一种基于EMD-SVM的刀具磨损监测方法技术

本发明专利技术涉及一种刀具磨损监测方法及系统，方法包括：获取刀具磨损时的信号，拟合刀具磨损曲线，对数据进行分类；对信号进行分析得出其时频域特点；采用选取的特征值计算方式对信号进行特征值提取，得到可靠的低维压缩信号；采用得到的特征值并将其标记，输入SVM中得到学习模型；利用得到的模型进行加工指导。本发明专利技术从刀具磨损对应信号获得刀具磨损曲线，对数据进行划分，获得更准确的数据类型。同时提取信号特征值进行神经网络学习，计算结果更为准确。利用模型进行加工指导，使加工更具简便性。

【技术实现步骤摘要】
一种基于EMD-SVM的刀具磨损监测方法
本专利技术涉及了刀具磨损监测领域，特别是一种基于EMD-SVM的刀具磨损监测方法。
技术介绍
刀具磨损作为最主要的刀具失效形式，关乎着制造的精度及产品的表面质量。测量刀具磨损的方法主要分为直接观察法和间接观察法。直接观察法就是测量刀具磨损量来衡量，包括监测磨损宽度、磨损面大小等。常用的方法有接触法、辐射法和光学检测法。它存在两个主要缺陷，一是不能对刀具磨损状态进行实时监测，另一个是停机检测极大降低工作效率。间接观察法就是基于对与磨损或破损密切相关信号的监测，构建监测信号与刀具状态的模型，从而间接获取当前磨损状态。因此构建刀具磨损模型并识别刀具磨损具有重要的现实意义。只是监测铣削时的信号不能准确的反应刀具磨损情况，通过机器学习将监测的信号作为输入进行训练最终实现刀具磨损的识别，由于深度学习及其他学习模型所需数据量大、运算速度慢，BP神经网络准确性相对不稳定。SVM由于其算法简单和具有优秀的“学习”能力，本专利技术采用线性分类器对数据进行学习，从而达到刀具磨损识别的效果。
技术实现思路
为解决上述问题，本专利技术采用的技术方案如下：首先获取钛合金铣削的力信号，并设铣削力信号为s(t)，表示时刻所采集的力信号，其特征在于：所述的刀具磨损识别方法分3部分：一、首先对信号进行EMD变换，步骤如下：1)首先找出信号s(t)所有的极大值点并将其用三次样条函数拟合成原数据序列上的包络线，再找出所有的极小值点并将其用三次样条函数拟合成原数据；2)计算上下包络线的均值，记为m1(t)，把原数据序列s(t)减去该均值即可得到一个去掉低频的新数据序列h1：s(t)-m1(t)＝h1(t)(1)3)h1(t)一般不是一个IMF分量序列，为此需要对它重复进行上述处理过程。重复进行上述处理过程k次，直到h1(t)符合IMF的定义要求：所得到的均值趋于零。这样就得到了第一个IMF分量c1(t)，它代表信号s(t)中最高频率的分量：h1(k-1)(t)-m1k(t)＝h1k(t)(2)c1(t)＝h1k(t)(3)4)将c1(t)从s(t)从中分离出来，即得到一个去掉高频分量的差值信号r1(t)，将r1(t)作为原始数据，重复以上步骤，得到第二个IMF分量c2(t)，重复n次，得到n个IMF分量。这样就有：当cn(t)或rn(t)满足给定的终止条件(通常rn(t)使成为一个单调函数)时，循环结束，由上面两个式子可以得到：将信号分解后选择有用的本征模态(IntrinsicModeFunction，简称IMF)组成新的信号x(t)进行处理。二、特征提取主要对信号进行特征提取，主要有3个特征值，步骤如下：1.I-kazTM将动态信号分解为三个频率范围，其中低频(Lf)范围为0-0.25fmax，高频(Hf)范围为0.25fmax-0.5fmax。极高频(VF)范围为大于0.5fmax。计算每个频带的方差：I-kazTM的系数可以用Z∞来表示：2.功率谱熵功率谱熵(Powerspectralentropy，简称PSE)是“信息熵”在频域中的扩展，它与频率分量的分布有关。计算的具体步骤如下：1)计算信号x(t)的功率谱：其中N表示数据长度，X(w)为x(t)的傅里叶变换；2)功率谱的概率密度函数可以通过对所有频率分量的归一化来计算：其中s(fi)为频率分量fi的光谱能量，pi为相应的概率密度，N为FFT中频率分量的总数；3)功率谱熵定义为：为了比较不同的工作条件，结果由因子logN标准化：3.标准差计算方式如公式(14)所示：提取以上三个值构成特征值空间。三、刀具磨损识别将实验数据采取的刀具磨损随时间变化拟合成刀具磨损曲线，将数据分成对应刀具磨损曲线初期磨损、正常磨损、急剧磨损三个阶段，提取特征值，作为输入训练SVM模型中进行训练。由于对给出的数据没有先验知识，SVM采用径向基函数(RadialBasisFunction，简称RBF)：采用本专利技术的有益效果是：本专利技术所涉及的一种基于EMD-SVM的刀具磨损监测方法，用EMD将加速度信号分解为多个IMF，将分解完的信号重构为新信号，然后将新信号划分成一系列段。分别计算每个分段的I-kazTM、功率谱熵及均方根。得到铣削状态的特征向量矩阵。以特征向量矩阵为输入特征，最后建立了以SVM为基础的刀具磨损识别模型。根据该模型可以准确判断刀具磨损阶段。相同实验参数下不同批次数据进行验证。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是铣削力信号及其频域；图2是分解后的IMF及其频域；图3是实验所用刀具磨损曲线；图4是验证本专利技术的准确率；图5是EMD-SVM的整体流程图。具体实施方式为解决上述问题，本专利技术采用的技术方案如下：首先获取钛合金铣削的力信号，并设铣削力信号为s(t)，表示时刻所采集的力信号，其特征在于：所述的刀具磨损识别方法分3部分：一、首先对信号进行EMD变换，步骤如下：1)首先找出信号s(t)所有的极大值点并将其用三次样条函数拟合成原数据序列上的包络线，再找出所有的极小值点并将其用三次样条函数拟合成原数据；2)计算上下包络线的均值，记为m1(t)，把原数据序列s(t)减去该均值即可得到一个去掉低频的新数据序列h1：s(t)-m1(t)＝h1(t)(1)3)h1(t)一般不是一个IMF分量序列，为此需要对它重复进行上述处理过程。重复进行上述处理过程k次，直到h1(t)符合IMF的定义要求：所得到的均值趋于零。这样就得到了第一个IMF分量c1(t)，它代表信号s(t)中最高频率的分量：h1(k-1)(t)-m1k(t)＝h1k(t)(2)c1(t)＝h1k(t)(3)4)将c1(t)从s(t)从中分离出来，即得到一个去掉高频分量的差值信号r1(t)，将r1(t)作为原始数据，重复以上步骤，得到第二个IMF分量c2(t)，重复n次，得到n个IMF分量。这样就有：当cn(t)或rn(t)满足给定的终止条件(通常rn(t)使成为一个单调函数)时，循环结束，由上面两个式子可以得到：将信号分解后选择有用的本征模态(IntrinsicModeFunction，简称IMF)组成新的信号x(t)进行处理。二、特征提取主要对信号进行特征提取，主要有3个特征值，步骤如下：...

