刀具磨损评估方法基于邻域粗糙集模型和最近邻模型

文摘

为了评估工具的磨损程度定量铣削过程,提出了一种新的评估方法。首先,你的邻居信息的充分利用,选择两个敏感的特性通过使用邻域粗糙集模型,然后,使用最近邻模型边界曲线建立了noncounter数据在二维空间中。其次,十字路口或扩大区域是用来描述两个边界模型之间的区别,因为交叉区域或扩大区域可以考虑距离和角度的影响同时在二维空间中。第三,确定一个基准状态后,一个新的定量评估指标(QAI)可以计算基于交叉区或扩张区。QAI可以直接测量模型的基线状态之间的差异和未知的模型状态和间接测量工具的磨损程度。最后,证明了评估方法的有效性通过铣削数据集是由美国宇航局艾姆斯研究中心提供。

1。介绍

为了保证加工过程的质量和生产率,刀具状态监测受到越来越多的关注。周和雪1)总结了监测方法和监测算法在铣削过程中,和Prashant Waydande Chinchanikar [2回顾了刀具磨损的监测系统。一般来说,工具的状态监测方法和系统可以分为两个部分:一个是physics-driven模型,另一种是数据驱动的模型。Physics-driven模型探索物理的理解工具为了估计运行状态和磨损程度。例如,日圆et al。3)用泰勒公式来估计刀具磨损。朱和张4可调系数)开发了一个通用显式模型的侧面磨损的工具,然后建立了铣削力和侧面磨损之间的关系的工具。因此,它可以使用刀具磨损模型预测的生活。例如,努里·et al。5]提出了一种方法来实时监控端铣刀磨损在切割过程中通过跟踪力模型系数预测的生活工具。然而,physics-driven模型的主要挑战包括以下(6]:足够的刀具磨损失效的机制缺乏的知识,和一些参数的值公式的困难。为了避免全面的或复杂的物理模型,近年来数据驱动的模型选择和发展。数据驱动模型试图模型或模拟工具磨损过程通过使用实际的运行数据,包括力、振动、声发射、主轴电机电流和饲料,等等。例如,Shankar et al。7]用声压和加工力量来训练一个神经网络来预测铣削过程中侧面磨损的工具。Kalvoda和黄8简要地变换用于过程加速度振动信号,结果表明边际谱的频率的变化可能反映刀具的几何变化的工具。在仔细分析了声发射信号通过使用统计分析,谱分析和小波包,愣et al。9)提出了一种方法来检测刀具磨损钻井复合材料。太阳et al。10]研究了逆变器输入电流和刀具磨损状态之间的关系基于当前虚拟值计算的线电流逆变器输入端。Proteau et al。11)提出了一个具体的削减能源,使用选择multifeatures递归神经网络训练,预测刀具磨损。一般来说,数据驱动的模型用机器学习算法和人工智能算法来训练一个模型,然后,该模型可以自动识别复杂的模式。但是,建模过程需要大量的历史数据(12],特别是数据或退化数据失败,而失败的数据或退化数据非常难。如果我们只能用看到下面成了数据训练模型,建模过程将变得更加容易。因此,异常检测的概念可以帮助我们。

异常检测是指的过程中发现数据中的模式,不符合预期行为(13]。不服从的模式包括异常,异常值,不和谐的观察,异常,畸变,惊喜,和污染物。异常检测通常使用正常数据训练模型,因为不服从的模式是未知的和意想不到的。所以,如果我们考虑刀具磨损状态的不服从的模式,我们可以使用异常检测方法来检测刀具磨损的状态。异常检测的模型包括密度模型,重建模型,边界模型(14]。例如,高斯模型是一个密度模型。如果未知的分布数据与模型的分布是不同的,未知的数据可能被视为离群值。但是,密度模型需要典型真实的数据分布和数据需要大量的训练数据高维度数据。自组织映射(SOM)是一个重建模式。它试图重建一个新的模型后的新空间,将原始数据映射到一个高维空间。但是,它需要假设训练数据的聚类特征。边界模型,试图找到一个优化的边界在目标数据和典型模型的支持向量数据描述(SVDD) [15)和最近邻模型。因为最近邻模型试图直接拥抱整个基于距离信息的目标数据,模型很容易理解和使用。因此,我们选择最近邻模型来描述工具的运行数据。此外,冗余和不相关特性可能影响最近邻模型的准确性。因此,首先应选择敏感的特性。粗糙集理论(16)可以用来选择敏感特性基于下近似的概念,上近似,边界地区。不幸的是,只粗糙集处理离散特性,应该是离散和连续特性。但是,离散化可能导致信息的损失。然后,胡锦涛等。17提出了邻域粗糙集模型。邻域粗糙集可以直接过程连续特性基于邻里关系的概念。因此,我们选择邻域粗糙集模型选择敏感的特性。

