδ×xδ
异常值下界:downbound=xm-nδ×xδ
4)若该样本值大于异常值上界或小于异常值下界,则使用估计中值xm替换该样本。
步骤4单调性评价指标具体为:
步骤5基于主成分分析PCA的特征融合具体如下:
5)对x315×1=[x0,x1,…,x315]进行三次一阶指数平滑,如下式(2)所示,其中,α为平滑系数,yt分别为第一二三次的平滑值,第三次平滑值所构成的时间序列,对应的315个数据样本的健康指标数值为Y{1:315}={y1,…,yt,…,y315];
双指数退化模型,如下式:
y=aebt+cedt (3)
式中:y为从监测信号中构建的表征刀具退化的健康指标;a、b、c、d为双指数退化模型的模型参数,控制退化轨迹的趋势;t为时间。
刀具剩余寿命预测流程如下:
1)建立状态方程和观测方程
将高斯随机游走模型作为状态方程,如下式(1)所示:
式中:ωa、ωb、ωc、ωd分别为状态方程的建模误差,符合均值为0,方差分别为σa、σb、σc、σd的高斯分布;然后根据双指数退化模型参数建模方法,获得观测方程如下式所示:
HI(t)=a(t)eb(t)·t+c(t)·ed(t)·t+v(t),v(t)~N(0,σt) (5)
式中,ν(t)为系统的观测噪声,假设为高斯白噪声,符合均值为0,方差为σt的高斯分布;则任意t时刻处的刀具磨损情况可以由刀具磨损退化趋势的观测函数HI(t)表示;
2)离线训练:将前150次切削所采集的原始数据作为训练数据,进行信号预处理,然后进行特征提取、特征筛选及健康指标构建,将所构建的表征刀具磨损退化的健康指标带入双指数退化模型进行模型参数初始化;采用最小二乘函数对观测数据进行拟合,大致确定参数分布范围;同时,对所有参数进行初始化,根据其初始分布类型,生成各参数的概率分布,得到初始分布粒子;
3)在线更新:采用粒子滤波算法,根据健康指标的实时监测数据对双指数退化模型参数和健康状态评估结果进行实时更新,根据权值大小调整双指数退化模型参数分布;
4)寿命预测:根据双指数退化模型参数实时更新结果计算刀具磨损健康指标,通过设置失效阈值,对151~315次刀具磨损健康指标的退化趋势进行预测,并计算刀具的剩余寿命。
粒子滤波算法具体实现步骤为:
(2)对于t=2,3,…,循环执行以下步骤:
基于上述存在的两类问题,本大名提出了一种基于多传感器信息融合及贝叶斯理论的刀具剩余寿命预测方法。采用多传感器信号提取的特征进行融合能够减少对某单一信号的依赖,避免依赖单一信号造成的预测失稳,提高预测模型的鲁棒性。采用基于退化模型的预测方法可以避免依赖大量全寿命数据,且能够随着时间推进及监测数据的序贯可获,用监测数据实时在线更新退化模型参数以逐渐逼近刀具磨损退化趋势,同时对每个时刻的剩余寿命进行迭代估计,对新预测任务具有良好的适应性。
本发明的有益效果是:
本发明提供的多传感器信息融合的刀具剩余寿命预测方法,涉及数控机床刀具寿命预测领域中的一种基于多传感器信息融合及贝叶斯理论的刀具剩余寿命预测方法技术,可用于对数控机床刀具剩余寿命进行预测,解决刀具剩余寿命预测模型存在泛化能力较差、对新预测任务适应性有限的问题。
本发明通过采集数控机床工作过程中的切削力、振动和声发射信号作为监测信号,利用多传感器信息建立刀具剩余寿命预测模型,充分考虑了不同类型的信号反映的刀具磨损情况,有效克服了现有技术中用单一信号建立预测模型的局限性,提高了刀具剩余寿命预测模型的泛化能力。
本发明从时域、频域、时频域三个方面综合提取切削力、振动和声发射信号特征,利用单调性评价指标,基于斯皮尔曼等级相关系数进行特征筛选,提高了多传感器信号的利用效能。同时,本发明采用双指数粒子滤波的寿命预测方法,通过贝叶斯理论对历史样本进行状态跟踪建模,实时更新状态转移函数,实现刀具磨损退化趋势预测和剩余寿命评估。所提方法可避免基于深度学习方法需要依赖大量全寿命数据离线训练预测模型且模型对新预测任务适应性有限的局限性。
附图说明
图1是本发明实施例中刀具剩余寿命预测方法的流程图;
图2是本发明实施例中粒子滤波示意图;
图3是本发明实施例中01号刀具剩余寿命预测曲线。
图4是本发明实施例中02号刀具剩余寿命预测曲线。
图5是本发明实施例中03号刀具剩余寿命预测曲线。
图6是本发明实施例中04号刀具剩余寿命预测曲线。
具体实施方式
下面结合附图对本发明的具体实施方式进行详细说明。
