文摘

刀具状态监测是实现智能制造的关键技术。但它仍在研究阶段,缺乏不同加工条件下的适应性。为了克服这个限制,这项工作系统地调查一个聪明、实时和可见的工具状态监测通过采用集成的理论和技术,即。,(一)through distinctively designed experimental technique with comprehensive consideration of cutting parameters and tool wear values as variables, (b) through bisensor fusion for simultaneous measurements of low and high frequency signals, (c) through multitheory fusion of wavelet decomposition and the Relief-F algorithm for performing dual feature extraction and feature dimension reduction to achieve more accurate state identification using neural network, and (d) through an innovative programming technique of MATLAB-nested labVIEW. This tool monitoring system has neural network adaptive learning ability with the change of the experimental sample signals which are collected simultaneously by selected vibration and acoustic emission (AE) sensors in所有的因素将实验。基于虚拟仪器与MATLAB混合编程,信号波形的观察和信号提取的显著特点通过时频域分析,然后计算各频带的能量比例获得使用4水平振动信号的小波包分解以及8水平的AE信号的小波多分辨率分解;随后Relief-F算法进一步reextract特性最相关的工具状态作为输入神经网络模式识别。通过BP神经网络自适应学习,工具状态识别模型最终建立。结果表明,BP网络模型的正确识别率92.59%样本训练后,可更准确地和智能监控刀具磨损状态。

1。介绍

刀具状态监测是实现制造业自动化和智能不可或缺的技术。切削工具的实时监控不仅可以提高产品质量和降低生产成本,而且可以减少加工中心的停机时间和提高生产力。

多年来,研究人员已经做了很多工作在刀具状态监控,提出许多方法,可分为两大类:直接和间接方法。

直接方法(1,2)使用光学测量刀具的磨损,放射性,电阻传感器,等等。这种方法直接测量刀具的实际几何参数(3),结果直观、可靠,测量精度高。然而,切削过程中切削区通常无法由于连续刀具和工件之间的接触,所以不可能实现在线监测;和前沿的突然断裂无法被监控;它并不是可行的冷却剂。因此它在实际应用有一定的局限性。

间接法是一种新的开发技术的基础上,现代传感器、信号分析和模式识别。它通过分析和处理监控刀具磨损测量切削过程物理信号。它的特点是实时性能、多功能性、方便安装、和低成本,所以在实践中更容易被雇佣。一般来说,间接的刀具状态监测系统由传感器、信号调节器或放大器,监视器。传感器是非常重要的元素必须监控目标位置(工具)的尖端附近尽可能密切。然后由传感器接收到的信号处理得到有用的信息。监视器是分析信号的显示装置。间接状态监测系统通常由四个部分组成:信号采集、信号处理、特征提取和模式识别。图1显示工具监控系统的框架。

间接的方法已被许多研究人员调查。一般监控参数的改变工具包括切削力、饲料和主轴电机电流,振动信号,声发射(AE)信号,温度和表面粗糙度。

Dimla和李斯特4)开发了一个在线刀具磨损监测系统。他们使用工具测力计测量三个垂直组件的切削力和刀具磨损状态监测研究通过对时间序列的分析和快速傅里叶变换(FFT)的信号。结果表明,切削力主要取决于切削条件,尤其是削减的深度和进给速率;和切削力和振动特征的垂直分量(z方向)对刀具磨损最敏感。Ghasempoor et al。5)实验验证了可行性的在线工具状态监测系统通过使用不同的切削力组件。他们相关组件切削力和刀具磨损观察到这些参数对切削条件的变化非常敏感。然而,新月牙齿的磨损的预测不是很准确的,可能的原因是,工具倾斜面的穿切组件上的反动势力。Sikdar和陈6)研究工具的磨损区域侧面之间的关系和切削过程中的切削力。实验结果表明,切削力的增加逐渐增加侧面磨损区域的工具。努里·et al。7)描述了一种新的方法来监控端铣刀磨损实时切割过程中通过跟踪力模型系数。这些系数的行为被证明是独立于切削条件和与刀具的磨损状态有关。王等人。8]了铣削力的监测信号和小波包理论用于分析和提取信号的能量特征作为诊断的基础,然后连续隐马尔可夫模型(CHMM)是用于诊断刀具磨损状态。结果表明,CHMM刀具状态监测需要较少的训练样本和产生的结果很快。然而,诊断精度似乎模糊由于缺少对比实验和诊断结果。

