刀具磨损状态在线监测的深度核极限学习机方法及系统技术方案

本发明专利技术公开了一种刀具磨损状态在线监测的深度核极限学习机方法及系统,首先通过多个传感器采集刀具在不同磨损状态下的多通道信号；其次通过RS232端口将信号输送到DSP中进行信号处理，计算其多个统计特征参数；然后构造数据驱动的深度核函数，将样本信号映射到深度核空间，形成训练样本并存储在RAM中；最后在线监测时，计算采集到的多通道信号的特征，并映射到深度核空间形成测试样本与存储在RAM中的训练样本同时输入到极限学习机中进行分类，输出当前信号所处的磨损状态，实现刀具磨损状态在线监测。

【技术实现步骤摘要】
刀具磨损状态在线监测的深度核极限学习机方法及系统
本专利技术涉及制造过程监测领域，特别涉及一种刀具磨损状态在线监测的深度核极限学习机方法及系统。
技术介绍
随着现代制造业的不断发展，制造系统的自动化程度直接影响着企业生产效益，而数控机床的自动化程度是多数制造系统的组成部分。刀具作为数控机床最易受损的部件之一，其磨损程度与产品质量和生产效率密切相关。据统计，由于刀具破损而导致机床停机占机床总停机时间的近20％。因此，对刀具的磨损状态进行实时监测，以便提早发现异常状态是十分有价值和现实意义的。由于通过直接测量法测量刀具磨损状态难以实现在线监测，故越来越多的学者专注于间接测量法的研究。在产品加工过程中，单一的传感器所采集与刀具磨损有关的信息具有局限性。为了增强传感器信息在各种状态下的可靠性，减少不确定性，有必要用多传感器来取代单一的传感器。然而，用分类器进行分类时，不同物理场信号所适合的核函数不同，使用单个简单核进行映射并不合理。近年来，关于多核学习方法的研究越来越多，包括分层核学习方法(HKL)、基于Boosting的多核组合模型学习方法、基于半定规划(SDP)的多核学习方法等。本专利技术通过构造数据驱动的深度核函数，可以得到数据源最佳的核函数组合。
技术实现思路
本专利技术针对上述现有技术的不足,提供了一种刀具磨损状态在线监测的深度核极限学习机方法及系统。为了达到上述目的，本专利技术提供了一种刀具磨损状态在线监测的深度核极限学习机方法,包括以下步骤：S1、模型训练；具体步骤如下：S11、通过传感器采集多个通道刀具磨损状态相关的信号；S12、通过时域和频域分析，根据步骤S11中所采集到的信号计算其多个统计特征参数；S13、构造数据驱动的深度核函数；S14、通过步骤S13中所构造的深度核函数将各数据映射到深度核kMKL空间，形成训练样本集Xtr；S2、在线监测；具体步骤如下：S21、通过传感器实时采集多个通道刀具磨损状态相关的信号；S22、通过时域和频域分析，根据步骤S21中所采集到的信号计算其多个统计特征参数；S23、将各数据映射到模型训练中构造的数据驱动深度核kMKL空间，形成测试样本集Xte；S24、将训练样本集Xtr、测试样本集Xte及刀具磨损状态输入到极限学习机中，实现刀具磨损状态分类。进一步设置是所述的步骤S11具体包括：采集刀具在不同磨损状态时的多通道信号(Xj,Yj)，共有J类物理场，以第j类物理场为例，其时域信号数学形式为Xj＝xij(n)上式中，Xj＝{x1j,x2j,…,xmj}T∈Rm×n是采集的m×n阶原信号样本矩阵，其中n为信号的采点数，i＝1,2,…,m为信号采集次数；Yj＝{y1j,y2j,…,ylj}T∈Rl为第i次采集信号所对应的磨损状态，其中yij∈{c1,c2,…,cp}代表刀具不同磨损状态。进一步设置是所述的步骤S13具体包括：S131、构造数据驱动的深度核函数上式中ηs为第s个核函数所占的权重，α,β＝{1,2,…,m}；S132、对权重ηs进行优化；S133、得到优化后的深度核函数进一步设置是所述的步骤S132具体包括：对权重ηs进行优化，得到ηs*；条件分布其中γi表示第cp种刀具磨损状态的条件概率；优化γ，上式中，Λ为正则化参数，||γ||2表示γ的2范数；优化ηs*，上式中，ds(γ*)＝γ*TYKsYγ*,s∈{0,1,…,R}。