一种基于多尺度主元分析的刀具磨损在线监测方法技术

本发明专利技术公开一种基于多尺度主元分析的刀具磨损在线监测方法，将原始数据集分为训练样本和测试样本，通过小波分解将训练样本分解成多个尺度，利用主元分析对各个尺度及整体进行降维处理构建模型；将测试样本依据训练样本的层数进行小波分解，将各尺度下的数据加载到相应尺度的主元模型上计算出各尺度下数据的SPE和T2统计量；对显著尺度上的信号利用小波重构方法组成一个新的测试样本，加载到整体主元模型上，通过计算SPE和T2统计量并判断是否超出控制限，如果超出则说明过程刀具磨损异常，否则为刀具磨损正常，从而监测处刀具的磨损状态。本发明专利技术提高了加工过程中刀具磨损的在线识别的准确率，特别是对难加工材料存在复杂非线性信号的具有强的适应性。

【技术实现步骤摘要】

本专利技术涉及一种机床刀具的状态监测与辨识
，特别是涉及。
技术介绍
目前，刀具磨损状态监测方法主要是基于传感器信号建立信号特征与刀具磨损状态之间关系模型，并利用模式识别技术间接监测刀具磨损状态的方法。但是这种方法的缺点是信号中噪声较多、信息量大、计算困难以及磨损模型难建立等。虽然支持向量机(SVM)、人工神经网络(ANN)以及隐马尔科夫模型(HMM)等模式识别方法在刀具磨损状态监测中取得了很好的应用效果，但是还存在着很多缺点，尤其是在难加工材料加工过程的刀具磨损状态监测中。首先，这些方法需要有大量包含多种磨损状态的实验数据来训练模型，这就意味着一种切削参数下的实验要进行很多次。对于普通材料来说，这样的实验是可行的；但是，在难加工材料加工过程中，难加工材料不但材料昂贵，而且加工费时费力，刀具极易发生磨损，我们很难获得所有刀具磨损状态下的数据。更重要的是，刀具磨损状态是多种多样的，由于训练样本以及模型的复杂性，建模过程是非常耗时的。这一点显然是无法满足实际加工的在线监测需要。因此提供精确可靠的刀具状态监测系统是解决此类加工难题行之有效的方法之一。
技术实现思路
针对目前刀具状态监测的不足，本专利技术提出了一种基于多尺度主元分析的刀具磨损状态监测方法，以主元分析(PCA)为基础结合小波分析的多尺度主元分析(MSPCA)
实现刀具状态的在线监测。本专利技术提出了一种基于多尺度主元分析(MSPCA)的刀具磨损状态监测方法基于多尺度主元分析的刀具磨损在线监测方法，该方法包括以下步骤：步骤一，获取在线监测时间内，刀具加工运行的原始信号数据；包括加工过程中刀具对工件两个侧面和顶面的三个方向的切削力信号数据和振动信号数据，将所述原始信号数据构成样本集；步骤二，通过对上述采集的原始信号数据进行滤波降噪、提取时域和频域12个特征参数，将样本集分为训练样本集和测试样本集；步骤三，通过小波分解将训练样本集分解成多个尺度，小波分解后，得到一个近似矩阵AL和L个细节矩阵，AL为目标层的尺度函数系数组成的向量，L个细节矩阵为每一层产生的小波函数系数组成的向量；步骤四，利用主元分析对多个尺度下的所述训练样本集的数据分别进行建模，构建整体主元模型以及计算相应的SPE值及控制限和T2统计量及控制限；步骤五，步骤五，将测试样本依据训练样本的层数进行小波分解，将各分解尺度下的数据加载到相应尺度的主元模型上计算出各尺度下数据的SPE和T2统计量：在i时刻，SPE统计量表示为：SPEi=Xi(I-PkPkT)XiT]]>其中，Xi为i时刻测得的数据，I为单位矩阵，Pk为主元模型的负荷矩阵；在i时刻，T2统计量以及控制限表示为：Ti2=XiPkO-1PkTXiT]]>其中，O为前k个主元的特征值组成的对角矩阵，Xi为i时刻测得的数据，Pk为主元模型的负荷矩阵；判断显著尺度，舍弃非显著尺度；步骤六，将显著尺度上的信号利用小波重构方法组成一个新的测试样本；步骤七，所述新的测试样本将加载到整体主元模型上，计算SPE控制限和T2统计量，并判断是否超出相应控制图的控制限SPE控制限表示为：SPEα=θ1[Cα2θ2h2θ1+1+θ2h(h-1)θ12]1h]]>其中，λ为前k个主元的特征值组成的对角矩阵，k是主元个数，m是变量个数，Cα是正态分布在假设检验水平为α下的临界值；T2控制限表示为：Tα=k(m-1)(m+1)m(m-k)Fk,m-k,α]]>其中，k为主元个数，m为变量个数，Fk,m-k,α为对应于检验水平为α、自由度为k、n-1条件下的F分布临界值；如果超出，则说明过程刀具磨损异常；否则，说明过程刀具磨损正常。