为了监控工具的磨损条件的过程,一种新的评估方法基于邻域粗糙集模型和最近邻模型。在选择敏感特性利用邻域粗糙集模型,工具的磨损条件可以使用边界曲线所描述的训练从最近邻模型。最后,定量评估指标设计基于区域的边界曲线是由二维空间。

2。邻域粗糙集模型和最近邻模型

一个关键的定义邻域粗糙集模型的依赖程度。例如,依赖程度来被定义为的比例一致的对象: 在哪里是样本空间。所谓的积极的地区。积极的地区的样本集可以分为一个类没有的不确定性。反映出的能力近似 。

另一个关键的定义是一个特性的意义: 如果 ,功能是多余的 ;否则,是必不可少的。

基于邻域粗糙集模型的概念,依赖性会减少如果任何敏感的特性是错过了,然后,我们可以使用一个特性来评估每个特性的重要性。在一开始,选择特性的池是空的。然后,我们可以遍历所有特性,寻找敏感特性可以使团体获得最大值和团体> 0。最后,敏感的特性被添加到池中选择功能。特征选择算法的详细描述可以发现在17]。

最近邻分类器模型是看到下面成了。它试图估计一个超球面,围绕测试对象 ,在维度。超球面的体积生长,直到它捕获从训练集对象。当地的密度可以估计如下: 在哪里是最近邻的在训练集和是包含该对象的超球面的体积。

看到下面成了一个分类器,一个测试对象被接受时,当地密度大于,或等于,训练集的第一个最近邻密度 。

3所示。评估方法

是非常重要的如何定量评估刀具磨损的程度。因此,本节首先将专注于定量指标。锅等。18)提出了一个基于SVDD定量评估指标。训练后的超球面基线状态的数据利用SVDD基线状态,制定基线状态的超球面的中心可以获得。然后,数据的未知状态的距离从基线状态的超球面的中心可以计算,和距离的值可以被认为是定量评估指标。虽然SVDD和最近邻模型都属于边界模型,没有制定最近邻模型的中心。所以,很难计算的距离。除此之外,距离无法区分两种不同的运行状态,都有相同的距离。

在得到的边界曲线基线状态和未知状态使用最近邻模型,两条边界曲线的空间位置可以帮助我们确定运行状态。如图1(一),交叉区域可以联想到两个边界模型的相似程度。十字路口区域越大,两个边界模型的相似性越大。如图1 (b),扩大区域可以联想到的程度nonsimilarity两边界模型。扩大面积越大,越大nonsimilarity两边界模型。因此,区域的值可以被视为评估量化指标运行情况。此外,交叉区域或扩大区域可以同时考虑距离和角度的影响。QAI的配方

面积估计使用蒙特卡洛方法,以十字路口地区为例,如图2。首先,创建一个正方形,然后,广场的面积可以很容易地估计, 。其次,均匀散射点在广场,点的数量 。第三,计算点的数量在广场,是数量 。最后,交叉区域的比例,广场面积等于内部的比例数和总样品数,所以交叉区域 。

评估过程如图3。首先,分析了铣削数据集使用邻域粗糙集模型,然后,选择两个敏感的特性。其次,我们假设的刀具磨损程度在开始阶段非常小,尤其是第一次使用。因此,第一个测试是选为基线状态。然后,边界曲线的基线状态可以通过使用最近邻模型。第三,对于未知的状态,使用相同的两个敏感特性训练最近邻模型,可以获得未知状态的边界曲线。最后,QAI可以计算对应于未知的状态,和QAI的值可以定量描述刀具磨损的程度。

4所示。实验数据、结果和讨论

4.1。铣削数据集

为了评估评估方法是否有效,铣数据集(19),这是发达国家和由NASA艾姆斯和加州大学伯克利分校,提供使用。数据集包含16例的铣削参数变化对每个案件。本文例1和例5选择研究,和例1和例5的实验条件如表所示1。

