一种基于半监督学习的振动信号和图像特征机床刀具磨损状态监测方法技术

本发明专利技术涉及一种半监督学习的振动信号和图像特征机床刀具磨损状态监测方法，包括：(1)以精确匹配机床刀具磨损面积值为目标，建立刀具磨损图像到磨损面积的映射模型；(2)以振动信号为基础，建立判别模型，输出刀具的可用寿命；(3)融合两种判别结果，融合决策，实现精确的机床刀具磨损状态预测。本发明专利技术相较于单一判别手段，可以得到更加精确的判别结果，提高机床刀具的寿命利用率，同时本发明专利技术针对不同类型的机床和刀具有很好的适应性和鲁棒性。的机床和刀具有很好的适应性和鲁棒性。的机床和刀具有很好的适应性和鲁棒性。

【技术实现步骤摘要】
一种基于半监督学习的振动信号和图像特征机床刀具磨损状态监测方法


[0001]本专利技术涉及一种基于半监督学习的振动信号和图像特征机床刀具磨损状态监测方法，属于机械故障诊断领域。

技术介绍

[0002]刀具加工和制造行业的迅猛发展，促进了我国机床加工技术的持续发展。由于刀具在铣削加工过程中，会因为自然因素或者人为因素等，造成刀具不可避免的磨损甚至是破损，因此，对于刀具磨损状态的监测更为智能、更为低成本、更为可靠地检测技术的研究至关重要。这不仅关系到刀具自身的工作状况，而且比较重要的是待加工工件的产品精度要求和质量要求，更进一步地讲，刀具磨损状态检测是提高生产效率，延长机械使用寿命，保证工业生产不受影响的有力保障。
[0003]刀具寿命管理技术己经成为了国内外一致认定的关键技术，它不仅大大减少了人力成本、物力成本，同时还带动了机械加工和制造行业的进步。高效、简单且快捷的刀具磨损状态检测技术不仅能够保持高速铣削加工过程中的加工流水线的一致性，同时也能从根本上提高整个高速铣削加工过程的效率，因此实际运用价值更为广泛。
[0004]目前机床刀具磨损状态监测方法可以分为直接测量法和间接测量法。直接测量法如电阻测量法、间距测量法、射线测量法和光学测量法等，这些直接测量法在测量的过程中容易受到加工环境的影响或者局限于特殊场景，因此，测量的精度容易受影响，并且普适性较差。间接测量法通过测量和刀具相关的参量来反映道具的磨损程度，如切削力测量法、声发射测量法、振动信号测量法、切削温度测量法等，这些方法在测量中并不直接测量刀具的状态，而是通过检测其他信号间接的表示刀具状态，测量的信号中含有大量的干扰因素，影响最终的判决结果。

