CN117150874A - 基于粒子滤波算法的刀具磨损状态预测算法 - Google Patents
基于粒子滤波算法的刀具磨损状态预测算法 Download PDFInfo
- Publication number
- CN117150874A CN117150874A CN202311190277.0A CN202311190277A CN117150874A CN 117150874 A CN117150874 A CN 117150874A CN 202311190277 A CN202311190277 A CN 202311190277A CN 117150874 A CN117150874 A CN 117150874A
- Authority
- CN
- China
- Prior art keywords
- particle
- cutter
- particles
- value
- updated
- 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.)
- Granted
Links
- 239000002245 particle Substances 0.000 title claims abstract description 155
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 60
- 238000005299 abrasion Methods 0.000 title claims abstract description 29
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 238000007637 random forest analysis Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000009826 distribution Methods 0.000 claims description 22
- 238000000034 method Methods 0.000 claims description 22
- 241000283973 Oryctolagus cuniculus Species 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000003754 machining Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000011049 filling Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 230000005236 sound signal Effects 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 241000272184 Falconiformes Species 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000003801 milling Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/10—Noise analysis or noise optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Computational Linguistics (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种基于粒子滤波算法的刀具磨损状态预测算法,包括:获取刀具磨损相关信息并进行预处理,然后抽取特征,获得特征集;基于特征集与随机森林算法进行刀具磨损状态预测,获得预测值;基于预测值构建粒子滤波的观测方程和状态方程,获得迭代粒子集;基于预设粒子规模值对迭代粒子集进行动态更新,获得更新粒子集;构建适应度函数计算更新粒子集中各个粒子的适应度,基于计算结果判断是否对更新粒子集中的粒子进行移动,直至存在粒子的适应度为零或达到预设迭代次数,取各粒子的均值作为最终刀具磨损状态预测值,实现刀具磨损状态预测。本发明在达到高精度的同时兼顾刀具磨损状态预测的效率,准确高效地对数控机床刀具磨损做出预测。
Description
技术领域
本发明属于数控机床刀具磨损状态预测领域,特别是涉及一种基于粒子滤波算法的刀具磨损状态预测算法。
背景技术