本发明为多传感器信息融合的刀具剩余寿命预测方法,如图1所示,具体包括以下步骤:
(1)信号采集与处理:采集刀具切削过程中的切削力、振动、声发射信号,并将采集的信号进行预处理。
(2)信号特征提取:从时域、频域、时频域三个方面,将预处理的信号进行特征提取。
(3)特征排序及选择:利用单调性评价指标,计算时间向量与特征向量的斯皮尔曼等级相关系数作为特征单调性得分,选取单调性得分大于0.8的特征用于构建筛选特征矩阵。
(4)特征融合构建健康指标:对筛选出的特征进行基于PCA的特征融合,取第一主成分对其进行三次一阶指数平滑,构建表征刀具磨损退化的健康指标。
(5)建模预测:首先基于所构建的健康指标,建立双指数刀具磨损退化模型。然后利用最小二乘法对观测数据进行拟合,初始化模型参数,最后通过贝叶斯理论对历史样本进行状态跟踪建模,更新状态传递函数,实现刀具退化趋势预测和剩余寿命评估。
如图2所示是本发明实施例中粒子滤波方法的示意图;
本发明实施例中粒子滤波具体实现步骤为:
(1)粒子集初始化,t=1:
(2)对于t=2,3,…,循环执行以下步骤:
下面结合实施例对本发明的技术方案作进一步的详细说明。
本发明实施例中使用的数据集是PHM2010数据挑战赛的公开数据,数据采集自高速数控机床真实加工过程,每把全新的刀具从正常开始加工直至刀具寿命终止时停止采集。
(1)信号采集与处理
1)采集刀具切削过程中的信号,即:切削力信号(X、Y、Z方向)、振动信号(X、Y、Z方向)、声发射信号。
使用其中4把刀具切削加工的信号,分别为01号刀具、02号刀具、03号刀具、04号刀具。在切削过程中,以50kHz采样频率采集切削力信号(三个方向)、加速度信号(三个方向)及声发射信号共7个通道的信号。
2)将采集的信号进行预处理,首先进行无效数据处理,其中无效数据具体为进刀无效数据和退刀无效数据,采用直接删除的方法进行处理,然后进行异常值处理,利用基于滑动窗口的中值滤波方法——hampel滤波。
其中,采用直接删除的方法中,使用第三四分位数法定位到删除点。具体为:首先计算铣削过程中所采集数据的第三四分位数Q3作为进退刀无效数据的临界值;然后从数据第一个值起,依次向后比较过程数据,直至出现第一个大于Q3的数值,记下当前位置,然后截断第一个值至该位置的数据;退刀无效数据则从最后一个值向前比较。
中值滤波具体过程如下:
1)设置样本两边的样本数k,则窗口大小为2k+1,设定上下界系数nδ,其中设置k=4000,nδ=3。
2)基于滑动窗口计算每个样本的局部标准差xδ、局部估计中值xm;
3)计算样本的异常值上下界:
异常值上界:upbound=xm+nδ×xδ
异常值下界:downbound=xm-nδ×xδ
4)若该样本值大于异常值上界或小于异常值下界,则使用估计中值xm替换该样本。
(2)信号特征提取
从时域、频域、时频域三个方面,将(1)得到的7个通道的时序数据分成等长的315个数据样本,分别提取均值、标准差、偏度、峰度、脉冲因子、波峰因子、形状因子、边际因子、峰峰值、均方根、sk均值、sk标准差、sk偏度、sk峰度、小波包能量等15种特征,共构建105个特征的时间序列(简称特征时序),形成特征矩阵X315×105。用表示X315×105的第i列特征时序。
(3)特征排序及选择
基于单调性评价指标,计算(2)中得到的每一种特征时序与对应时间矢量的斯皮尔曼等级相关系数作为该种特征的单调性得分,选取单调性得分大于0.8的特征形成筛选特征矩阵X315×S。对于单调性得分计算如下式所示:
式中,rk为矢量R中元素,
(4)特征融合构建健康指标
对(3)中筛选出的特征进行基于主成分分析(PCA)的融合,取第一主成分对其进行三次一阶指数平滑,平滑系数α=0.1,构建健康指标。基于PCA的特征融合如下
5)对x315×1=[x0,x1,…,x315]进行三次一阶指数平滑,如下式(2)所示,其中,α为平滑系数,yt分别为第一二三次的平滑值,第三次平滑值所构成的时间序列,对应的315个数据样本的健康指标数值为Y{1:315}=[y1,…,yt,…,y315];
(5)建模预测
采用双指数模型拟合(4)得到的健康指标,建立描述刀具退化过程的双指数退化模型,如下式:
y=aebt+cedt (3)
式中:y为从监测信号中构建的表征刀具退化的健康指标;a、b、c、d为模型参数,控制退化轨迹的趋势;t为时间。
根据刀具磨损退化模型,结合粒子滤波算法贝叶斯理论,刀具剩余寿命预测流程如下:
1)建立状态方程和观测方程
将高斯随机游走模型作为状态方程,对指数退化模型参数进行建模,状态方程和观测方程分别如下式所示:
式中:ωa、ωb、ωc、ωd分别为状态方程的建模误差,符合均值为0,方差分别为σa、σb、σc、σd的高斯分布;然后根据双指数退化模型参数建模方法,获得观测方程如下式所示:
HI(t)=a(t)·eb(t)·t+c(t)·ed(t)·t+v(t),v(t)~N(0,σt) (5)
式中,v(t)为系统的观测噪声,假设为高斯白噪声,符合均值为0,方差为σt的高斯分布;则任意t时刻处的刀具磨损情况可以由刀具磨损退化趋势的观测函数HI(t)表示;
2)离线训练:试验中使用的4把刀具从开始加工至达到寿命终点,共完成了315次切削。将前150次切削所采集的原始数据作为训练样本,用于特征筛选及构建健康指标。采用最小二乘函数对观测数据进行拟合,大致确定参数分布范围。同时,对所有参数进行初始化,根据其初始分布类型,生成刀各个参数的概率分布,得到初始分布粒子,其中粒子数设为1000。
3)在线更新:采用粒子滤波算法,根据健康指标的实时监测数据对模型参数和健康状态进行实时更新,根据权值大小调整双指数退化模型参数分布。
4)寿命预测:根据模型参数实时更新结果计算刀具磨损健康指标,通过设置失效阈值,对151~315次刀具磨损健康指标的退化趋势进行预测,并计算刀具的剩余寿命。
试验中第01~04号刀具全寿命数据的验证结果如图3~6所示,图中给出了剩余寿命的预测值及真实值。从图3~6中可以看出,在前200次切削中,由于观测数据较少,贝叶斯粒子滤波算法未能很好估计双指数退化模型参数,导致剩余寿命预测值未能很好地跟随真实值,但从第200次切削开始,随着时间推进及观测数据的不断增加,预测值越来越逼近真实值。对01号和04刀具,在切削后期剩余寿命预测值有些偏离真实值,但一直处于欠预测状态,即保守估计了刀具可用剩余切削次数,该情况只会导致提前换刀,不会对产品加工精度造成影响,是实际加工场景中较为理想的情况。
Claims (7)
1.多传感器信息融合的刀具剩余寿命预测方法,其特征在于,具体操作步骤如下:
步骤1:采集刀具切削过程中的信号,所述信号包括X、Y、Z三个方向的切削力信号、X、Y、Z三个方向的振动信号以及声发射信号共7个通道的信号;
步骤2:将采集的信号进行预处理,其中对无效数据进行直接删除,所述无效数据包括进刀无效数据和退刀无效数据;对异常值利用基于滑动窗口的中值滤波方法进行处理;
步骤3:对步骤2经预处理后的信号从时域、频域、时频域三个方面,将步骤1得到的7个通道的时序数据分成等长的315个数据样本,并分别提取均值、标准差、偏度、峰度、脉冲因子、波峰因子、形状因子、边际因子、峰峰值、均方根、sk均值、sk标准差、sk偏度、sk峰度、小波包能量这15种特征,共构建105个特征的时间序列,形成特征矩阵XT×105,用表示X315 ×105的第i列特征时序;
步骤4:利用单调性评价指标,计算步骤3中得到的每一种特征时序与对应时间矢量的斯皮尔曼等级相关系数作为该种特征的单调性得分,选取单调性得分大于0.8的特征形成筛选特征矩阵XT×S;
步骤5:对步骤4筛选出的特征进行基于主成分分析PCA的融合,取第一主成分对其进行三次一阶指数平滑,平滑系数α=0.1,构建健康指标;采用双指数模型拟合所述健康指标,建立描述刀具退化过程的双指数退化模型;
步骤6:根据双指数退化模型,结合粒子滤波算法贝叶斯理论预测刀具剩余寿命。
2.根据权利要求1所述的多传感器信息融合的刀具剩余寿命预测方法,其特征在于,步骤2所述中值滤波具体过程如下:
1)设置样本两边的样本数为k,则窗口大小为2k+1,设定上下界系数nδ;
2)基于滑动窗口计算每个样本的局部标准差xδ、局部估计中值xm;
3)计算样本的异常值上下界:
异常值上界:upbound=xm+nδ×xδ
异常值下界:downbound=xm-nδ×xδ
4)若该样本值大于异常值上界或小于异常值下界,则使用估计中值xm替换该样本。
4.根据权利要求1所述的多传感器信息融合的刀具剩余寿命预测方法,其特征在于,步骤5基于主成分分析PCA的特征融合具体如下:
5)对x315×1=[x0,x1,…,x315]进行三次一阶指数平滑,如下式(2)所示,其中,α为平滑系数,yt分别为第一二三次的平滑值,第三次平滑值所构成的时间序列,对应的315个数据样本的健康指标数值为Y{1:315}=[y1,…,yt,…,y315];