李等人。9)提出,从伺服电机进给切削力评估使用当前在将应用于监控刀具磨损。然而,提要力组件是否可以代表整体切削物理参数对刀具磨损的影响仍然需要证明。

许多研究者研究了工具通过分析生成的振动状态监测加工操作。Teti et al。10)分类的振动在金属切削过程中自由振动和强迫振动。两组并不是相互排斥的。自由振动金属切削包含独立的受迫振动引起的其他机器或机器部件,例如,振动通过基金会,传播的不平衡旋转部分,往复惯性力量部分,运动不准确的驱动器。

Abouelatta和Madl11)之间的映射关系建立工件的表面粗糙度和振动利用振动信号。表面粗糙度测量使用Surtronic 3 +径向和饲料中测量仪器和工具的振动方向被FFT分析仪测量。发现刀具磨损和表面粗糙度可以更准确地预测振动模型。阿隆索和萨尔加多(12)开发了一个工具状态监测系统基于工具振动信号利用奇异谱分析(SSA)和聚类分析。SSA是一种非参数时间序列分析技术。采样振动信号可以分解成一组时间序列,和聚类分析用于分组SSA的时间序列分解获得几个独立的组件在频域。结果表明,使用SSA和聚类分析处理信号可以实现更可靠的刀具状态监测系统发展的结果。

在金属切削过程中,塑性变形发生在削减到工件的工具。由于塑性变形,产生瞬态弹性应力波在材料内部,迅速释放应变能从一个或多个本地资源。释放的能量通常被称为声发射(AE)。李(13描述,AE是最有效的方法来监测刀具磨损。使用AE监测工具状态的主要优势是,AE信号的频率范围远远高于机器的振动和环境噪音,和它不干扰切割过程。祷告et al。14]预测铣削过程中刀具磨损和芯片的形状通过AE信号的分析。工具侧面磨损和AE信号参数测量工具的固定的距离间隔通过收集和芯片在同一时间。结果表明,AE信号之间的削减行动明确划定夏普和破损的工具和信号特性包括响铃数、上升时间和事件持续时间能够反映出工具穿。

这是正常的,不可避免的在金属切削过程产生热量。刀具的尖端周围的高温会加速工具的损坏。在某种程度上,该工具温度决定了刀具磨损率。Korkut et al。15)建立了回归分析(RA)和人工神经网络(ANN)模型预测工具状态通过监控芯片接口温度,结果被实验验证。发现该模型有很好的准确性和适合预测工具的状态。

表面粗糙度是广泛应用于加工产品的质量评价,这间接表明刀具状态。切削条件相当对刀具磨损和表面粗糙度的影响。泽尔和Karpat16)使用神经网络建模预测表面粗糙度和工具侧面磨损完成艰难的转变。回归模型是在切割过程中获得的具体参数。结果表明,减小进给速率导致更好的表面粗糙度,但稍快刀具磨损,以及切削速度的增加导致刀具磨损的显著增加,但更好的表面粗糙度;工件硬度的增加导致更好的表面粗糙度,但更高的刀具磨损。

人工神经网络(ANN)是信息处理的数学模型,通过模拟人类大脑。它由多个处理单元类似于神经元。它记下知识并将其存储在网络训练和学习样本。因为高容错性和适应性,噪声抑制,和数据驱动,神经网络分类器已被一些研究者所采用。Balazinski et al。17建立了三个模型:前馈反向传播神经网络,模糊聚类分析和模糊推理基于神经网络通过收集在切削过程中切削力信号。结果表明,三种模型估计刀具磨损几乎相同的精度。但是,模糊聚类分析方法被应用在实践中有点困难,因为它必须分析刀具磨损对切削力的依赖和神经网络方法的训练时间长。席尔瓦et al。18)利用泰勒两个神经网络和专家系统使用的刀具寿命方程对刀具磨损状态进行分类;分类精度的结果,然而,令人困惑,因为丢失的数据16- - - - - -18简单线性回归分析。监控刀具磨损使用分类器融合的研究Kannatey-Asibu et al。19]说明分类器融合性能达到99.7%时一个点球投票是应用于权重因子。然而,证明技术使用AE监测是否适合低频信号监测,仍需要进一步的研究。