三种不同类型的传感器,包括声发射传感器(WD925、物理声学组),振动传感器(7201 - 50,ENDEVCO)和电流传感器(欧姆龙K3TB-A1015和CTA 213),收购了几家的位置。声发射传感器和振动传感器分别安装在桌子和加工中心的主轴。传感器的信号放大和过滤,然后美联储通过两个RMS之前为数据采集输入电脑。主轴电机电流传感器的信号送入计算机,没有进一步的处理。一个70毫米面铣刀6插入被选为工具。插入的类型KC710涂上多层碳化钛,碳氮化物钛和氮化钛序列。通常,侧面磨损VB用于评估刀具磨损。在实验中,VB作为前沿的距离测量的侧面上的磨料磨损的工具。插入后的工具,穿的是用显微镜测量。但是,VB之间的测量以不规则的间隔运行,并不总是测量。 The description of the dataset is shown in Table2。

案例1的第一个数据集作为一个例子,交流的信号,直流,振动台,振动主轴,AE表,AE轴图所示4。它可以发现信号有三个阶段,包括起始阶段、运营阶段,和停止阶段。因为我们只想专注于刀具磨损在操作阶段,开始阶段和停止阶段的数据应该首先删除。

现在,有六个功能。然而,拟议的新评价指标QAI只能在二维空间中计算。因此,应该选择第二两个敏感的特性。AE主轴和主轴振动敏感的特性选择利用邻域粗糙集模型。采取的第一个数据集的数据集和第七例1为例,multiboundary模型的训练,使用最近邻模型不同的特性,分别如图5和6。比较图5(一个)与图6(一),它可以发现AE主轴和主轴振动增加的价值范围内随着时间的推移,这意味着AE主轴和主轴振动可以更精确地反映刀具磨损的状态。比较图5 (b)与图6 (b),可以发现,AE表和振动表的值范围几乎不随时间增加。此外,边界模型的离散程度,使用AE的表和振动表大于边界模型,使用AE主轴和主轴振动。此外,它可以发现直流的失真现象,如图6 (c)。

以例1和例5为例,我们评估的刀具磨损过程使用的方法提出了部分3。最近邻模型的参数如表所示3。

4.2。案例1的评价结果

我们选择AE主轴和主轴振动敏感特性训练边界模型,然后,两个不同的边界曲线比较找到交集区域或扩张区域。部分结果如图7- - - - - -12。基于交叉口区域或扩大区域,我们可以计算出QAI评估指标,如图13。VB在实验测量图所示14。

4.3。例5的评估结果

我们比较两个不同的边界曲线找到交集区域或扩大区域,如图15- - - - - -19。基于交叉口区域或扩大区域,我们可以计算出QAI评估指标,如图20.。VB在实验测量图所示21。

5。讨论

为了定量评价刀具磨损的程度,两个新的评估指标计算QAI例1和例2,如图13和20.。与相应的VB如图14和21,它可以发现的趋势与VB QAI基本上是一致的。

案例1,工具的磨损状况可分为三个部分。在开始阶段从第一测试6日测试,磨损发生因为插入应该去除大块,以及工具的磨损非常严重。第二阶段从7日测试15日测试;虽然穿的工具仍在增加,磨损程度减缓,因为工具是在稳定的运行状态。第三阶段是从16 17测试,测试工具是在加速磨损状况。

无论案例1例5,它可以发现测试模型逐渐离开基线模式随着时间的增加。十字路口地区逐渐减少,然后,扩大地区逐渐增加。此外,除了改变距离,基线模型和测试模型之间的夹角也在发生变化。角线人隐含在十字路口区域或区域扩张。例如,6日的边界曲线对比测试的边界曲线5日测试在例5的数字18和19,它可以发现边界曲线的6只测试扩展X价值的方向,因为只有RMS的AE主轴发生了重大的变化,而振动主轴的RMS值几乎保持不变。这种现象可以认为两个边界曲线之间的角度是不同的。角度映射到领域扩张,扩张的两个方面是不同的。因此,交叉区域或扩大区域可以同时反映了距离和角度的影响。

为了评估不同的特性的影响,计算两个新凯伊斯,如图22和23。一是利用AE表和振动表功能,,另一个是使用交流和直流特性。比较图20.,可以发现两个凯伊斯是不好的趋势;特别是如图22,预测刀具磨损程度是不正确的。

6。结论

在选择两个敏感特性利用邻域粗糙集模型,边界曲线可以得到基于最近邻模型。然后,一个新的评估过程和定量评估指标QAI建议。includethe得出的主要结论如下:(1)边界曲线,这是训练的基础上选定的特性,可以清楚地描述了运行状态在二维空间中。(2)交叉区域或扩大区域可以综合考虑距离和夹角的影响基线曲线和未知的曲线。(3)QAI可以定量描述工具的磨损程度。VB(4)与传统的指标只衡量线下当我们拆卸的插入工具,很容易使用QAI监控刀具磨损过程。