5.根据权利要求1所述的多传感器信息融合的刀具剩余寿命预测方法,其特征在于,所述双指数退化模型,如下式:
y=aebt+cedt (3)
式中:y为从监测信号中构建的表征刀具退化的健康指标;a、b、c、d为双指数退化模型的模型参数,控制退化轨迹的趋势;t为时间。
6.根据权利要求5所述的多传感器信息融合的刀具剩余寿命预测方法,其特征在于,刀具剩余寿命预测流程如下:
1)建立状态方程和观测方程
将高斯随机游走模型作为状态方程,如下式(1)所示:
式中:ωa、ωb、ωc、ωd分别为状态方程的建模误差,符合均值为0,方差分别为σa、σb、σc、σd的高斯分布;然后根据双指数退化模型参数建模方法,获得观测方程如下式所示:
HI(t)=a(t)·eb(t)·t+c(t)·ed(t)·t+v(t),v(t)~N(0,σt) (5)
式中,v(t)为系统的观测噪声,假设为高斯白噪声,符合均值为0,方差为σt的高斯分布;则任意t时刻处的刀具磨损情况可以由刀具磨损退化趋势的观测函数HI(t)表示;
2)离线训练:将前150次切削所采集的原始数据作为训练数据,进行信号预处理,然后进行特征提取、特征筛选及健康指标构建,将所构建的表征刀具磨损退化的健康指标带入双指数退化模型进行模型参数初始化;采用最小二乘函数对观测数据进行拟合,大致确定参数分布范围;同时,对所有参数进行初始化,根据其初始分布类型,生成各参数的概率分布,得到初始分布粒子;
3)在线更新:采用粒子滤波算法,根据健康指标的实时监测数据对双指数退化模型参数和健康状态评估结果进行实时更新,根据权值大小调整双指数退化模型参数分布;
4)寿命预测:根据双指数退化模型参数实时更新结果计算刀具磨损健康指标,通过设置失效阈值,对151~315次刀具磨损健康指标的退化趋势进行预测,并计算刀具的剩余寿命。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310110096.6A CN116038430A (zh) | 2023-02-14 | 2023-02-14 | 多传感器信息融合的刀具剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310110096.6A CN116038430A (zh) | 2023-02-14 | 2023-02-14 | 多传感器信息融合的刀具剩余寿命预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116038430A true CN116038430A (zh) | 2023-05-02 |
Family
ID=86125507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310110096.6A Pending CN116038430A (zh) | 2023-02-14 | 2023-02-14 | 多传感器信息融合的刀具剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116038430A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116214263A (zh) * | 2023-05-09 | 2023-06-06 | 华东交通大学 | 一种刀具剩余寿命预测方法、系统及计算机 |
CN118204832A (zh) * | 2024-05-21 | 2024-06-18 | 西南石油大学 | 基于贝叶斯深度学习的TCNCSA-BiGRU的刀具磨损预测方法 |
CN118329196A (zh) * | 2024-06-17 | 2024-07-12 | 济南红太阳数控设备有限公司 | 一种振动刀切割机的刀具振动信号检测方法 |
-
2023
- 2023-02-14 CN CN202310110096.6A patent/CN116038430A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116214263A (zh) * | 2023-05-09 | 2023-06-06 | 华东交通大学 | 一种刀具剩余寿命预测方法、系统及计算机 |
