一种基于变分模态分解与改进型BP神经网络的微铣刀磨损监测方法技术

本发明专利技术公开了一种基于变分模态分解与改进型BP神经网络的微铣刀磨损监测方法，首先通过VMD对微铣削振动信号进行信号处理和特征提取，并选择VMD分解后的内禀模式函数的峭度和偏态作为微铣刀磨损特征。接着利用基于优化算法的BPNN模型对提取的微铣刀磨损特征进行分类。本专利提出的微铣刀磨损监测方法能够快速准确地识别微铣刀的5种磨损状态，具有一定的理论价值和实践意义。

【技术实现步骤摘要】
一种基于变分模态分解与改进型BP神经网络的微铣刀磨损监测方法
本专利技术涉及精密制造
，特别是一种基于变分模态分解与改进型BP神经网络的微铣刀磨损监测方法。
技术介绍
由于具有加工材料的多样性和能加工复杂三维曲面的独特优势，微铣削已经广泛应用于微小型零部件的加工领域。然而，较小的刀具尺寸和较高的主轴转速导致微铣刀磨损较快，影响产品质量的一致性。微铣削技术具有加工材料的多样性和三维曲面加工的独特优势，在微观尺度的零部件加工方面具有广泛的应用。然而由于微铣削具有刀具尺寸小、切削速度高且切削不连续的特点，微铣刀磨损迅速，影响产品精度和表面质量。严重的刀具磨损也会引起刀具破损、折断和颤振，造成机床的损伤。因此，亟需提出一种有效的刀具磨损监测方法。目前刀具磨损监测主要包括两种方法：基于图像处理的直接法和基于数据驱动的间接法。直接法主要通过数字图像处理技术提取刀具磨损特征，可以得到具体的刀具磨损量，精度较高。然而，冷却液和切屑严重影响刀具磨损图像质量，加工过程中刀具与工件的连续接触也会不利于刀具磨损图像的获取。直接法采集加工过程中的切削力、振动、声发射及多传感信号，对其进行信号处理和特征提取，并通过一定的分类算法对提取的刀具磨损特征进行分类，实现刀具磨损状态的监测和识别。由于振动信号能够直接反映加工状态，传感器安装方便，本研究选择加速度信号进行微铣刀磨损状态监测。当前，振动信号主要通过时域、频域和时频域等信号处理方法提取特征，其中，兼具时域和频域特征的时频域信号处理方法应用较广。例如，短时傅立叶变换(ShorttimeFouriertransform，STFT)利用窗函数将非平稳信号转换成多段短平稳信号的叠加，但固定的窗函数使得信号的高频和低频部分具有相同的分辨率，计算精度和效率难于平衡。作为替代方案，使用小波包变换(Waveletpackettransform,WPT)可以灵活调整时间-尺度函数，可以很好地解决这一问题。然而，小波包变换需要选择合适的“母小波”和分解层数，需要一定的工程经验。经验模态分解(Empiricalmodeldecomposition，EMD)完全从信号的固有特征出发，通过Hilbert-Huang变换获得一系列正交的内禀模式函数(IntrinsicModeFunction,IMF)，不需要太多的干扰。然而，EMD依然存在模式混合和末端效应的问题。和EMD相比，变分模态分解(VariationalModeDecomposition，VMD)既可以进行自适应分解，又能够自主选择模式分解层数，很好地融合了小波包变换与EMD的优点，具有更高的计算精度和灵活性。特征分类方法的选择直接影响刀具磨损状态的最终分类精度，常用的特征分类方法包括K近邻(KNearestNeighbors，KNN)[14]、朴素贝叶斯(NaiveBayesianMode,NBM)[15]、决策树(DecisionTrees,DT)[16]、支持向量机(SupportVectorMachine,SVM)[17]和BP神经网络(BackPropagationNeuralNetwork，BPNN)[18]。和其它分类算法相比，BPNN结构简单、易于实现，已经成为特征分类的有力工具。然而，和其它分类算法一样，BPNN的神经元之间的连接权值和阈值难于确定，导致出现过拟合和局部最优的问题。为解决这些问题，本专利采用粒子群算法(Particleswarmoptimization,PSO)对BPNN模型的连接权值和阈值进行优化，避免BPNN模型出现过拟合和局部最优的问题，提高BPNN模型的分类精度。
技术实现思路
针对现有技术中存在的问题，本专利技术提供了一种避免BPNN模型出现过拟合和局部最优的问题，提高BPNN模型的分类精度的基于变分模态分解与改进型BP神经网络的微铣刀磨损监测方法。本专利技术的目的通过以下技术方案实现。一种基于变分模态分解与改进型BP神经网络的微铣刀磨损监测方法，步骤包括：1)首先通过变分模态分解算法对微铣削振动信号进行信号处理和特征提取，并选择变分模态分解算法分解后的内禀模式函数的峭度和偏态作为微铣刀磨损特征；2)接着利用基粒子群算法优化算法的BP神经网络模型对提取的微铣刀磨损特征进行分类。所述变分模态分解算法的实施过程包括：构造变分问题和求解变分问题，所述求解变分问题通过迭代的方式不断更新中心频率和带宽。所述构造变分问题为假设采集到的振动信号X＝[x(1),x(2),…,x(n)]，其中，n表示信号长度，首先对分解得到的K个IMF分量uk(t)进行Hilbert变换，并构造变分问题如式其中：为对t求偏导数，δ(t)为冲击函数，wk＝(w1,…,wk)表示各IMF分量的中心频率。所述求解变分问题为引入二次惩罚因子α和Lagrange乘法算子λ(t)，扩展的Lagrange表达式如式所述变分问题的迭代求解流程包括a)初始化b)循环条件n＝n+1；c)满足ω≥0时，更新d)更新ωk(t)：e)更新λ：式中τ为噪声容限参数，设τ＝0可以达到较好的降噪效果，一直迭代，直至满足迭代约束条件如式结束迭代。所述基粒子群算法优化算法的BP神经网络模型为假设全局最优位置为Pg＝(pg1,pg2,...,pgm)，同时第i个粒子的速度为Vi＝(vi1,vi2,...,vim)，每个粒子的新速度和位置通过式和式进行计算，其中，c1和c2是两个加速度系数；w是控制粒子群全局搜索和局部搜索能力的惯性因子；r1和r2是[0,1]之间的任意两个数；αi是第i个粒子的当前最好位置，将BP神经网络分类精度作为目标函数，基粒子群算法优化算法用来优化BP神经网络模型的输入参数。相比于现有技术，本专利技术的优点在于：在对各种特征提取和分类算法深入分析的基础上，本专利提出了基于VMD和BPNN-PSO的微铣刀磨损监测方法。首先对微铣刀振动信号进行VMD分解，并提取IMF1分量的峭度和偏态作为微铣刀磨损特征。接着利用基于PSO的BPNN模型实现微铣磨损特征分类。结果表明，和其它分类算法相比，本专利提出的微铣刀磨损监测方法在分类精度和计算效率方面具有综合优势，能够快速准确地识别初始磨损、轻度磨损、中度磨损、重度磨损和刀具失效5种磨损状态，对刀具磨损监测方面的研究具有一定的参考价值。附图说明图1为本专利技术结构框图。图2为三层网络的BPNN模型示意图。图3为SVM-PSO的流程图。图4为加工中心z轴方向的振动信号图。图5为微铣刀切削部位图像。图6为切削时刻加速度信号的VMD分解及FFT变换结果。图7为不同磨损状态下各IMF分量的峭度。图8为不同磨损状态下各IMF分量的偏态。图9为BPNN-PSO与其它算法的计算结果。图10为训练样本数量对计算结果的影响。图11为各个微铣刀磨损特征对计算结果的影响。具体实施方式下面结合说明书附图和本文档来自技高网...