所述步骤二中的12个特征参数包括6个时域特征指标即包括均值、均方根、峰峰值、方差、峭度、偏度和6个频域特征指标即功率谱和、功率谱均值、功率谱峰值、功率谱方差、功率谱峭度、功率谱偏度。所述步骤四的利用主元分析对多个尺度下的所述训练样本集的数据分别进行建模的步骤，具体包括以下处理：获取正常刀具加工过中的信号数据；对训练样本集X′进行标准化处理；将训练样本集中数据X进行协方差矩阵分解，数据X表示为：X＝SPT其中：S＝[s1,s2,s3,…,sm]称为得分矩阵，顺序按向量的模的大小排列，提取的是前后数据间的相互关系。P＝[p1,p2,p3,…,pm]称为负荷矩阵，反映了变量间的相互关系；计算各主元贡献率，依序将主元的贡献率累加，达到阈值后，确定主元个数。与现有技术相比，本专利技术充分考虑到刀具磨损多尺度、非线性信号，依据难加工材料刀具磨损的特点，通过对预处理和提取特征之后的数据进行小波分解，分解到多个尺度上，克服了主元分析只适合于单尺度主元分析的缺点；再利用主元分析降低各尺度数据的维数，有效减小变量间的相关性，减少模型计算量。通过主元模型及相应的SPE值及控制限和T2统计量及控制限，可以准确的识别刀具磨损处于正常或异常的状态；提高了加工过程中刀具磨损的在线识别的准确率，特别是对难加工材料存在复杂非线性信号的具有强的适应性，对刀具磨损识别具有重要意义，在提高加工表面质量也具有重要意义。附图说明图1为本专利技术的一种基于多尺度主元分析的刀具磨损在线监测方法流程图；图2为本专利技术的一种基于多尺度主元分析的刀具磨损在线监测方法的多尺度主元分析示意图；图3为本专利技术一种基于多尺度主元分析的刀具磨损在线监测方法的多离散小波分解示意图。具体实施方式本专利技术与其他模式识别方法不同，它不需要训练样本包含多种刀具磨损状态下的数
据，只是利用刀具正常切削时的信号进行建模。其次，本专利技术利用离散小波分解从多个尺度上监测了刀具磨损状态是否发生，十分适合处理加工过程中多尺度、非线性、非平稳信号。更重要的是，该方法基于主元分析(PCA)方法克服了多传感器融合技术带来的信息冗余、变量相关度高等缺点，降低了数据维度，简化模型运算过程，对于刀具磨损状态在线监测具有重要意义。以下通过待定的具体实例并结合附图说明本专利技术的实施方式，本领域技术人员可以由本说明书所揭示的内容轻易地了解本专利技术的其他优点和功效。本专利技术亦可通过其他不同的具体实例加以实行或应用，本说明书中的各项细节亦可基于不同观点与应用，在不背离本专利技术的精神下进行各种修饰与变更。如图1所示，本专利技术一种刀具磨损在线监测方法，包括如下步骤：步骤101，获取一定时间内的刀具加工运行的原始信号数据；在该步骤中，所述原始信号数据包括：1)通过一个测力仪采集加工过程中刀具对工件的力的作用，由于刀具磨损程度的不同，对工件施加的力是变化的，通过采集的力信号的数据，做数据分析，可以得到刀具磨损的程度；2)选用三个加速度传感器，分别安装在工件两个侧面和顶面，测量三个方向的振动信号，用于采集加工过程中工件的振动数据，同样，由于刀具磨损程度不同，产生的振动程度也不同；在本专利技术中，通过结合这两种传感器采集的数据信息，对刀具的磨损程度做分析判断；步骤102，对上述采集的数据信息进行滤波降噪和特征提取，得到样本集，将样本集分为训练样本集和测试样本集；步骤103，选择适当的小波函数对训练样本进行小波分解，分解到多个尺度下；本文档来自技高网...