总的来说,该工具状态监测技术不够成熟,由于测量物理量之间的关系的复杂性,通过传感器和工具状态,从而建立它们之间的准确关系仍然是一个困难的问题要解决,当我们打算开发一个实用的工具状态监测系统以满足各种加工过程和环境。具体来说,存在以下主要问题。(1)首先是监测模型的适应性。大多数现有的监测模型适用于狭窄的切削条件下,可靠性和有效性变量切削条件下无法保证。金属切削过程非常复杂,有很大的随机性,和不同的机床、刀具、工件材料、切削参数将监测信号特征不同。因此具有重要意义,建立一个工具状态监测系统,可以适应多变的切削条件。(2)其次是样本采集问题。样本采集在削减在某些情况下是困难和昂贵的。大量的切削实验会导致高成本。因此,有必要建立一个模型自学习能力和小训练样本的依赖。 (3) Third is the difficulty of developing the monitoring system based on new sensor and signal analysis technology. Tool state monitoring involves a variety of sensors and signal analysis techniques, and the selection of the suitable sensors and signal analysis methods have not been systematically studied.

因此,本研究的目的是调查的方法实现可视化,聪明,和实时状态监控工具是普遍的,在实践中可以使用。刀具磨损监测的实现分为两个主要部分:实验细节,和工具监视功能的设计和实现。内容包括:(1)利用bisensor融合测量信号(低频率振动信号和更高频率的AE信号)的演变过程;(2)基于混合编程的虚拟仪器技术和MATLAB,分析和处理信号,并提取最相关的特征,反映了刀具磨损状态通过对偶方法的使用,即。小波理论的结合,Relief-F算法;(3)利用提取的特征作为神经网络的训练样本,然后建立识别模型的工具状态,这样智能识别工具的完成状态。

车床刀具磨损监测系统的设计结构如图2。

2。实验的细节

表1列出了仪器和规范的实验工作。

2.1。实验参数的选择

在车削过程中,有许多因素影响了传感器的信号,如切削参数、刀具参数,机床,刀具磨损的程度,和加工环境。所以许多因素将不可避免地给实验设计带来困难,所以我们需要分析特定的加工环境和删除一些次要因素。

在一些固定因素的前提下,如机床、工件材料、刀具,加工参数多变的根据加工要求。刀具磨损的价值在切割过程中也是一个变量。因为实验的目标是获取映射关系刀具磨损和振动+ AE信号特征,所以实验因素包括切削速度、进给速率,削减的深度和刀具磨损。

根据机床的规格,设计实验参数,如表所示2也考虑工具的三个VB值对应侧面磨损刀具磨损指数的标准:锋利的工具阶段(初始磨损),正常工作阶段(正常磨损),和磨损阶段(严重磨损),表中列出3。每个实验的切削条件下,振动和AE信号的观测和记录对应三个工具旁边的磨损状态。

2.2。所有因素试验技术

正交试验是一种常用的实验设计方法。它可以大大减少试验的次数,测试的时间和成本。但正交试验是不合适的建模和识别神经网络自的数据量相对较小。因此,在这项工作中,实验的所有的因素组合是获取数据的工具状态进行监控。根据试验设计的因素和水平表2,有四个因素,每个因素有三个水平。因此,四个factors-three水平包括3⁴= 81组实验。

2.3。Bisensors安装和刀具磨损测量

最常见的波形数据在状态监测振动信号和声学排放(20.]。在这个工作中,两个传感器,即振动加速度传感器和AE传感器,同时选择测量刀具的信号。选择他们的优点在于振动和AE信号可以敏感地反映出工具状态,他们适用于实时监控不同的加工过程。图3说明了传感器的实验装置的转变过程。振动和AE传感器磁基地,可以安装在工具柄磁。两个传感器安装接近刀具。振动和AE传感器放置在竖直方向(Z轴)和水平方向(Y轴)的柄和用来测量振动和AE信号,分别。

三个准备刀具磨损状态的实验,如图4,用于将工件,这样每个工具的信号数据收集的状态可以相应的传感器,分别。因此每个刀具磨损状态对应于自己的信号数据和三种刀具磨损模式(初始、正常和严重磨损)不会混合在一起。工具显微镜能放大100倍(五百万像素)用于测量刀具磨损,如图5。它可以与计算机连接,刀具磨损可以在电脑屏幕上观察和测量,以及测量的照片也可以。

