多传感器信息融合的刀具剩余寿命预测方法技术

本发明专利技术公开了多传感器信息融合的刀具剩余寿命预测方法，采用多传感器信号提取的特征进行融合能够减少对某单一信号的依赖，避免依赖单一信号造成的预测失稳，提高预测模型的鲁棒性。本发明专利技术采用基于双指数退化模型的预测方法可以避免依赖大量全寿命数据，且能够随着时间推进及监测数据的序贯可获，用监测数据实时在线更新退化模型参数以逐渐逼近刀具磨损退化趋势，同时对每个时刻的剩余寿命进行迭代估计，对新预测任务具有良好的适应性。对新预测任务具有良好的适应性。对新预测任务具有良好的适应性。

【技术实现步骤摘要】
多传感器信息融合的刀具剩余寿命预测方法


[0001]本专利技术属于数控机床刀具寿命预测方法领域，具体涉及多传感器信息融合的刀具剩余寿命预测方法。

技术介绍

[0002]刀具作为数控机床加工过程中直接与工件接触的部分，对产品质量有着直接至关重要的作用，刀具磨损退化会引起刀具形状和性能发生变化从而直接影响工件质量和精度，因此在加工过程中对刀具状态进行监测并对其可用剩余寿命做出准确预测，保证刀具失效前及时换刀，对降本增效同时保证加工质量具有重要的实际意义。
[0003]剩余寿命预测可大致分为数据驱动和基于退化模型两大类。数据驱动的剩余寿命预测主要是指基于深度学习理论通过自学习建立某时刻设备监测数据或所提取特征与剩余寿命之间的对应关系。电科云(北京)科技有限公司在其申请的专利文献“刀具剩余寿命预测方法、装置和介质”(专利申请号：CN202011430089.7，公开号：CN114676716A)中提出了一种基于CDBN
‑
BiLSTM模型的刀具剩余寿命预测方法。该方法的步骤是：首先采集刀具状态信号获得包含训练样本的训练集和测试样本的测试集，然后从训练集中抽取训练样本输入到经初始化的、包含卷积深度置信网络CDBN模型和双向长短期记忆BiLSTM模型的混合模型中，对所述混合模型进行训练，最后将测试样本输入到训练完成的混合模型，输出刀具剩余寿命的预测结果。该方法中的深度学习模型能够从大量数据中自动抽取特征，且深层的网络结构赋予其强大的非线性学习能力，提升了刀具剩余寿命的预测精度。但是基于深度学习的剩余寿命预测方法需要依赖大量同类型设备在相似工况下的全寿命数据以训练满足精度要求的预测模型，而实际情况中全寿命数据获取困难，且一旦外部环境、工况等发生变化，离线训练的预测模型能否很好的适应新的预测任务有待进一步的研究和验证。同时该方法中仅考虑了加工过程中的振动信号，未考虑不同信号反映刀具的磨损情况，用单一传感器信号建立预测模型存在数据利用率低、模型泛化能力较差等问题。

