【技术实现步骤摘要】
本专利技术属于机械系统故障识别领域，涉及面向刀具故障状态识别的振动信号特征两阶段提取方法。
技术介绍
1、在机械系统故障识别领域，刀具故障状态识别是数控机床智能化转型中亟待攻克的核心技术之一。刀具故障是一种突变现象。工程中，早期的滚刀故障往往不易发现，容易产生大量不合格产品；严重的刀具故障甚至会导致生产事故，危机人员安全。因此，亟需一种刀具故障状态识别方法，在实际加工中及时发现滚刀故障，保证产品合格率，避免生产事故。
2、振动信号具有便于采集、结构关联性强等优势，因此被广泛应用于刀具故障状态监控中。近年来，基于信号分析的机器学习模型在状态识别问题中取得了良好的应用效果。然而，将原始信号直接作为机器学习模型的输入会造成数据量大、无用信息干扰等问题，增加了模型的训练难度。因此，如何从原始信号中提取有效反映刀具状态变化的信号特征，是提升机器学习模型精度、实现刀具故障状态精准识别的关键技术难题。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供面向刀具故障状态识别的振动信号特征两阶段提取方法，提取能够有效反映刀具状态变化的振动信号特征，提升模型精度，实现刀具故障状态的精准识别。
2、为达到上述目的，本专利技术提供如下技术方案：
3、面向刀具故障状态识别的振动信号特征两阶段提取方法，该方法包括以下步骤：
4、s1：假设原始振动信号样本集的样本数为k，包含m个类别；
5、s2：计算每个样本的n种特征，记为：f1,f2,…,fn；所
6、fi＝(fi(1),fi(2),…,fi(k),…,fi(k))
7、其中，fi表示第i个特征集，i＝1,2,…,n；fi(k)表示fi中第k个元素，k＝1,2,…,k；
8、s3：将fi按类别划分，
9、
10、其中，concatenate(·)表示连接函数；分别表示fi的m个类别对应的子特征集；
11、s4：依次将每个类别子特征集与其他类别子特征集组合，表示为矩阵形式：
12、
13、其中，tdi表示fi的类别组合矩阵；
14、s5：计算tdi中每一个组合的灰色关联度，得到灰色关联度矩阵，
15、
16、tξi＝fξ(tdi)，
17、
18、其中，fξ(·)表示灰色关联度计算函数；x1和x2表示两个不同序列；j表示序列中的元素，j＝1,2,…,j；ρ表示分辨系数，ρ∈[0,1]；ω表示权重系数；tξi表示fi的灰色关联度矩阵；
19、s6：计算fi的灰色关联度：
20、
21、其中，ξi表示fi的灰色关联度；row表示行索引；col表示列索引；
22、s7：计算所有特征集的灰色关联度，并将其表示为序列ξ；
23、ξ＝(ξ1,ξ2,…,ξi,…,ξn)
24、s8：计算ξ的中位数，
25、ξmed＝median(ξ)
26、其中，median(·)表示中位数计算函数；ξmed表示ξ的中位数；
27、s9：s1：保留满足ξi>ξmed的特征集，丢弃其他特征集；
28、s10：将保留的特征集表示为fi′，i＝1,2,…,n′，n′为保留特征集的数量；
29、s11：将fi′按类别划分，
30、其中，表示fi′的m个类别对应的子特征集；
31、s12：计算fi′的类别组合矩阵，
32、
33、其中，表示fi′的类别组合矩阵；
34、s13：计算中每一个组合的巴氏距离，得到巴氏距离矩阵，
35、
36、
37、
38、其中，fd(·)表示巴氏距离计算函数；p和q表示数据概率分布；tdi表示fi′的巴氏距离矩阵；
39、s14：计算fi′的巴氏距离，
40、
41、其中，di表示fi′的巴氏距离；row表示行索引；col表示列索引；
42、s15：计算所有特征集的巴氏距离，并将其表示为序列d，
43、d＝(d1,d2,…,di,…,dn′)
44、s16：计算d的中位数，
45、dmed＝median(d)
46、其中，dmed表示d的中位数；
47、s17：保留满足di>dmed的特征集，丢弃其他特征集；
48、s18：将保留的特征集表示为fi″(i＝1,2,…,n″)，n″为保留特征集的数量，fi″即为两阶段提取后的强相关特征；
49、s19：将强相关特征构成特征样本，作为突变型故障监测的输入，
50、sf＝[f1″,f″2,…,f″n″]
51、其中，sf表示特征样本。
52、可选的，所述ρ＝0.5，所述ω＝1。
53、本专利技术的有益效果在于：本专利技术面向刀具故障状态识别问题，提出了一种振动信号特征两阶段提取方法。首先计算原始振动信号的若干初始特征；在第一阶段，以灰色关联度作为定量指标对初始特征进行提取，得到的特征将具备非离散性；第二阶段，以巴氏距离作为定量指标再次对第一阶段所得特征进行提取，得到的特征将在非离散性的基础上同时具备可分离性；将两阶段提取后的特征构成特征样本，作为机器学习模型的输入。本专利技术可以显著提升机器学习模型的精度和训练效率，进而在工程应用中实现刀具故障状态的精准识别。
本文档来自技高网...【技术保护点】
1.面向刀具故障状态识别的振动信号特征两阶段提取方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的面向刀具故障状态识别的振动信号特征两阶段提取方法，其特征在于：所述ρ＝0.5，所述ω＝1。
【技术特征摘要】
1.面向刀具故障状态识别的振动信号特征两阶段提取方法，其特征在于：该方法包括以下步骤：
2.根据...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。