2.4。信号采集程序

收集和存储的数据采集是一个过程的实验测量传感器信号在转动过程中,这样,它提供了可靠的样本数据为以后状态识别。

信号采集程序的流程图如图6。在加工过程中,振动传感器和AE传感器收集原始工具状态信号,弱,需要放大,缓冲,通过放大器和数据采集卡和过滤,然后信号被输入到计算机存储。

3所示。工具监视功能和实现方法

这个工具监控设计包括三个功能:信号采集或读书时,信号处理和特征提取,状态识别。

3.1。信号采集功能

信号采集模块在这个工作信号显示和存储的功能,使用虚拟仪器软件开发。虚拟仪器是一种图形化的编程语言。虚拟仪器程序叫做虚拟仪器(VI),它提供了大量的图形控件和函数在工程领域中使用的数据分析和处理。我们设计的功能和图形控件拖到程序图,然后根据需要连接电线的编程,最后可以实现仪器功能和参数设置。虚拟仪器还与MATLAB提供的接口,即。,MATLAB脚本。使用MATLAB编程进行数值计算和分析可以大大缩短系统开发的时间,完成一个完全自动化的测试系统。虚拟仪器软件有两个人机交互接口:前面板和后面板。前面板提供了许多图形控件,类似于实际仪器的外观。图形控制前面板上的操作通过使用图标和后面板上的电线。

3.2。信号分析和方法融合的双重特征提取

在金属切削过程中,传感器收集的原始信号包含大量的噪声和无用的信息。他们不能直接用来识别工具状态,只有提取的特征是有用的为国家认可。收集到的振动和AE信号动态信号。组件是非常复杂和背景噪音的信号来自许多来源,如削减环境、加工条件和材料特性。存在平稳和非平稳的信号。信号的时域分析只能代表时间的历史信号振幅特性,但不能清楚地揭示信号的频率成分。和频域分析可以代表了信号的频率结构的振幅和频率成分,但不能提供时间信息和判断本地信号与时间的变化。时频分析方法可以反映信号在时域和频域特性;也就是说,它可以满足的非平稳信号分析和处理的要求。因此,使用时频域分析基于最初的时域分析和频域分析。

在这个工作中,首先,时域分析主要侧重于观察波形的时域波形显示改变规则,,其次,一些统计特征值(平均值 ,方差 ,和均方根值X_rms)根据每个信号的抽样数量计算通过虚拟仪器编程。三个统计特性的表达式给出以下,分别。

在哪里x_我由传感器收集到的信号数据;平均值表示一个信号的直流分量;方差介绍了随机信号的平均偏差值;均方根值描述随机信号的强度,我= 1,2,…N;和N是样本数量。

数据7和8分别显示了典型的时域波形的实验振动和在不同的刀具磨损AE信号收集阶段(切削速度64.6米/分钟;进给速率0.11毫米/ r;深度1.2毫米)。横坐标是采样时间,纵坐标是信号的振幅。

从图可以看出9振动信号的频率成分不是很丰富,主要从2到4 kHz。这个频段的信号能量变化明显在不同磨损阶段和其他频段没有可观察到的变化。从图可以看出10AE信号含有丰富的频率成分,主要之间存在频带0-50kHz和100 - 150千赫。这两个频段信号能量变化明显不同的刀具磨损阶段,和在其他频段的能量保持几乎不变。

我们可以看到,根据时域分析和频域分析数据7- - - - - -10,很难描述的特征状态,并做定量分析的工具。从而进一步分析是必要的。

由于生产过程的性质,通常的非平稳信号和信号处理方法更适合处理非平稳的信号过程监控(3]。我们知道,通常用于分析非平稳信号时频分析通常有高和低频率成分。和小波变换是一种常用的时频分析方法,因为它具有变焦功能,能够自适应地调整信号的时频分辨率的不同分解尺度。小波分析具有良好的本地化属性在时间域和频率域和许可证自适应时频表示。将频带划分为多个水平可以提高频率分辨率高和低频率。朱et al。3]了,由于小波分解的优点,研究了小波方法在许多方面,如信号去噪、特征提取和压缩,或者使用分类器在刀具状态监控。龚et al。21)表明,小波分析比傅里叶分析更加敏感和可靠的识别车刀磨损状态。Yoon和下巴(22)验证了小波变换的可靠性与光谱快速傅里叶变换(FFT)的方法。