CN116214263B (zh) * | 2023-05-09 | 2024-03-01 | 华东交通大学 | 一种刀具剩余寿命预测方法、系统及计算机 |
CN118204832A (zh) * | 2024-05-21 | 2024-06-18 | 西南石油大学 | 基于贝叶斯深度学习的TCNCSA-BiGRU的刀具磨损预测方法 |
CN118329196A (zh) * | 2024-06-17 | 2024-07-12 | 济南红太阳数控设备有限公司 | 一种振动刀切割机的刀具振动信号检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116038430A (zh) | 多传感器信息融合的刀具剩余寿命预测方法 | |
WO2020041956A1 (zh) | 一种基于贝叶斯与故障树的数控机床可靠性评价方法 | |
CN110561193A (zh) | 一种基于特征融合的刀具磨损评估及监控的方法与系统 | |
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 | |
CN109571141A (zh) | 一种基于机器学习的刀具磨损状态监测方法 | |
CN111475921A (zh) | 一种基于边缘计算和lstm网络的刀具剩余寿命预测方法 | |
CN110674752A (zh) | 一种基于隐马尔可夫模型的刀具磨损状态识别与预测方法 | |
CN113640380B (zh) | 钢轨伤损检测多级分类方法及系统 | |
CN114611745A (zh) | 机床评估方法、机床评估系统及介质 | |
CN111858680B (zh) | 一种快速实时检测卫星遥测时序数据异常的系统与方法 | |
CN112131796B (zh) | 一种基于基因表达式编程的硬岩tbm滚刀磨损实时评估方法 | |
CN115169050A (zh) | 一种多模型融合的切削刀具磨损量动态预测方法 | |
CN104778340A (zh) | 一种基于增强型粒子滤波的轴承寿命预测方法 | |
CN111563886B (zh) | 基于非监督特征学习的隧道钢轨表面病害检测方法及装置 | |
CN115890340B (zh) | 一种稀疏框架下压缩学习自适应网络的刀具磨损预测方法 | |
CN117034657A (zh) | 一种基于先验信息约束的地球物理数据处理模块 | |
CN117407735A (zh) | 基于演化聚类分析的刀具磨损建模方法 | |
CN116252185A (zh) | 一种基于工况自适应隐式半马尔可夫模型的刀具磨损在线监测方法 | |
Yan et al. | Precognitive maintenance and probabilistic assessment of tool wear using particle filters | |
CN111993158B (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
Licata et al. | Data-driven HASDM density model using machine learning | |
Zhou et al. | Milling cutter wear prediction based on bidirectional long short-term memory neural networks | |
CN114370284A (zh) | 盾构开挖面地层性质实时感知与掘进参数调整方法及系统 | |
Diaz et al. | On-line prediction model for rate of penetration (ROP) with cumulating field data in real time | |
Wang et al. | Milling-tool wear-condition prediction with statistic analysis and echo-state networks |
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 |