【技术保护点】
1.一种刀具磨损监测方法，其特征在于，包括：/n获取刀具磨损时的信号，拟合刀具磨损曲线，对数据进行分类；/n对信号进行分析得出其时频域特点；/n采用选取的特征值计算方式对信号进行特征值提取，得到可靠的低维压缩信号；/n采用得到的特征值并将其标记，输入SVM中得到学习模型；/n利用得到的模型进行加工指导。/n

【技术特征摘要】
1.一种刀具磨损监测方法，其特征在于，包括：
获取刀具磨损时的信号，拟合刀具磨损曲线，对数据进行分类；
对信号进行分析得出其时频域特点；
采用选取的特征值计算方式对信号进行特征值提取，得到可靠的低维压缩信号；
采用得到的特征值并将其标记，输入SVM中得到学习模型；
利用得到的模型进行加工指导。


2.根据权利要求1所述的设计方法，其特征在于，对信号进行时频域分析并拟合磨损曲线对数据进行分类，具体为：
对数据进行频域变换，得到数据时、频域；
对刀具磨损进行拟合，对其对应数据进行分类处理。


3.根据权利要求2所述的设计方法，其特征在于，所述采用特征值计算方法提取特征值，具体为：
根据信号时域特点提取信号标准差作为特征值；
根据信号频域特点提取信号I-kazTM作为频域特征值；
根据信号...

【专利技术属性】
技术研发人员：谢振龙，严复钢，魏学涛，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：黑龙江;23