基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
基于IWOA优化小波参数的刀具信号降噪方法


[0001]本专利技术属于信号处理
，具体的为一种基于
IWOA
优化小波参数的刀具信号降噪方法
。

技术介绍

[0002]机床加工过程中，刀具的磨损问题越来越受到关注
。
刀具磨损直接影响产品的表面质量和加工精度，同时还会降低生产效率
。
因此，对刀具磨损状态进行监测具有十分重要的经济意义
。
关于刀具磨损监测主要有两种方法：直接监测法和间接监测法
。
其中，直接监测法易受加工环境的影响且无法实现在线监测，其应用受到很大的限制；间接监测法对切削加工过程无影响或影响较小，被广泛用于刀具的在线监测
。
但间接监测法的信号采集过程中极易受到外界干扰导致信号质量下降，如何有效的消除噪声信号的干扰也成了这项技术的关键
。
小波变换作为傅里叶变换的发展，具有更好的时频域分析能力，对于去除与目标信号不同频带的噪声非常有效
。
[0003]鲸鱼优化算法
(whale optimization algorithm,WOA)
是一种源于大型捕食者座头鲸狩猎行为而产生的群体智能优化算法，与大多数优化算法相比，
WOA
实现更加方便，而且该算法的优化效果更加突出，并在各种优化领域里得到运用，如最优参数选择
、
机械故障诊断
、
神经网络权值优化等
。
[0004]公开号为/>CN112147226B
的中国专利公开了一种基于激光超声信号小波降噪的最优分解层数确定方法，包括以下步骤：首先，采用激励激光器在工件表面激励出超声波，采用接收激光器接收超声信号；对超声信号进行时域平均处理，得到经过时域平均处理的信号；其次，采用
dmey
小波基函数对信号进行
j
层小波分解，然后计算在
j
层分解下的小波熵，若
j+1
层分解下的小波熵比
j
层分解下的小波熵小，则选择
j
层作为最优分解层数
。
此专利技术是一种基于激光超声信号小波降噪的最优分解层数确定方法，但此专利技术仅对分解层数进行最优选择，而
dmey
小波基函数是直接给出，即该方法并未提供针对具体应用场景和信号特征的小波基函数的选择准则，无法保证所选用的
dmey
小波基函数是最佳的小波基函数，可能存在选择不当的情况
。
[0005]公开号为
CN110009593A
的中国专利申请公开了一种基于鲸鱼优化算法的图像自适应增强方法，利用鲸鱼优化算法进行搜索得到最佳非完全
Beta
函数的参数组合对图像进行增强处理
。
在此专利技术中，鲸鱼优化算法存在一些问题，包括寻优精度较低
、
容易陷入局部最优解和算法收敛速度较慢
。
这些问题主要源于鲸鱼优化算法采用随机搜索来探索搜索空间，而随机搜索很可能导致算法陷入局部最优解
。

技术实现思路

[0006]不同的小波基函数适用于不同类型的信号，只有通过优选合适的小波基函数和分解层数才能使小波降噪过程中更加精确地捕捉信号特征，从而实现较好的降噪效果
。
在实际应用中，优化过程往往涉及大量的计算和搜索，而选择小波基函数和分解层数作为主要
的优化对象可以减少搜索空间，降低计算复杂度，提高算法的效率
。
[0007]有鉴于此，本专利技术的目的在于提供一种基于
IWOA
优化小波参数的刀具信号降噪方法，通过
IWOA
优化算法选择合适的小波基函数和分解层数组合，以提高刀具信号处理的精度和可靠性
。
[0008]为达到上述目的，本专利技术提供如下技术方案：
[0009]一种基于
IWOA
优化小波参数的刀具信号降噪方法，包括如下步骤：
[0010]步骤一：对原始刀具信号进行预处理；初始化
IWOA
优化算法的参数；
[0011]步骤二：采用
Circle
混沌映射策略生成鲸鱼种群，使鲸鱼个体在搜索空间内随机生成并相对均匀分布，将鲸鱼个体的位置映射为包含小波基函数和分解层数的二维数组
P
；
[0012]步骤三：分别计算每个鲸鱼个体的适应度，将当前鲸鱼种群的最优适应度和个体位置记为历史最优适应度和历史最优个体位置；
[0013]步骤四：从当前鲸鱼种群中选择一个全局最优位置的精英个体和一个全局最差位置的最差个体，采用小孔成像反向学习机制和最优最差反向学习策略相结合的方法，更新精英个体和最差个体的位置，分别计算精英个体位置更新后的第一适应度和最差个体位置更新后的第二适应度；比较第一适应度
、
第二适应度和历史最优适应度：若第一适应度或第二适应度优于历史最优适应度，则更新历史最优适应度
、
并以更新后的精英个体位置或最差个体位置替换历史最优个体位置；否则保持历史最优适应度和历史最优个体位置不变；
[0014]步骤五：判断当前迭代次数是否达到设定的最大迭代次数：若是，则执行步骤九；若否，则执行步骤六；
[0015]步骤六：更新混沌自适应惯性权重向量和
IWOA
优化算法的参数；
[0016]步骤七：更新鲸鱼种群的位置，分别计算每个鲸鱼个体的适应度，得到当前鲸鱼种群的最优适应度；比较当前鲸鱼种群的最优适应度与历史最优适应度：若当前鲸鱼种群的最优适应度优于历史最优适应度，则更新历史最优适应度
、
并以当前鲸鱼种群的最优个体位置替换历史最优个体位置；否则历史最优适应度和保持历史最优个体位置不变；
[0017]步骤八：循环执行步骤四；
[0018]步骤九：将历史最优个体位置映射得到的小波基函数和分解层数作为小波分析的最优参数，利用小波分析对刀具信号进行降噪处理
。
[0019]进一步，所述步骤一中，对原始刀具信号进行预处理的方法为：将采集到刀具切削力信号进行处理生成可识别文件，使用首尾无效值截断法把前后端5％的数据截断
。
[0020]进一步，所述步骤二中，
Circle
混沌映射策略生成鲸鱼种群的原理为：
[0021][0022]其中，
x
i
表示第
i
个混沌序列数；
mod(a,b)
表示
a
对
b
的取余运算
。
[0023]进一步，所述步骤四中，精英个体的位置更新方法为：
[0024]X
*best
＝
(a
j
+b
j
)/2+(a
j
+b
j...