连续小波变换(CWT)是公认的有效的工具对平稳和非平稳的信号处理。然而,它包含很多冗余信息,计算时间长。Mallat [23]开发了离散小波变换(DWT)这是一个算法基于共轭二阶滤波器(CQF型)和更好的时频分析,因为没有冗余和快速计算。不同尺度的小波和缩放功能从尺度函数生成与双刻度差分方程(24]:

在哪里h (k)和是低通和高通滤波器的滤波系数;和ψ(t)在尺度空间尺度和小波函数j= 1,分别。

假设c_{j, k}d_{j, k}比例系数和小波系数,分别来自信号在空间上的投影尺度函数(t)和小波函数ψ_{j, k}(t)和m是滤波器长度,然后

图11显示了一个示意图(25)的特征提取的信号表示水平3的小波包分解。分解过程如下:假设信号的频率范围是[0,f),第一级分解后,S是分解为两部分,即。,D1高频部分和低频部分A1。其中,高频信号的频率范围是f/2,f),低频率范围是[0,f /2]。然后在第二层次分解,A1从第一级分解得到AA2低频部分和高频部分DA2, D1和分解获得DD2 AD2低频部分和高频部分。其对应的频率范围是[0,ƒ/ 4],[ƒ/ 4,ƒ/ 2]、[ƒ/ 2、3ƒ/ 4],[3ƒ/ 4,ƒ),分别。同样地,原始信号分解级别的级别。信号的分解关系图11可以表示为以下:

S是初始信号;A1, A2, A3是第一,第二,第三层次的低频分解后,分别;D1、D2和D3是第一,第二,第三层次分解后的高频,分别。

图12显示3个层次树结构的小波多分辨率分解。它可以清楚地看到从图12多分辨率分析实际上是相当于一个带通滤波器,并且只有低频组件是没有考虑到高频分解每一层。这种分解过程是信号的频率范围是[0,ƒ),S是第一级分解后分成两部分,即。D1的高频部分和低频部分A1。高频分量的频率范围是(ƒ/ 2,ƒ),低频部分是[0,ƒ/ 2)。当第二个层次分解,高频部分D1从第一级分解获得不再是分解;只有A1低频部分分解,也分解为两部分:A2 D2高频部分和低频部分。高频部分D2的频率范围是(ƒ/ 4,ƒ/ 2),低频部分A2的频率范围是[0,ƒ/ 4]。第三层次的分解是一样的第二个层次,只有A2低频部分是分解为两部分,即。D3高频部分和低频部分A3。同样地,信号分解级别的级别。后的信号是由三个层次的多分辨率分解,信号A3, D3, D2, D1获得,相应的频率范围(0,ƒ/ 8]、[ƒ/ 8,ƒ/ 4],[ƒ/ 4,ƒ/ 2]和[ƒ/ 2,ƒ]。因此,我们有以下公式:

当信号通过小波包分解,如果分解水平的数量太多,计算机的计算时间将增加;如果数量太少,决议将减少和许多有用的信息不得解决。分解水平取决于信号本身的数量和特征参数的要求。在这个工作中,考虑到振动信号的频率相对较低和AE信号的频率很高时,为了达到良好的频率分辨率的影响,振动信号分解的四层小波包分析,和AE信号是由八个级别的多分辨率分解分析。在这之后,提取各频带的能量比例。这个过程是由虚拟仪器与MATLAB混合编程实现的。图(13日)显示的框图4水平振动信号的小波包分解。图13 (b)时频分析的前面板,可以观察到的波形频率乐队和每个频带的能量比例信号分解后的小波分析。

3.2.1之上。振动信号的小波包分析和特征提取

实验振动信号的采样频率是25.6 KHz。根据奈奎斯特采样定理(采样频率是实际的最高频率的两倍),可用的频率是12.8 KHz。因此,收集到的振动信号分解为四层的小波包分析和频率分辨率0.8 KHz。最后,振动信号分解为16个频段(A1-A16),和每个频带的频率分布表4。