金属切削时,刀具切销工件的同时自身也会发生损坏,达到一定程度时,就需要更换刀具或者切削刃。刀具磨损后,会使加工工件的表面粗糙度增加从而使精度降低,并导致切削力增加,切削温度升高,不能正常切削。据文献(王志伟,周益军.数控机床刀具磨损监测系统开发关键技术研究[J].内燃机与配件,2021,325(01):59-60.)显示在大型加工中心因未及时更换磨损严重的刀具而造成刀具损坏的数量每天达到40至50把;在文献(林杨,高思煜,刘同舜,等基于深度学习的高速铣削刀具磨损状态预测方法[J].机械与电子,2017,298(7):12-17.)中调查显示在实际的生产加工过程中刀具的寿命利用率往往只有50%到80%,据德国W.Koening公司的统计数据显示数控加工过程中引入刀具状况识别及预测系统,能够提高数控机床10%~60%的加工效率。因此,通过对刀具磨损状态的监测与分析,及时发现刀具的磨损情况,优化刀具的更换计划,提高生产效率,一直是研究热点。
随着传感器技术的发展,诸多学者通过研究加工过程中的振动、声发射、切削力、功率和电流等信号的特征,最终获得反映刀具磨损的间接指标,实现对刀具磨损状态的准确测量。目前,国内外关于刀具磨损状态预测的方法主要分为两大类:第一类是机器学习方法,常见的有神经网络、支持向量机(SVM)和隐马尔科夫模型(HMM)等方法;另一类是以深度学习为代表的算法,常用的有深度置信网络(DBN)、卷积神经网络(CNN)和长短时神经网络(Lstm)等。如在机器学习方法中文献(聂鹏,贾彤,张锴锋,等.基于HPSO优化BP神经网络的刀具磨损状态识别[J].组合机床与自动化加工技术,2020(3):152-155.)中通过将小波分解的AE信号提取的频段能量和切削参数作为输入特征提出了混合粒子优化的BP网络模型,基于微切削平台上所采集振动信号的时域、频域和时频域提取能量、均方根值、峰度系数三类特征搭建了模糊神经网络模型对刀具的磨损状态进行识别,实现了对刀具磨损状态的预测;在深度学习方法中文献(吴飞,农皓业,马晨浩.基于粒子群优化算法-长短时记忆模型的刀具磨损预测方法[J].吉林大学学报(工学版)2023,53(04),989-997)采用改进多项式阈值函数对刀具加速度振动信号进行去噪,构建了优质的信号输入样本,训练长短时记忆网络对刀具后刀面磨损值进行预测和磨损状态分类,利用粒子群优化算法对网络进行参数寻优。文献(Wang D,Yu J,Tang D.An HDP-HMMbasedapproach for tool wear estimationand tool life preditocn[J].Quality Enginneing,2021,33(2):208-220.)通过粒子滤波结合了物理模型和回归模型,不仅可以准确预测刀具磨损,还可以给出结果的置信区间。
通过以上分析发现,现有技术为了保证预测结果的准确性,需要大量的数据进行训练,而大量的数据意味着需要消耗大量的计算资源,求解效率难以提升,不考虑方法和模型的复杂度对计算效率的影响使得这些算法无法用于刀具磨损在线预测。
发明内容
本发明的目的是提供一种基于粒子滤波算法的刀具磨损状态预测算法,以解决上述现有技术存在的问题。
为实现上述目的,本发明提供了一种基于粒子滤波算法的刀具磨损状态预测算法,包括:
获取刀具磨损相关信息,对所述刀具磨损相关信息进行预处理;
对预处理后的刀具磨损相关信息进行特征抽取,获取特征集;基于所述特征集,采用随机森林算法进行刀具磨损状态预测,获得初始刀具磨损状态预测值;
基于所述初始刀具磨损状态预测值构建粒子滤波的观测方程和状态方程;
基于粒子滤波的观测方程和状态方程初始化粒子滤波产生粒子后,执行重要性采样,获得迭代加权粒子集;
基于预设粒子规模值对所述迭代粒子集进行动态更新,获得更新粒子集;
构建适应度函数,基于所述适应度函数计算所述更新粒子集中各个粒子的适应度,基于适应度计算结果判断是否对所述更新粒子集中的粒子进行移动,直至更新粒子集中存在粒子的适应度为零或达到预设迭代次数,取各粒子的均值作为最终刀具磨损状态预测值,实现刀具磨损状态预测。
可选的,所述刀具磨损相关信息包括但不限于刀面磨损量、切深、进给率、加工材质、交流主轴电机电流、直流主轴电机电流、主轴振动、主轴声音信号。
可选的,预处理的过程包括:对所述刀具磨损相关信息中的无效数据、异常数据进行删除或采用平滑插值填补方式进行处理。
可选的,特征抽取获得特征集的过程包括:采用基于统计的时域特征对预处理后的刀具磨损相关信息进行特征抽取,获得特征集。
可选的,将所述初始刀具磨损状态预测值作为真实磨损量的一个测量值,构建粒子滤波的观测方程和状态方程,观测方程和状态方程如下:
式中,xk是k时刻刀具的真实磨损量,yk是k时刻随机森林预测值,uk,vk分别为k时刻状态噪声和测量噪声,均服从高斯分布。
可选的,获得迭代加权粒子集的过程;基于粒子滤波的观测方程和状态方程获得状态转移分布,基于状态转移分布、似然分布、重要性分布构建迭代式;基于迭代式生成粒子并计算粒子权值,获得迭代加权粒子集。
可选的,获得更新粒子集的过程包括:
预设粒子规模值与空子集,判断迭代粒子集中的粒子是否落入空子集,当粒子落入空子集后,空子集状态变为非空,并更新非空子集数;
当动态粒子规模超过预设粒子规模值,根据非空子集数更新粒子集中的粒子数目,若动态粒子规模低于预设粒子规模值,则更新动态粒子规模,直至动态粒子规模与预设粒子规模值相等,获得更新粒子集。
可选的,根据数目更新公式更新粒子数目,所述数目更新公式表达如下:
式中,Z1-σ表示标准正态分布的上1-σ分位值;参数采用先验参数,τ=0.15,σ=0.01,n为非空子集数。
可选的,对所述更新粒子集中的粒子进行移动包括两种阶段,分别为全局移动阶段与局部移动阶段;
全局移动阶段基于规则公式进行全局移动,所述规则公式表达如下:
式中,其中q、r1、r2、r3、r4均为[0,1]内的随机数,ub、lb为搜索空间上、下限;Xrand为一随机粒子位置;Xrabbit为移动目标的位置,Xave为所有粒子的平均位置;
局部移动阶段根据随机数与预设值的大小关系选取移动方式。
可选的,基于粒子滤波的似然分布构建所述适应度函数,所述适应度函数表达如下:
式中,Rk是观测噪声方差,yk是最新的观测值。
本发明的技术效果为:
本发明提供一种基于粒子滤波算法的刀具磨损状态预测算法,首先通过粒子滤波优化随机森林回归结果,然后使用HHO(Harris Hawks Optimizer)算法与KLD(KullbackLeibler distance)采样算法相互作用,提高刀具磨损预测的准确率的同时削弱群智能算法带来的计算负担提高运算效率,在达到高精度的同时兼顾刀具磨损预测的效率,准确高效地对数控机床刀具做出预测。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例中的方法流程示意图;
图2为本发明实施例中的部分刀具磨损相关数据示意图;
图3为本发明实施例中的抽取特征与刀具磨损之间的关系示意图,(a)为刀具磨损值与绝对误差的关系,(b)为刀具磨损值与峰值的关系,(c)为刀具磨损值与均方根误差的关系;
图4为本发明实施例中的刀具磨损状态预测结果一;
图5为本发明实施例中的刀具磨损状态预测结果二。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
如图1-5所示,本实施例中提供一种基于粒子滤波算法的刀具磨损状态预测算法,包括:
步骤一、获取刀具磨损相关信息,如刀面磨损量,切深,进给率,加工材质,交流主轴电机电流,直流主轴电机电流,主轴振动,主轴声音信号。使用PHM数据挑战数据集,该数据集在RFM760铣削机床上采集数据,刀具主轴转速为10400RPM;进给速度1555mm/min;切割Y深度(径向)为0.125mm。数据以50khz/通道采集,包括刀具的X维力、Y维力、Z维力、X维振动、Y维振动、Z维振动、主轴音信号。
步骤二、对收集到的数据进行预处理,如对数据中的无效数据、异常数据进行直接删除或平滑插值填补方式进行预处理。
步骤三、对预处理后的数据进行特征抽取,使用基于统计的时域特征,基于频谱分析的频域特征提取,基于小波包能量的时频联合域特征等方式抽取特征,由于基于统计的时域特征提取通常包括平均值、方差、标准差等统计量,可以直接从信号的时间序列中计算得出,速度较快。这种方法适用于对信号整体的统计特征感兴趣的场景。而基于频谱分析的频域特征提取则需要将信号转换到频域进行处理,例如通过傅里叶变换将时域信号转换为频谱图。这种方法可以提取信号的频率分布信息,适用于对信号频率内容的分析。频域特征提取的计算复杂度较高,但对于一些依赖频域信息的任务,如音乐分类、语音识别中的说话人识别等,通常能够提供更丰富的特征表示。现有技术使用数据集为多个信号对应一个磨损值的情况,且要考虑效率方面的影响,所以选择使用基于统计的时域特征作为本发明的特征抽取方式。
步骤四、使用随机森林算法对抽取的特征划分训练集和测试集后进行刀具磨损状态预测。
步骤五、将上一步随机森林算法得到的预测值作为真实磨损量的一个测量值,记作yk,建立粒子滤波的观测方程和状态方程如下:
式中xk是k时刻刀具的真实磨损量,yk是k时刻随机森林预测值,uk,vk分别为k时刻状态噪声和测量噪声,都服从高斯分布。
步骤六、根据步骤五建立的方程初始化粒子,后执行重要性采样,从重要性分布中通过式(2)和(3)生成采样粒子并计算粒子权值/>得到迭代加权粒子集/>
为似然分布,/>为状态转移分布,由公式(1)得到。为重要性分布,/>分别为粒子与粒子权值。
步骤七、使用KLD(Kullback Leibler distance)采样算法动态更新粒子规模。为防止粒子规模过小,影响计算效率,预设粒子规模下限Nmin=50,设置空子集bn,判断粒子是否落入空子集bn中,当粒子落入空子集后,该子集状态变为非空,更新非空子集数n=n+1。设动态粒子规模为m,当m>Nmin时,将n代入式(4)中更新粒子规模为Nkld;当m<Nmin时,更新动态粒子规模m=m+1;当m=Nkld时得到新粒子集/>