【技术保护点】
1.一种基于变分模态分解与改进型BP神经网络的微铣刀磨损监测方法，其特征在于步骤包括：/n1)首先通过变分模态分解算法对微铣削振动信号进行信号处理和特征提取，并选择变分模态分解算法分解后的内禀模式函数的峭度和偏态作为微铣刀磨损特征；/n2)接着利用基粒子群算法优化算法的BP神经网络模型对提取的微铣刀磨损特征进行分类。/n

【技术特征摘要】
1.一种基于变分模态分解与改进型BP神经网络的微铣刀磨损监测方法，其特征在于步骤包括：
1)首先通过变分模态分解算法对微铣削振动信号进行信号处理和特征提取，并选择变分模态分解算法分解后的内禀模式函数的峭度和偏态作为微铣刀磨损特征；
2)接着利用基粒子群算法优化算法的BP神经网络模型对提取的微铣刀磨损特征进行分类。


2.根据权利要求1所述的一种基于变分模态分解与改进型BP神经网络的微铣刀磨损监测方法，其特征在于所述变分模态分解算法的实施过程包括：构造变分问题和求解变分问题，所述求解变分问题通过迭代的方式不断更新中心频率和带宽。


3.根据权利要求2所述的一种基于变分模态分解与改进型BP神经网络的微铣刀磨损监测方法，其特征在于所述构造变分问题为假设采集到的振动信号X＝[x(1),x(2),…,x(n)]，其中，n表示信号长度，首先对分解得到的K个IMF分量uk(t)进行Hilbert变换，并构造变分问题如式其中：为对t求偏导数，δ(t)为冲击函数，wk＝(w1,…,wk)表示各IMF分量的中心频率。


4.根据权利要求2或3所述的...

【专利技术属性】
技术研发人员：王二化，赵黎娜，赵宇航，蔡力为，张娟，
申请(专利权)人：常州信息职业技术学院，
类型：发明
国别省市：江苏;32