图14显示了振幅和振动信号的波形与刀具磨损状态的变化,所以振幅与工具的内部关系的状态可以通过进一步分析研究每个频段的变化。

为了找出每个频段的变化规律,我们量化的振幅图14通过总结平方16频带分解的小波系数,然后通过规范来获取每个频带的能量比例。表5列出了能源比例的信号在一个给定的切削条件下三种不同的工具状态(切削速度64.6米/分钟;进给速率0.11毫米/ r;切削深度1.2毫米)。

直方图的表5画给一个更直接的能源比例变化在每个频带和比较三种刀具磨损状态的能量比例在每个频带,如图15。从图可以看出15振动信号的能量主要分布在多个频段(A1、A3 A7, A11 A15)。频带的能量比例A2、A4、A7,和A8减少刀具磨损的增加,和频带的能量比例A11 A12, A15增加刀具磨损。其他频段的变化是不规则的或没有明显的变化。

3.2.2。AE信号的小波多分辨率分析和特征提取

实验AE信号的采样频率是1 mhz。根据奈奎斯特采样定理,我们知道可用的AE信号的频率是500千赫。经过8小波多分辨率分析的水平,AE信号的频率分辨率1.95 KHz。最后,AE信号分解成9乐队(A1, D1-D8),每个频带的分布是列在表中6。

多分辨率的AE信号的波形图如图16。可以看出一些频段的振幅随工具的变化状态。所以我们可以研究振幅与工具状态的内部关系的进一步分析每个频段的变化。

振幅量化每个频带的小波系数值的平方之和的AE信号分解后获得9个乐队和规范化获得每个频带的能量比例。表7列出了AE信号的能量比例给定的切削条件下的三种不同的工具状态(切削速度64.6米/分钟;进给速率0.11毫米/ r;深度1.2毫米)。

直方图的表7如图17。从图可以看出17AE信号的能量主要分布在多个频段D2、D3、D4, D5和D6。能量比例在D2和D3乐队与刀具磨损的增加,减少和能源比例D5与刀具磨损和D6频段增加。

后到现在,81组实验样本数据的信号分析工具三个州(初始磨损、正常磨损和严重磨损),平均值,方差,均方根值为每个组的振动信号数据和16个频带的能量比例后4级别的小波包分解提取。同时,均值、方差和均方根值AE信号的每一组数据和能量的比例9 8水平频带的小波多分辨率分解也提取。因此,这些特征为每个组的振动和AE信号数据可以组成一个31-dimensional融合特征向量,表中列出8。

在表8一些特征是无用的,这不仅增加了计算,但也会影响分类效果。因此,进一步的特征选择是必要的。

3.2.3。特性与Relief-F Re-Extraction算法

功能反萃取是选择最相关的一些特性,与工具状态组成的特征向量计算每个特性的多维特性,以便达到特征提取与降维。在这个工作中,一个众所周知的过滤特征选择方法称为Relief-F算法采用。Relief-F算法的原理是,每个特性的重量,然后计算对比这些权重,权重值越大,越强的分类能力。

当处理multiclassification问题,Relief-F算法需要一个样本R每次随机从训练样本集和搜索最近邻样本(near-hit) 从同一个类的样本集R,然后发现最近邻样本(靠近弹)米_j(C)从不同的类的样本集R,然后更新重量W(一个)的每个特性,如所示

diff (,R₁,R₂)是样本的差异R₁和R₂在功能,p(C)是这个类的比例;p(类(R))的比例随机选择样本的类;米_j(C)是j最近邻样本在C类∉类(R);米抽样数量;和k是最近的样本的数量。

每个特性的重量与MATLAB计算基于Relief-F算法。在表8特点,特征选择方便的编号。我们指定的故意选择数量特性是8,然后相应的序号后的功能水平8将被删除。所以最优的特征向量分类的刀具状态可以选择。

图18的直方图是平均体重30每个特性的计算结果。每个特性的分类能力的分布从图中可以看出,每个特性的重量是按值和表的顺序排列9获得,这显然反映了每个特性之间的相关性和刀具磨损。权重值越大,它们之间的相关性就越大。

从图18和表9,我们可以看到的数字特征向量是7日,28日,30日,3,18日,9日,26日和14后Relief-F算法计算。因此,检查表8,我们知道八个功能,包括频段A4, A6, A11, A15和振动信号的均方根和频带D2, D4, D6 AE信号可以选择作为输入的后续状态识别。