Z1-σ表示标准正态分布的上1-σ分位值;n为非空粒子集个数,参数采用先验参数,τ=0.15,σ=0.01。
步骤八、由于哈里斯鹰算法另称为HHO(Harris Hawks Optimizer)算法能够在搜索空间中快速、有效地寻找最优解。它通常适用于优化问题,它在多种优化问题中都有良好的表现,特别是那些涉及到多个目标函数或多个约束条件的复杂问题。相比于传统的优化算法,哈里斯鹰算法表现更好。所以对新粒子集利用哈里斯鹰算法移动粒子,将每只鹰作为一个粒子,对粒子先进行全局移动后局部移动,在全局移动阶段按公式(5)进行移动。
其中q、r1、r2、r3、r4均为[0,1]内的随机数,ub、lb为搜索空间上、下限;Xrand为一随机粒子位置;Xrabbit为移动目标的位置,Xave为所有粒子的平均位置。
在局部移动阶段,根据逃逸能量E和随机数r进行不同方式的移动,E为逃逸能量与标准HHO算法一致。
E=2E0(1-t/tmax) (6)
t和tmax分别为当前迭代次数和最大迭代次数,E0为逃逸能量E的预设初始值。
(1)当r≥0.5且|E|≥0.5时:
X(t+1)=Xrabbit(t)-X(t)-E|J*Xrabbit(t)-X(t)| (7)
其中J为粒子移动过程中的跳跃距离,J=2(1-r5),r5为(0,1)之间随机数。
(2)当r≥0.5且|E|<0.5时:
X(t+1)=Xrabbit(t)-E|Xrabbit(t)-X(t)| (8)
(3)当r<0.5且|E|>0.5时:
Y=Xrabbit(t)-E|JXrabbit(t)-X(t)| (9)
步骤九、按适应度函数计算各个粒子适应度,适应度大的粒子表明粒子位置离最优位置较远,因此适应度大的粒子根据步骤八向适应度小的粒子移动。根据粒子滤波的似然分布P(yk|xk),得到哈里斯鹰算法的适应度函数:
Rk是观测噪声方差,yk是最新的观测值。
步骤十、重复步骤八和九,直到存在粒子适应度达到0(有大于等于1个粒子适用度为0)或达到预设最大迭代次数,将各粒子的均值作为最终刀具磨损状态预测值。
对步骤六之后的步骤做更改,作为对比实验验证算法的精确度和效率,分别改为(1)执行重要性采样后直接输出结果,即标准粒子滤波(SIRPF)。(2)引入群智能算法蝴蝶优化算法对粒子位置优化后输出结果(BAPF)。(3)步骤六之后执行步骤八,不对粒子进行动态更新,直接进行哈里斯鹰算法优化粒子位置后输出结果(SKPF)。如表1所示,其中KHPF为本发明提出的算法,C1表示在PHM铣削数据集中以c1作为训练集,c6作为测试集;C2表示以c4作为训练集,c6作为测试集;C3表示以c6作为训练集,c1作为测试集;C4表示以c6、c4作为训练集,c1作为测试集;C5表示以c1、c4作为训练集,c6作为测试集;C6表示以c6、c1作为训练集,c4作为测试集。记录各种情况下预测结果的均方根误差(RMSE)以及运行时间。
表1
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种基于粒子滤波算法的刀具磨损状态预测算法,其特征在于,包括以下步骤:
获取刀具磨损相关信息,对所述刀具磨损相关信息进行预处理;
对预处理后的刀具磨损相关信息进行特征抽取,获取特征集;基于所述特征集,采用随机森林算法进行刀具磨损状态预测,获得初始刀具磨损状态预测值;
基于所述初始刀具磨损状态预测值构建粒子滤波的观测方程和状态方程;
基于粒子滤波的观测方程和状态方程初始化粒子滤波产生粒子后,执行重要性采样,获得迭代加权粒子集;
基于预设粒子规模值对所述迭代粒子集进行动态更新,获得更新粒子集;
构建适应度函数,基于所述适应度函数计算所述更新粒子集中各个粒子的适应度,基于适应度计算结果判断是否对所述更新粒子集中的粒子进行移动,直至更新粒子集中存在粒子的适应度为零或达到预设迭代次数,取各粒子的均值作为最终刀具磨损状态预测值,实现刀具磨损状态预测。
2.根据权利要求1所述的基于粒子滤波算法的刀具磨损状态预测算法,其特征在于,
所述刀具磨损相关信息包括但不限于刀面磨损量、切深、进给率、加工材质、交流主轴电机电流、直流主轴电机电流、主轴振动、主轴声音信号。
3.根据权利要求1所述的基于粒子滤波算法的刀具磨损状态预测算法,其特征在于,
预处理的过程包括:对所述刀具磨损相关信息中的无效数据、异常数据进行删除或采用平滑插值填补方式进行处理。
4.根据权利要求1所述的基于粒子滤波算法的刀具磨损状态预测算法,其特征在于,
特征抽取获得特征集的过程包括:采用基于统计的时域特征对预处理后的刀具磨损相关信息进行特征抽取,获得特征集。
5.根据权利要求1所述的基于粒子滤波算法的刀具磨损状态预测算法,其特征在于,
将所述初始刀具磨损状态预测值作为真实磨损量的一个测量值,构建粒子滤波的观测方程和状态方程,观测方程和状态方程如下:
式中,x k是k时刻刀具的真实磨损量,y k是k时刻随机森林预测值,u k,v k分别为k时刻状态噪声和测量噪声,均服从高斯分布。
6.根据权利要求1所述的基于粒子滤波算法的刀具磨损状态预测算法,其特征在于,
获得迭代加权粒子集的过程;基于粒子滤波的观测方程和状态方程获得状态转移分布,基于状态转移分布、似然分布、重要性分布构建迭代式;基于迭代式生成粒子并计算粒子权值,获得迭代加权粒子集。
7.根据权利要求1所述的基于粒子滤波算法的刀具磨损状态预测算法,其特征在于,
获得更新粒子集的过程包括:
预设粒子规模值与空子集,判断迭代粒子集中的粒子是否落入空子集,当粒子落入空子集后,空子集状态变为非空,并更新非空子集数;
当动态粒子规模超过预设粒子规模值,根据非空子集数更新粒子集中的粒子数目,若动态粒子规模低于预设粒子规模值,则更新动态粒子规模,直至动态粒子规模与预设粒子规模值相等,获得更新粒子集。
8.根据权利要求7所述的基于粒子滤波算法的刀具磨损状态预测算法,其特征在于,
根据数目更新公式更新粒子数目,所述数目更新公式表达如下:
式中,Z1-σ表示标准正态分布的上1-σ分位值;参数采用先验参数,τ=0.15,σ=0.01,n为非空子集数。
9.根据权利要求1所述的基于粒子滤波算法的刀具磨损状态预测算法,其特征在于,
对所述更新粒子集中的粒子进行移动包括两种阶段,分别为全局移动阶段与局部移动阶段;
全局移动阶段基于规则公式进行全局移动,所述规则公式表达如下:
式中,其中q、r1、r2、r3、r4均为[0,1]内的随机数,ub、lb为搜索空间上、下限;Xrand为一随机粒子位置;Xrabbit为移动目标的位置,Xave为所有粒子的平均位置;
局部移动阶段根据随机数与预设值的大小关系选取移动方式。
10.根据权利要求1所述的基于粒子滤波算法的刀具磨损状态预测算法,其特征在于,
基于粒子滤波的似然分布构建所述适应度函数,所述适应度函数表达如下:
式中,Rk是观测噪声方差,yk是最新的观测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311190277.0A CN117150874B (zh) | 2023-09-15 | 2023-09-15 | 基于粒子滤波算法的刀具磨损状态预测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311190277.0A CN117150874B (zh) | 2023-09-15 | 2023-09-15 | 基于粒子滤波算法的刀具磨损状态预测算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117150874A true CN117150874A (zh) | 2023-12-01 |
CN117150874B CN117150874B (zh) | 2024-04-16 |
Family
ID=88886708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311190277.0A Active CN117150874B (zh) | 2023-09-15 | 2023-09-15 | 基于粒子滤波算法的刀具磨损状态预测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117150874B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101826852A (zh) * | 2010-03-11 | 2010-09-08 | 哈尔滨工程大学 | 基于粒子群优化算法的无迹粒子滤波方法 |
CN102215188A (zh) * | 2011-06-20 | 2011-10-12 | 哈尔滨工程大学 | 改进人工蜂群粒子滤波信道估计方法 |
CN109571141A (zh) * | 2018-11-01 | 2019-04-05 | 北京理工大学 | 一种基于机器学习的刀具磨损状态监测方法 |
US20210364482A1 (en) * | 2020-03-06 | 2021-11-25 | Dalian University Of Technology | Prediction method of part surface roughness and tool wear based on multi-task learning |
-
2023
- 2023-09-15 CN CN202311190277.0A patent/CN117150874B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101826852A (zh) * | 2010-03-11 | 2010-09-08 | 哈尔滨工程大学 | 基于粒子群优化算法的无迹粒子滤波方法 |