【技术保护点】

【技术特征摘要】
1.
一种基于
IWOA
优化小波参数的刀具信号降噪方法，其特征在于：包括如下步骤：步骤一：对原始刀具信号进行预处理；初始化
IWOA
优化算法的参数；步骤二：采用
Circle
混沌映射策略生成鲸鱼种群，使鲸鱼个体在搜索空间内随机生成并相对均匀分布，将鲸鱼个体的位置映射为包含小波基函数和分解层数的二维数组
P
；步骤三：分别计算每个鲸鱼个体的适应度，将当前鲸鱼种群的最优适应度和个体位置记为历史最优适应度和历史最优个体位置；步骤四：从当前鲸鱼种群中选择一个全局最优位置的精英个体和一个全局最差位置的最差个体，采用小孔成像反向学习机制和最优最差反向学习策略相结合的方法，更新精英个体和最差个体的位置，分别计算精英个体位置更新后的第一适应度和最差个体位置更新后的第二适应度；比较第一适应度
、
第二适应度和历史最优适应度：若第一适应度或第二适应度优于历史最优适应度，则更新历史最优适应度
、
并以更新后的精英个体位置或最差个体位置替换历史最优个体位置；否则保持历史最优适应度和历史最优个体位置不变；步骤五：判断当前迭代次数是否达到设定的最大迭代次数：若是，则执行步骤九；若否，则执行步骤六；步骤六：更新混沌自适应惯性权重向量和
IWOA
优化算法的参数；步骤七：更新鲸鱼种群的位置，分别计算每个鲸鱼个体的适应度，得到当前鲸鱼种群的最优适应度；比较当前鲸鱼种群的最优适应度与历史最优适应度：若当前鲸鱼种群的最优适应度优于历史最优适应度，则更新历史最优适应度
、
并以当前鲸鱼种群的最优个体位置替换历史最优个体位置；否则历史最优适应度和保持历史最优个体位置不变；步骤八：循环执行步骤四；步骤九：将历史最优个体位置映射得到的小波基函数和分解层数作为小波分析的最优参数，利用小波分析对刀具信号进行降噪处理
。2.
根据权利要求1所述基于
IWOA
优化小波参数的刀具信号降噪方法，其特征在于：所述步骤一中，对原始刀具信号进行预处理的方法为：将采集到刀具切削力信号进行处理生成可识别文件，使用首尾无效值截断法把前后端5％的数据截断
。3.
根据权利要求1所述基于
IWOA
优化小波参数的刀具信号降噪方法，其特征在于：所述步骤二中，
Circle
混沌映射策略生成鲸鱼种群的原理为：其中，
x
i
表示第
i
个混沌序列数；
mod(a,b)
表示
a
对
b
的取余运算
。4.
根据权利要求1所述基于
IWOA
优化小波参数的刀具信号降噪方法，其特征在于：所述步骤四中，精英个体的位置更新方法为：
X
*best
＝
(a
j
+b
j
)/2+(a
j
+b
j
)/2n
‑
X
best
/n
其中，
X
*best
表示更新后的精英个体位置；
X
best
表示更新前的精英个体位置；假设某一空间中，有一个高度为
h
的火焰
p
在
x
轴上的投影为全局最优位置
X
best
，坐标轴的上下限
a
j
、b
j
表示当前解第
j
维的上下限，在基点
o
上放置一个有小孔的小孔屏，火焰通过小孔可以在接收屏上得到一个高度为
h
*
的倒像
p
*
，此时在
x
轴得到通过小孔成像产生的最优位置
X
*best
；
n
为投影前后高度的比值，且
5.
根据权利要求1所述基于
IWOA
优化小波参数的刀具信号降噪方法，其特征在于：所述步骤四中，最差个体的位置更新方法为：
X
worst
(t+1)
＝
a
j
+rand
·
(b
j
‑
X
worst
(t))
其中，
X
worst
(t+1)
表示更新后的最差个体位置；
X
worst
(t)
表...

【专利技术属性】
技术研发人员：吴洪宇，徐冠华，邓荣新，陆昱翔，
申请(专利权)人：苏州兰里智能科技有限公司，
类型：发明
国别省市：