3.3。状态使用BP神经网络识别

状态识别状态监测中发挥着重要作用的工具。是分类的切削过程中刀具状态输入提取的工具状态特征的识别模型,使状态空间的特征空间的映射。目前,最常用的状态识别方法在刀具状态监测人工神经网络,模糊推理等。

在这部作品中,状态识别模型,利用BP神经网络建立了基于信号处理和提取的分析结果与虚拟仪器与MATLAB混合编程的部分3.2。

BP人工神经网络的结构分为输入层、隐藏层和输出层,如图19。结构的网络是由训练样本集训练的输入。在培训过程中,不断传播和修改的错误,和网络参数,如重量和阈值(参见图20.),也有所调整,以使网络方法所需的输入和输出之间的映射关系。

3.3.1。自适应BP神经网络模型的建立

自适应BP神经网络模型的建立主要包括确定的节点数量的输入,隐层和输出层,传递函数的选择、训练算法,目标的设置错误。

(1)输入层节点的数目。的BP神经网络的输入层节点数等于输入向量的维数。因为8特性保留特征选择后,输入层的节点数是8。

(2)输出层节点的数目。因为有三种刀具磨损:初始磨损、正常磨损,和严重磨损,用二进制数表示 , ,和 ,分别,所以输出层的节点数是3。

(3)隐层节点的数量。隐层节点的数量决定了网络模型的性能。如果数量太小,那么模型的分割空间是粗糙、网络容错性能和识别能力较低;如果数量太大,那么模型空间划分太细,和网络收敛速度很慢或者不收敛,和训练时间很长。基于经验公式(13),进行初步计算,隐层节点的数量改变,反复测试。最后,隐层节点的数量确定为11。

在哪里p隐层节点的数量;n是输入节点的数量;m是输出节点的数量;和一个∈(10)。

因此8-11-3结构的自适应BP神经网络模型,和图20.显示了人工神经元模型。S型正切函数(Tansig)选择隐层神经元的传递函数,和S型对数函数(logsig)被选中为输出层神经元传递函数。Levenberg-Marquart作为学习算法的改进算法。培训步骤的最大数量是1000,目标误差1 e-6,性能参数是0.001。

3.3.2。样品的测定

信号分析和特征选择后的部分3.2,8维- 81组的feature-sample形成集。这项工作选择54组作为训练集的样本和27组的样本作为测试集。

数值范围的不同类型的特征在样本不一致,所以我们需要规范化的样本集与MATLAB和限制不同类型的特性的数值的范围(1,1)据

在哪里y_马克斯= 1,y_最小值= 1;x和y特征值归一化和归一化后的对应值,分别;x_马克斯和x_最小值的最大和最小值归一化特性,分别。

3.3.3。自适应BP神经网络的训练结果

54个团体训练集的样本数据输入自适应BP神经网络模型进行训练和学习。图21显示了BP神经网络的训练状态图。从图可以看出21模型达到收敛精度在49。

4所示。结果分析

27组测试样本数据输入到训练自适应网络模型进行测试,获得测试结果展示在表10。从表10的识别结果,我们可以看到网络模型包含两个错误的输出;因此,正确识别率u = 25/27 = 92.59%。这表明自适应BP算法建立的状态识别模型可以更好的完成状态识别的工具。如果第一个数字自适应BP神经网络的实际输出值最大,然后输出显示 ,表明该工具在初始磨损状态;如果第二个数字是最大,输出和工具在正常磨损状态;如果第三个数字是最大输出和工具处于严重的磨损状态。

5。讨论

这项工作系统地调查实现可视化的方法,聪明,和实时状态监测工具基于虚拟仪器与MATLAB混合编程。multitheories用于研究和实验方法可以适应各种加工过程和环境。讨论的原因如下。

(1)实验方案的优点。实验目的是获取刀具磨损之间的映射关系和测量的物理信号能够反映在切削过程的工具。因此,实验因素的确定是关键问题之一。为此,实验方案设计根据机床的规格用于这项工作。除了一些固定的信号影响因素如加工环境和刀具参数、切削参数等其他变量因素包括切削速度、进给速率,削减的深度,确定刀具磨损,其中三个VB值工具的侧面磨损指数对应的通用刀具磨损标准,锋利的工具阶段(初始磨损),正常工作阶段(正常磨损),和磨损阶段(严重磨损),考虑在内,如表所示2和3。基于此方案,所有的因素实验进行,这是一个非常重要的方面获取足够的数据后面的任务建模和识别的神经网络。因此,有四个因素,每个因素有三个水平从而3⁴= 81组实验。