本专利技术还提供了一种刀具磨损状态在线监测的深度核极限学习机系统,包括：模型训练单元，通过多类传感器采集m次刀具的相关模拟信号，通过RS232接口输送至DSP开发板中；统计特征参数提取单元，将多类传感器特征进行融合，生成特征信号构造数据驱动深度核单元，构造数据驱动的深度核函数，将数据映射到深度核空间，形成训练样本，并存储在RAM中；在线监测单元，采集M次刀具磨损相关信号，利用RAM存储的数据驱动的深度核函数，将数据映射到核空间形成测试样本；将训练样本与测试样本直接输入到核极限学习机中，在DSP中进行分类处理，得刀具所处的状态，并在显示屏上输出显示；当刀具磨损状态显示为重度磨损时，显示屏发出警告，提示操作者及时换刀。进一步设置是所述的在线监测单元由TL-6748F-EVM来搭建。本专利技术的有益效果是：本专利技术一方面采用基核的极限学习机进行分类，用核函数代替特征矩阵运算，改善了分类器的性能。另一方面构造了适用于异构数据的数据驱动深度核函数，避免了使用单一核函数对分类准确率的影响，提高分类的准确率。附图说明图1为本专利技术提供的一种刀具磨损状态在线监测的深度核极限学习机方法的流程图；图2为本专利技术提供的一种刀具磨损状态在线监测的深度核极限学习机系统的框图；图3为本专利技术中数字信号处理系统的简化框图；图4为本专利技术中刀具磨损状态在线监测流程图；图5为本专利技术中测试分类结果示意图；图6为本专利技术中训练与测试结果分析示意图。具体实施方式下面结合附图对本专利技术做进一步详细描述：如图1所示，为本专利技术实施例中，提出的一种刀具磨损状态在线监测的深度核极限学习机方法,包括以下步骤：S1、模型训练；具体步骤如下：S11、通过传感器采集多个通道刀具磨损状态相关的信号。其主要包含:采集刀具在不同磨损状态(正常、轻微磨损、中度磨损、重度磨损、破损)时的多通道信号(Xj,Yj)，共有J类物理场，以第j类物理场为例，其时域信号数学形式为：Xj＝xij(n)(1)式(1)中，Xj＝{x1j,x2j,…,xmj}T∈Rm×n是采集的m×n阶原信号样本矩阵，其中：n为信号的采点数，i＝1,2,…,m为信号采集次数。Yj＝{y1j,y2j,…,ylj}T∈Rl为第i次采集信号所对应的磨损状态，其中yij∈{c1,c2,…,cp}代表刀具不同磨损状态。S12、通过时域和频域分析，根据步骤S11中所采集到的信号计算其多个统计特征参数。其主要包含：其中，i＝1,2,…,m代表第i次采集的信号，为第i次采集的时域信号xi(n)的均值，si(k)为第i次采集的时域信号对应的频谱，k＝1,2,…,K代表谱线数，ui(k)为第i次采集的时域信号对应的功率谱。生成特征信号组：其中，l为单个物理场信号完整特征信号集的总数，将各物理场的特征进行融合，则全部物理场的特征为：S13、构造数据驱动的深度核函数。其主要包含：a)式(3)中ηs为第s个核函数所占的权重，α,β＝{1,2,…,m}。b)对权重ηs进行优化，得到ηs*条件分布其中γi表示第cp种刀具磨损状态的条件概率。优化γ：式(4)中，Λ为正则化参数，||γ||2表示γ的2范数。优化ηs*：式(5)中ds(γ*)＝γ*TYKsYγ*,s∈{0,1,…,R}。c)得到优化后的深度核函数S14、通过步骤S13中所构造的深度核函数将各数据映射到深度核kMKL空间，形成训练样本集Xtr。S2、在线监测；具体步骤如下：S21、通过传感器实时采集多个通道刀具磨损状态相关的信号。其主要包含：采集刀具在加工时的不同物理场信号，以第j类物理场为例，其时域信号数学形式为：Xj′＝xij′(n)(6)式(6)中，Xj′＝{x1j′,x2j′,…,xMj′}T∈RM×n是采集的M×n阶原信号样本矩阵，其中：n为信号的采点数，i＝1,2,…,M为信号采集次数。Yj′＝{y1j′,y2j′,本文档来自技高网...