【技术保护点】
一种基于多尺度主元分析的刀具磨损在线监测方法，其特征在于，该方法包括以下步骤：步骤一，获取在线监测时间内，刀具加工运行的原始信号数据；包括加工过程中刀具对工件两个侧面和顶面的三个方向的切削力信号数据和振动信号数据，将所述原始信号数据构成样本集；步骤二，通过对上述采集的原始信号数据进行滤波降噪、提取时域和频域12个特征参数，将样本集分为训练样本集和测试样本集；步骤三，通过小波分解将训练样本集分解成多个尺度，小波分解后，得到一个近似矩阵AL和L个细节矩阵，AL为目标层的尺度函数系数组成的向量，L个细节矩阵为每一层产生的小波函数系数组成的向量；步骤四，利用主元分析对多个尺度下的所述训练样本集的数据分别进行建模，构建整体主元模型以及计算相应的SPE值及控制限和T2统计量及控制限；步骤五，将测试样本依据训练样本的层数进行小波分解，将各分解尺度下的数据加载到相应尺度的主元模型上计算出各尺度下数据的SPE控制限和T2统计量：在i时刻，SPE控制限表示为：SPEi=Xi(I-PkPkT)XiT]]>其中，Xi为i时刻测得的数据，I为单位矩阵，Pk为主元模型的负荷矩阵；在i时刻，T2统计量以及控制限表示为：Ti2=XiPkO-1PkTXiT]]>其中，O为前k个主元的特征值组成的对角矩阵，Xi为i时刻测得的数据，Pk为主元模型的负荷矩阵；判断显著尺度，舍弃非显著尺度；步骤六，将显著尺度上的信号利用小波重构方法组成一个新的测试样本；步骤七，所述新的测试样本将加载到整体主元模型上，计算SPE控制限和T2统计量，并判断是否超出相应控制图的控制限SPE控制限表示为：SPEα=θ1[Cα2θ2h2θ1+1+θ2h(h-1)θ12]1h]]>其中，λ为前k个主元的特征值组成的对角矩阵，k是主元个数，m是变量个数，Cα是正态分布在假设检验水平为α下的临界值；T2控制限表示为：Tα=k(m-1)(m+1)m(m-k)Fk,m-k,α]]>其中，k为主元个数，m为变量个数，Fk,m‑k,α为对应于检验水平为α、自由度为k、n‑1条件下的F分布临界值；如果超出，则说明过程刀具磨损异常；否则，说明过程刀具磨损正常。...

【技术特征摘要】
1.一种基于多尺度主元分析的刀具磨损在线监测方法，其特征在于，该方法包括以下步骤：步骤一，获取在线监测时间内，刀具加工运行的原始信号数据；包括加工过程中刀具对工件两个侧面和顶面的三个方向的切削力信号数据和振动信号数据，将所述原始信号数据构成样本集；步骤二，通过对上述采集的原始信号数据进行滤波降噪、提取时域和频域12个特征参数，将样本集分为训练样本集和测试样本集；步骤三，通过小波分解将训练样本集分解成多个尺度，小波分解后，得到一个近似矩阵AL和L个细节矩阵，AL为目标层的尺度函数系数组成的向量，L个细节矩阵为每一层产生的小波函数系数组成的向量；步骤四，利用主元分析对多个尺度下的所述训练样本集的数据分别进行建模，构建整体主元模型以及计算相应的SPE值及控制限和T2统计量及控制限；步骤五，将测试样本依据训练样本的层数进行小波分解，将各分解尺度下的数据加载到相应尺度的主元模型上计算出各尺度下数据的SPE控制限和T2统计量：在i时刻，SPE控制限表示为：SPEi=Xi(I-PkPkT)XiT]]>其中，Xi为i时刻测得的数据，I为单位矩阵，Pk为主元模型的负荷矩阵；在i时刻，T2统计量以及控制限表示为：Ti2=XiPkO-1PkTXiT]]>其中，O为前k个主元的特征值组成的对角矩阵，Xi为i时刻测得的数据，Pk为主元模型的负荷矩阵；判断显著尺度，舍弃非显著尺度；步骤六，将显著尺度上的信号利用小波重构方法组成一个新的测试样本；步骤七，所述新的测试样本将加载到整体主元模型上，计算SPE控制限和T2统计量，并判断是否超出相应控制图的控制限SPE控制限表示为：SPE&alp...

【专利技术属性】
技术研发人员：王国锋，吴丽蕊，杨星焕，宋庆月，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12