技术实现思路

[0004]本专利技术的目的在于提供多传感器信息融合的刀具剩余寿命预测方法，旨在解决现有技术中采用单一传感器信号及深度学习方法所建立的预测模型存在泛化能力较差的问题。
[0005]本专利技术所采用的技术方案是：多传感器信息融合的刀具剩余寿命预测方法，具体操作步骤如下：
[0006]步骤1：采集刀具切削过程中的信号，信号包括X、Y、Z三个方向的切削力信号、X、Y、Z三个方向的振动信号以及声发射信号共7个通道的信号；
[0007]步骤2：将采集的信号进行预处理，其中对无效数据进行直接删除，无效数据包括进刀无效数据和退刀无效数据；对异常值利用基于滑动窗口的中值滤波方法进行处理；
[0008]步骤3：对步骤2经预处理后的信号从时域、频域、时频域三个方面，将步骤1得到的
7个通道的时序数据分成等长的315个数据样本，并分别提取均值、标准差、偏度、峰度、脉冲因子、波峰因子、形状因子、边际因子、峰峰值、均方根、sk均值、sk标准差、sk偏度、sk峰度、小波包能量这15种特征，共构建105个特征的时间序列，形成特征矩阵X
T
×
105
，用表示X
315
×
105
的第i列特征时序；
[0009]步骤4：利用单调性评价指标，计算步骤3中得到的每一种特征时序与对应时间矢量的斯皮尔曼等级相关系数作为该种特征的单调性得分，选取单调性得分大于0.8的特征形成筛选特征矩阵X
T
×
S
；
[0010]步骤5：对步骤4筛选出的特征进行基于主成分分析PCA的融合，取第一主成分对其进行三次一阶指数平滑，平滑系数α＝0.1，构建健康指标；采用双指数模型拟合健康指标，建立描述刀具退化过程的双指数退化模型；
[0011]步骤6：根据双指数退化模型，结合粒子滤波算法贝叶斯理论预测刀具剩余寿命。
[0012]本专利技术的特点还在于，
[0013]步骤2中值滤波具体过程如下：
[0014]1)设置样本两边的样本数为k,则窗口大小为2k+1,设定上下界系数n
δ
；
[0015]2)基于滑动窗口计算每个样本的局部标准差x
δ
、局部估计中值x
m
；
[0016]3)计算样本的异常值上下界：
[0017]异常值上界：upbound＝x
m
+n
δ
×
x
δ
[0018]异常值下界：downbound＝x
m
‑
n
δ
×
x
δ
[0019]4)若该样本值大于异常值上界或小于异常值下界，则使用估计中值x
m
替换该样本。
[0020]步骤4单调性评价指标具体为：
[0021]对于单调性得分计算如下式所示：
[0022][0023]式中，r
k
为矢量R中元素，T表示时间单位；
[0024]式中，为的排序。
[0025]步骤5基于主成分分析PCA的特征融合具体如下：
[0026]1)在用PCA对筛选特征矩阵X
315
×
S
进行融合之前，采用z
‑
score方法对X
315
×
S
做标准化处理，记为
[0027]2)计算的协方差矩阵
[0028]3)求出协方差矩阵的特征值；
[0029]协方差矩阵的特征值假设为λ
i
，则λ
i
代表第i个主成分的方差，λ
i
对应的特征向量即为主成分关于原变量的系数；
[0030]4)取最大方差对应的特征向量对重构，即至此，
原M
S
维特征被降到一维；
[0031]5)对x
315
×1＝[x0，x1，
…
，x
315
]进行三次一阶指数平滑，如下式(2)所示，其中，α为平滑系数，y
t
分别为第一二三次的平滑值，第三次平滑值所构成的时间序列，对应的315个数据样本的健康指标数值为Y
{1:315}
＝{y1，
…
，y
t
，
…
，y
315
]；
[0032][0033]双指数退化模型，如下式：
[0034]y＝ae
bt
+ce
dt
ꢀꢀ
(3)
[0035]式中：y为从监测信号中构建的表征刀具退化的健康指标；a、b、c、d为双指数退化模型的模型参数，控制退化轨迹的趋势；t为时间。
[0036]刀具剩余寿命预测流程如下：
[0037]1)建立状态方程和观测方程
[0038]将高斯随机本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.多传感器信息融合的刀具剩余寿命预测方法，其特征在于，具体操作步骤如下：步骤1：采集刀具切削过程中的信号，所述信号包括X、Y、Z三个方向的切削力信号、X、Y、Z三个方向的振动信号以及声发射信号共7个通道的信号；步骤2：将采集的信号进行预处理，其中对无效数据进行直接删除，所述无效数据包括进刀无效数据和退刀无效数据；对异常值利用基于滑动窗口的中值滤波方法进行处理；步骤3：对步骤2经预处理后的信号从时域、频域、时频域三个方面，将步骤1得到的7个通道的时序数据分成等长的315个数据样本，并分别提取均值、标准差、偏度、峰度、脉冲因子、波峰因子、形状因子、边际因子、峰峰值、均方根、sk均值、sk标准差、sk偏度、sk峰度、小波包能量这15种特征，共构建105个特征的时间序列，形成特征矩阵X
T
×
105
，用表示X
315
×
105
的第i列特征时序；步骤4：利用单调性评价指标，计算步骤3中得到的每一种特征时序与对应时间矢量的斯皮尔曼等级相关系数作为该种特征的单调性得分，选取单调性得分大于0.8的特征形成筛选特征矩阵X
T
×
S
；步骤5：对步骤4筛选出的特征进行基于主成分分析PCA的融合，取第一主成分对其进行三次一阶指数平滑，平滑系数α＝0.1，构建健康指标；采用双指数模型拟合所述健康指标，建立描述刀具退化过程的双指数退化模型；步骤6：根据双指数退化模型，结合粒子滤波算法贝叶斯理论预测刀具剩余寿命。2.根据权利要求1所述的多传感器信息融合的刀具剩余寿命预测方法，其特征在于，步骤2所述中值滤波具体过程如下：1)设置样本两边的样本数为k,则窗口大小为2k+1,设定上下界系数n
δ
；2)基于滑动窗口计算每个样本的局部标准差x
δ
、局部估计中值x
m
；3)计算样本的异常值上下界：异常值上界：upbound＝x
m
+n
δ
×
x
δ
异常值下界：downbound＝x
m
‑
n
δ
×
x
δ
4)若该样本值大于异常值上界或小于异常值下界，则使用估计中值x
m
替换该样本。3.根据权利要求1所述的多传感器信息融合的刀具剩余寿命预测方法，其特征在于，步骤4所述单调性评价指标具体为：对于单调性得分计算如下式所示：式中，r
k
为矢量R中元素，T表示时间单位；式中，为的排序。4.根据权利要求1所述的多传感器信息融合的刀具剩余寿命预测方法，其特征在于，步骤5基于主成分分析PCA的特征融合具体如下：1)在用PCA对筛选特征矩阵X
315
×
S
进行融合之前，采用z
‑
score方法对X
315
×
S
做标准化处
理，记为2)计算的协方差矩阵3)求出协方差矩阵的特征值；协方差矩阵的特征值假设为λ
i
，则λ
i
代表第i个主成分的方差，λ
i
对应的特征向量即为主成分关于原变量的系数；4)取最大方差对应的特征向量对重构，即至此，原M
S
维特征被降到一维；5)对x
315
...

【专利技术属性】
技术研发人员：郭伟超，冯豆豆，张松伟，李丙震，曾山林，许栋，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：