【技术保护点】
1.一种刀具磨损状态在线监测的深度核极限学习机方法,其特征在于，包括以下步骤：S1、模型训练；具体步骤如下：S11、通过传感器采集多个通道刀具磨损状态相关的信号；S12、通过时域和频域分析，根据步骤S11中所采集到的信号计算其多个统计特征参数；S13、构造数据驱动的深度核函数；S14、通过步骤S13中所构造的深度核函数将各数据映射到深度核kMKL空间，形成训练样本集Xtr；S2、在线监测；具体步骤如下：S21、通过传感器实时采集多个通道刀具磨损状态相关的信号；S22、通过时域和频域分析，根据步骤S21中所采集到的信号计算其多个统计特征参数；S23、将各数据映射到模型训练中构造的数据驱动深度核kMKL空间，形成测试样本集Xte；S24、将训练样本集Xtr、测试样本集Xte及刀具磨损状态输入到极限学习机中，实现刀具磨损状态分类。

【技术特征摘要】
1.一种刀具磨损状态在线监测的深度核极限学习机方法,其特征在于，包括以下步骤：S1、模型训练；具体步骤如下：S11、通过传感器采集多个通道刀具磨损状态相关的信号；S12、通过时域和频域分析，根据步骤S11中所采集到的信号计算其多个统计特征参数；S13、构造数据驱动的深度核函数；S14、通过步骤S13中所构造的深度核函数将各数据映射到深度核kMKL空间，形成训练样本集Xtr；S2、在线监测；具体步骤如下：S21、通过传感器实时采集多个通道刀具磨损状态相关的信号；S22、通过时域和频域分析，根据步骤S21中所采集到的信号计算其多个统计特征参数；S23、将各数据映射到模型训练中构造的数据驱动深度核kMKL空间，形成测试样本集Xte；S24、将训练样本集Xtr、测试样本集Xte及刀具磨损状态输入到极限学习机中，实现刀具磨损状态分类。2.根据权利要求1所述的刀具磨损状态在线监测的深度核极限学习机方法,其特征在于，所述的步骤S11具体包括：采集刀具在不同磨损状态时的多通道信号(Xj,Yj)，共有J类物理场，以第j类物理场为例，其时域信号数学形式为Xj＝xij(n)上式中，Xj＝{x1j,x2j,…,xmj}T∈Rm×n是采集的m×n阶原信号样本矩阵，其中n为信号的采点数，i＝1,2,…,m为信号采集次数；Yj＝{y1j,y2j,…,ylj}T∈Rl为第i次采集信号所对应的磨损状态，其中yij∈{c1,c2,…,cp}代表刀具不同磨损状态。3.根据权利要求1所述的刀具磨损状...

【专利技术属性】
技术研发人员：周余庆，雷芝，向家伟，
申请(专利权)人：温州大学苍南研究院，
类型：发明
国别省市：浙江,33