其次,工具状态监测包括各种传感器和信号分析技术,并选择合适的传感器是第二个关键问题。由于生产过程的性质,通常的非平稳信号,通常含有高和低频率成分。因此,bisensors,即。,vibration acceleration sensor and AE sensor, are simultaneously selected for measuring the low frequency vibration signal and higher frequency AE signal in this work. Therefore, the advantages of bisensors lie in that they can sensitively and entirely reflect the tool state in real time and are suitable for monitoring different machining processes.

(2)双信号特征提取的重要性。这项工作中提取信号特征最相关的工具状态通过使用小波理论和Relief-F算法的融合方法。原因是双重特征提取的信号可以实现的双重影响,找出最相关的特性和特征降维。小波分析具有良好的本地化属性在时间域和频率域和许可证自适应时频表示。将频带划分为多个水平可以提高频率分辨率高和低频率。通过81组实验样本数据的信号分析工具三个州(初始磨损、正常磨损和严重磨损),4水平振动信号的小波包分解和小波多分辨率分解的8水平的AE信号能满足要求的频率分辨率为每个组和31特征信号提取的数据,如表中列出8。然而,一些特征是无用的在表8,这不仅增加了计算,但也会影响状态识别的效果。因此,功能反萃取使用Relief-F算法进行选择几个特性最相关的工具状态。图18显示了平均30的直方图计算结果的每个特性的重量。从图18和表9的序列号,我们可以看到,特征向量是7日,28日,30日,3日,18日,9日,26日和14后Relief-F算法计算。因此,通过检查表8,他们是8对应的功能,包括频段A4, A6, A11, A15,振动信号的均方根,频带D2, D4, D6 AE信号。即功能的数量从31个减少到8。

(3)国家使用BP神经网络识别的成功率。在这次调查中,发现隐层节点的数目是BP网络训练条件确定网络识别的成功。隐藏节点的数量改变,反复测试后最初的计算使用经验公式(13)。网络是由训练样本集训练的输入。在培训过程中,网络参数,如重量和阈值,还需要进行调整,以使网络方法所需的输入和输出之间的映射关系。这项工作选择54组作为训练集的样本和27组作为测试集样本。从图可以看出21自适应BP神经网络模型进行训练和学习步骤49达到收敛精度。试验结果表明,正确识别率可以达到92.59%。

6。结论

刀具磨损监测通过混合编程技术的虚拟仪器和MATLAB实现,可以更准确地完成工具的智能和实时识别状态的正确识别率为92.59%。

振动和AE信号的理想信号监测工具。Bisensor融合可以收集的频率相对较低的高频振动信号和AE信号,因此可以敏感,完全反映了工具实时状态。

小波分解的融合方法和relief-F算法可以实现双降维提取信号的特性和功能,这样计算快速、实时性能好。结果表明特征的数量相关的刀具磨损状态从31日减少每组信号数据,频率乐队最相关的刀具磨损状态包括A4 (2.4 - -3.2 KHz), A6 (4 - 4.8 KHz), A11 (8 - 8.8 KHz), A15 (11.2 -12 KHz)的振动信号和D2(125 - 250千赫),D4 (31.25 - -62.5 KHz)和D6 (7.8 - -15.6 KHz)的AE信号。明显的振动信号和AE信号可以在刀具磨损监测是相辅相成的。

刀具磨损监测方法显示了普遍性。这是因为实验方案,混合编程技术,双重特征提取,和BP网络识别模型在这个工作有普遍性,可以应用到其他不同的加工操作,比如铣、钻孔、无聊,形成和塑造,结合不同的切削工具,包括单点工具(塑造)和多点工具(铣、钻)加工各类工件材料。可以实现这一目标只有通过改变安装位置的振动和AE传感器。如果有必要,系统中的采样参数可以很容易地设置和可以reextract不同特性通过实现Relief-F算法,也可以重置BP神经网络的参数。

数据可用性

使用的数据来支持本研究的结果都包含在这篇文章。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作得到了国家自然科学基金(批准号61562055)。