技术实现思路

[0005]针对现有技术的不足，本专利技术提供了一种基于半监督学习的振动信号和图像特征机床刀具磨损状态监测方法。
[0006]本专利技术通过使用磨损刀具图像和磨损面积值建立映射模型，和振动信号相结合，融合多重判决结果。采取的措施有助于实现精确的刀具磨损状态的精确判断，能够较好的避免单一判别依据误差，提高了机床刀具的寿命利用率。本专利技术结合了直接测量和间接测量的优点，进行决策层面的融合，即能适用于更多的场景和具有更稳定的判决结果。
[0007]术语解释：
[0008]1、皮尔逊相关系数：Pearson product
‑
moment correlation coefficient，又称作PPMCC或PCCs,常用r或Pearson's r表示，用于度量两个变量X和Y之间的相关(线性相关)，其值介于
‑
1与1之间。
[0009]2、BP网络：BP(back propagation)神经网络是一种按照误差反向传播算法训练的
多层前馈神经网络。BP网络包括输入层、隐藏层和输出层，以网络误差平方为目标函数、采用梯度下降法来计算目标函数的最小值，其基本结构如图3前半部分所示。
[0010]3、Softmax分类器：softmax函数，其输入值是一个向量，向量中元素为任意实数的评分值，输出一个向量，其中每个元素值在0到1之间，且所有元素之和为1(归一化的分类概率)。
[0011]为实现上述目的，本专利技术采用以下解决方案：
[0012]一种基于半监督学习的振动信号和图像特征机床刀具磨损状态监测方法,包括步骤如下：
[0013](1)建立刀具磨损图像和磨损面积的映射：对刀具磨损图像依次进行灰度化、去噪、分割、二值化及开运算处理，建立图像磨损区域像素数量和磨损值大小的映射；
[0014](2)使用振动信号判断刀具的磨损状态：包括：
[0015](2
‑
1)对振动信号进行预处理；
[0016](2
‑
2)提取步骤(2
‑
1)预处理后的振动信号的特征；
[0017](2
‑
3)进行特征选择；
[0018](2
‑
4)搭建网络模型；
[0019](3)通过步骤(1)得到刀具磨损图像预测结果，通过步骤(2)得到振动信号预测结果，融合后输出最终结果。
[0020]根据本专利技术优选的，步骤(1)中，灰度化处理过程如下：
[0021]设定刀具磨损图像的分辨率为M
×
N，其中任意位置(i,j)处的三通道像素值分别为R(i,j)，G(i,j)和B(i,j)，对刀具磨损图像进行灰度化操作之后，单通道像素值为：刀具磨损图像的灰度等级k∈[0,255]，每一个灰度等级的像素点数为h
k
。
[0022]根据本专利技术优选的，步骤(1)中，去噪预处理过程如下：
[0023]对于任意一个像素I(i,j)，其邻域8个像素灰度值从大到小排序为{I0,I1,
…
,I7}，则该像素I(i,j)表示为
[0024]根据本专利技术优选的，步骤(1)中，分割处理过程如下：
[0025]分割阈值T将去噪预处理后的刀具磨损图像分为目标和背景两部分，属于目标的像素点数记为N0，属于背景的像素点数记为N1，属于目标的像素点数占整幅刀具磨损图像的比例属于背景的像素点数占整幅刀具磨损图像的比例属于目标的像素的平均灰度为属于背景的像素的平均灰度为刀具磨损图像的总平均灰度μ＝ω0×
μ0+ω1×
μ1；此刀具磨损图像的类间方差为g＝ω0×
(μ0‑
μ)2+ω1×
(μ1‑
μ)2，等价为g＝ω0ω1(μ0‑
μ1)2；此时，遍历找到使得g最大的分割阈值T，通过该分割阈值T将刀具磨损图像分为目标和背景两部分，目标部分为提取到的刀具的磨损区域。
[0026]根据本专利技术优选的，步骤(1)中，二值化处理过程如下：
[0027]根据灰度阈值T∈[0,255]的大小，将分割处理后的刀具磨损图像进行二
值化，提取目标区域，即刀具的磨损面积处。
[0028]根据本专利技术优选的，步骤(1)中，开运算处理过程如下：
[0029]得到分割后的磨损区域图像后，对磨损区域图像X使用结构体B进行腐蚀运算，X
‑
B＝{a|B
a
∈X}，消除小的无意义区域，并进行膨胀运算，填充受损的面积，
[0030]根据本专利技术优选的，步骤(1)中，建立图像磨损区域像素数量和磨损值大小的映射，具体是指：
[0031]根据二值化处理后得到的刀具磨损图像，计算刀具的磨损面积的像素数量，和测量得到的磨损面积相对应，建立映射关系；
[0032]刀具磨损图像中像素数量和刀具的磨损面积呈正相关，建立线性拟合关系；
[0033]设标签磨损面积值为y＝[y1,y2,
…
,y
n
]T
，像素数量为x＝[x1,x2,
…
,x
n
]T
，其中n为样本的数量，定义标签和像素数量的关系为y＝a本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于半监督学习的振动信号和图像特征机床刀具磨损状态监测方法,其特征在于，包括步骤如下：(1)建立刀具磨损图像和磨损面积的映射：对刀具磨损图像依次进行灰度化、去噪、分割、二值化及开运算处理，建立图像磨损区域像素数量和磨损值大小的映射；(2)使用振动信号判断刀具的磨损状态：包括：(2
‑
1)对振动信号进行预处理；(2
‑
2)提取步骤(2
‑
1)预处理后的振动信号的特征；(2
‑
3)进行特征选择；(2
‑
4)搭建网络模型；(3)通过步骤(1)得到刀具磨损图像预测结果，通过步骤(2)得到振动信号预测结果，融合后输出最终结果。2.根据权利要求1所述的一种基于半监督学习的振动信号和图像特征机床刀具磨损状态监测方法,其特征在于，步骤(2
‑
2)中，提取步骤(2
‑
1)预处理后的振动信号的特征，是指：提取时域、频域以及时频域共计30个特征；30个特征包括最大值、最小值、峰值因子、歪度、裕度、波形因子、脉冲因子、偏度、均值、均方根、方差、峭度、频域均值、频域方差以及16个4层小波包分解能量特征。3.根据权利要求2所述的一种基于半监督学习的振动信号和图像特征机床刀具磨损状态监测方法,其特征在于，步骤(2
‑
3)中，进行特征选择，是指：计算提取的30个特征的皮尔逊相关系数，根据皮尔逊相关系数的值的大小从高到低选择10个相关性最大的特征作为训练样本数据和测试样本数据，X表示提取的特征，Y表示样本的标签，其中X＝[X1,X2,
…
,X
n
],Y＝[Y1,Y2,
…
,Y
n
]，则特征均值和标签均值表示为标准差表示为协方差为皮尔逊相关系数为4.根据权利要求1所述的一种基于半监督学习的振动信号和图像特征机床刀具磨损状态监测方法,其特征在于，步骤(2
‑
4)中，搭建网络模型，是指：所述网络模型包括BP网络和Softmax分类器，BP网络包括输入层、隐含层和输出层，输入层的维度设为10，隐含层的维度设为20，输出层的维度设为5，使用Softmax分类器分为3类。5.根据权利要求1所述的一种基于半监督学习的振动信号和图像特征机床刀具磨损状态监测方法,其特征在于，通过步骤(1)得到刀具磨损图像预测结果，通过步骤(2)得到振动信号预测结果，融合后输出最终结果，具体实现过程包括：(3
‑
1)得到刀具磨损图像检测的结果根据步骤(1)，获取机床刀具的磨损图像，进行机床刀具的磨损图像依次进行灰度化、去噪、分割、二值化及开运算处理，得到精确的磨损区域，再根据建立的图像磨损区域像素数量和磨损值大小的映射关系，输出机床刀具的磨损值；(3
‑
2)得到振动信号预测结果
根据步骤(2)，对振动信号依次进行预处理、特征提取，输入训练好的网络模型中，输出由振动信号得出的机床刀具的磨损值；(3
‑
3)融合两种决策输出最终结果根据步骤(3
‑
1)和步骤(3
‑
2)得到的判断决策，建立决策融合方法，输出融合之后的刀具磨损值，设由步骤(3
‑
1)刀具磨损图像经过映射之后得到的结果为R1，步骤(3
‑
2)振动信号和网络模型输出的结果为R2，最终的输出结果表现为二者加权和形式，权值设为α，α的取值范围为[0,1]，则最终的输出...

【专利技术属性】
技术研发人员：江铭炎，李孝港，袁东风，
申请(专利权)人：山东大学，
类型：发明
国别省市：