CN102215188A (zh) * | 2011-06-20 | 2011-10-12 | 哈尔滨工程大学 | 改进人工蜂群粒子滤波信道估计方法 |
CN109571141A (zh) * | 2018-11-01 | 2019-04-05 | 北京理工大学 | 一种基于机器学习的刀具磨损状态监测方法 |
US20210364482A1 (en) * | 2020-03-06 | 2021-11-25 | Dalian University Of Technology | Prediction method of part surface roughness and tool wear based on multi-task learning |
Non-Patent Citations (1)
Title |
---|
胡昭华;宋耀良;: "一种用于运动跟踪的加窗粒子滤波新算法研究", 南京理工大学学报(自然科学版), no. 03, 30 June 2007 (2007-06-30), pages 337 - 341 * |
Also Published As
Publication number | Publication date |
---|---|
CN117150874B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111300146B (zh) | 基于主轴电流和振动信号的数控机床刀具磨损量在线预测方法 | |
CN111633467B (zh) | 一种基于一维深度卷积自动编码器的刀具磨损状态监测方法 | |
CN110349597B (zh) | 一种语音检测方法及装置 | |
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 | |
CN111721835B (zh) | 空心钻磨削砂轮状态智能监测方法 | |
CN108197647B (zh) | 一种汽车起动机耐久测试数据的快速聚类方法 | |
CN110928237B (zh) | 一种基于振动信号的数控加工中心颤振在线辨识方法 | |
CN112207631B (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
CN114492198A (zh) | 一种基于改进pso算法辅助svm算法的切削力预测方法 | |
CN110084301B (zh) | 一种基于隐马尔可夫模型的多工况过程工况辨识方法 | |
CN117150874B (zh) | 基于粒子滤波算法的刀具磨损状态预测算法 | |
CN114974229A (zh) | 基于电力现场作业音频数据提取异常行为的方法和系统 | |
JP4796460B2 (ja) | 音声認識装置及び音声認識プログラム | |
Carvalho et al. | Automatic classification of bird sounds: using MFCC and mel spectrogram features with deep learning | |
CN113618491A (zh) | 一种拉刀磨损状态识别模型建立方法 | |
CN113523904A (zh) | 一种刀具磨损检测方法 | |
CN117428572A (zh) | 一种机床振动时域信号图像化处理的刀具磨损预测方法 | |
CN110148417B (zh) | 基于总变化空间与分类器联合优化的说话人身份识别方法 | |
CN112052880A (zh) | 一种基于更新权值支持向量机的水声目标识别方法 | |
Amar Bouzid et al. | CNC milling cutters condition monitoring based on empirical wavelet packet decomposition | |
Ding et al. | Machine tool fault classification diagnosis based on audio parameters | |
CN114708885A (zh) | 一种基于声音信号的风机故障预警方法 | |
Lipar et al. | Automatic recognition of machinery noise in the working environment | |
CN112529099A (zh) | 一种机器人铣削加工颤振辨识方法 | |
CN113792610B (zh) | 一种谐波减速器健康评估方法及装置 |
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 |