The invention provides a method for processing multi-sensor monitoring tool status based on band-pass filtering. Firstly, a plurality of physical field channel signals are measured by a plurality of sensors, and 10 statistical parameters of the filtered signals of each sensor channel are calculated. Then, an improved extreme learning machine (ELM) is used for each sensor channel for classification training. Secondly, according to the results of multi-core ELM classification training, the Pareto optimal channel set of tool state recognition rate is selected; then the signals collected from the tool sensing channel are filtered, and the class probabilities of each Pareto optimal channel of the tool to be measured are calculated and weighted; finally, according to the maximization principle, the sum is obtained. The largest corresponding tool recognition rate is the current state of the tool to be measured. The invention can avoid the risk of effective information loss caused by combined feature extraction and signal analysis by the existing multi-sensor monitoring and diagnosing tool state method, and improve the identification accuracy of tool state.
【技术实现步骤摘要】
一种基于带通滤波处理多传感监测刀具状态的方法
本专利技术涉及机械故障诊断
和计算机
,尤其涉及一种基于带通滤波处理多传感监测刀具状态的方法。
技术介绍
随着市场竞争的日益激烈,制造型企业对生产过程的自动化需求不断增加,数控机床的自动化是大多数制造过程自动化的重要组成部分。刀具作为数控机床最易损伤的部件,对其进行及时有效的状态监测与故障识别至关重要,主要原因在于:(1)据统计,在切削加工中,刀具故障通常约占机床停机时间的20%,而频繁的停机换刀严重影响企业的生产效率;(2)如若刀具发生故障而没有及时发现,会直接影响零件表面光洁度、尺寸精度等质量特性,严重的还将导致工件报废,增加生产成本。因此,加工过程中的实时刀具状态监测(TCM)是自动化制造中的关键研究课题,如何在加工过程中有效地监测刀具状态,识别刀具的损伤程度,已成为数控机床智能化以及生产过程自动化发展急需解决的问题。近年来,基于传感器的间接式刀具状态监测TCM方法受到了国内外学者的广泛关注。基于传感器的TCM方法是通过传感器获取切削加工过程的相关信号,借助信号处理和统计分析技术对刀具状态进行估计,以达到实时监测刀具运行状态的目的。目前,学者们开展了大量TCM研究,已提出了诸多比较有效的TCM的方法,这为高精度、高可靠性的TCM提供了一定的技术基础。然而,目前大多数研究侧重于单一传感器监测与诊断。不同物理场信号对刀具不同状态(磨损、破损等)的识别精度不尽相同,基于单一传感器的监测方法容易导致刀具状态的漏判和误判。另外,虽然已有少数学者开展了基于多传感信号的刀具监测与诊断研究,但所采用的方法均是 ...
【技术保护点】
1.一种基于带通滤波处理多传感监测刀具状态的方法,其特征在于,包括以下步骤:步骤(1)、采集C种刀具状态下的M个物理场传感通道的时域信号,每种刀具状态分别采集T次和TT次,采样频率为Fs;其中,T次组成训练样本集
【技术特征摘要】
1.一种基于带通滤波处理多传感监测刀具状态的方法,其特征在于,包括以下步骤:步骤(1)、采集C种刀具状态下的M个物理场传感通道的时域信号,每种刀具状态分别采集T次和TT次,采样频率为Fs;其中,T次组成训练样本集c=1,2,...,C,m=1,2,...,M,t=1,2,...,T,m表示第m个物理场传感器,c表示第c类,t表示第t次采集的信号,Nm表示第m个物理场传感通道每次采样的信号点数;C、M、Nm和T均为大于1的正整数;其中,TT次组成检验样本集c=1,2,...,C,m=1,2,...,M,t=1,2,...,TT;TT为大于1的正整数;步骤(2)、对训练样本集的数据进行傅里叶变换,得到频域数据集提取变化后的峰值所对应的频率并令设置信号数据的通带范围为IPF~Fbm对频域数据集中的每一个频域数据进行过滤,其中,IPF=v*z,v表示铣床主轴的转速,z表示刀具刀齿的数目;t=1,2,...,T;步骤(3)、计算过滤后的每一个频域数据的10个统计特征参数,并构成对应的特征参数集步骤(4)、对M个物理场传感通道的信号数据进行多核极限学习机分类训练;以第m个物理场传感通道为例,其多核极限学习机分类训练算法如下:算法输入:(4.1)选取K种核函数,计算训练样本的K个核函数矩阵k=1,2,...,K;其中,为训练样本中任意两个样本点i和j的第k个核函数值;i、j和K均为正整数;(4.2)令初始核函数权重向量为wm={1/K,1/K,…,1/K},并构造样本-类别矩阵Q=(qij)CT×C;其中,ci表示第i个样本对应的类别;(4.3)计算总核函数矩阵:(4.4)计算结构参数:am=(H+E/2)-1Q;其中,E表示单位矩阵;(4.5)更新核函数权重向量:其中,(4.6)当时,令k=1,2,...,K,返回步骤(4.3)步迭代更新结构参数am和核函数权重向量(4.7)输出第m个物理场传感通道优化后的结构参数和核函数权重向量步骤(5)、采用步骤(2)对M个物理场传感通道的检验样本集t=1,2,...,TT进行带通滤波及傅里叶变换后,得到预处理后的检验样本集t=1,2,...,TT,利用各物理场传感通道的多核ELM,计算各物理场传感通道学习机的刀具状态识别率向量dm;(5.1)计算属于第i类刀具状态的概率构成的刀具状态分类概率向量G={g1,g2,...,gC};(5.2)判断所属刀具状态yc:(5.3)计算检验正确数umt:(5.4)计算各物理场传感通道学习机的刀具状态识别率dm:其中,表示第m通道学习机对第c类刀具状态的识别率;步骤(6)、遴选出刀具状态识别率的Pareto最优通道集;(6.1)根据各物理场传...
【专利技术属性】
技术研发人员:周余庆,雷芝,孙兵涛,高晨,
申请(专利权)人:温州大学,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。