数据可用性

之前报道铣数据集被用来支持这项研究,并可在美国宇航局艾姆斯预测数据存储库。之前的研究(和数据)在相关地方引用文本中引用:a . Agogino和k Goebel(2007),最好的实验室,加州大学伯克利分校。“铣的数据集,”NASA艾姆斯预测数据存储库(http://ti.arc.nasa.gov/tech/dash/groups/pcoe/prognostic-data-repository/),NASA艾姆斯研究中心,莫菲特场,CA。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

作者感谢加州大学伯克利分校和美国宇航局艾姆斯预后提供铣数据集数据存储库。

引用

1. y周和w·雪”,回顾在铣削过程中刀具状态监测方法,”国际先进制造技术杂志》上,卷96,不。5 - 8,2509 - 2523年,2018页。视图:出版商的网站|谷歌学术搜索
2. n . A . Prashant Waydande和美国Chinchanikar回顾刀具磨损监测系统”,机械工程和自动化杂志》上》第六卷,没有。5、调查2016页。视图:出版商的网站|谷歌学术搜索
3. 研究。日元,j .孙、b .莉莉和t . Altan”估计刀具磨损的垂直切割使用有限元分析,“材料加工技术杂志》上,卷146,不。1,第91 - 82页,2004。视图:出版商的网站|谷歌学术搜索
4. k·朱和张y”,通用刀具磨损模型及其应用在高速铣削力建模和磨损监测,“机械系统和信号处理卷,115年,第161 - 147页,2019年。视图:出版商的网站|谷歌学术搜索
5. m .努里·b·k·Fussell b . l . Ziniti和e·林德“实时在铣削刀具磨损监测使用切削条件独立的方法,”国际机床制造杂志》上,卷89,p . 2015。视图:出版商的网站|谷歌学术搜索
6. O。艾克,f . Camci和i . k . Jennions”预测的主要挑战:研究基准预测数据集,”学报第一欧洲会议预测和健康管理社会南特,页148 - 145年,法国,2012年7月。视图:谷歌学术搜索
7. s . Shankar t Mohanraj, r . Rajasekar”预测铣削过程中刀具磨损使用人工智能技术,”国际期刊《计算机集成制造,32卷,不。2、174 - 182年,2018页。视图:出版商的网站|谷歌学术搜索
8. t . Kalvoda Y.-R。黄”,刀工具监控加工过程中使用简要地变换,“国际机床制造杂志》上,50卷,不。5,495 - 501年,2010页。视图:出版商的网站|谷歌学术搜索
9. 愣,z . Wang t . Min, z, g·陈,“检测刀具磨损的钻井碳纤维增强塑料/ TC4栈由声发射,“《振动工程与技术,8卷,不。3、463 - 470年,2019页。视图:出版商的网站|谷歌学术搜索
10. w .太阳,黄m、y .他和k . Li”工具状态监测系统的设计基于当前的方法,”《华尔街日报》的工程,卷2019,不。23日,第9030 - 9026页,2019年。视图:出版商的网站|谷歌学术搜索
11. a . Proteau a提拉,m·托马斯,“具体的削减能源:代表刀具磨损的物理测量,“国际先进制造技术杂志》上,卷103,不。1 - 4、101 - 110年,2019页。视图:出版商的网站|谷歌学术搜索
12. x, z, y, y,和w·乔,“轴承故障预测数据驱动的方法,”IEEE行业应用,55卷,不。4、3394 - 3401年,2019页。视图:出版商的网站|谷歌学术搜索
13. f . Nasaruddin r . a . Ariyaluran Habeeb, a . Gani中情局Targio哈西姆,e·艾哈迈德和m·伊姆兰,“异常检测的实时大数据处理:一项调查,“国际信息管理杂志》上,45卷,第307 - 289页,2019年。视图:出版商的网站|谷歌学术搜索
14. d .税,看到下面成了一个分类;概念学习没有反例科技项目,代尔夫特,代尔夫特,荷兰,2001年。
15. d . m . j .税收和r·p·w·Duin“支持向量数据描述,”机器学习,54卷,不。1,45 - 66年,2004页。视图:出版商的网站|谷歌学术搜索
16. pswlak z”,粗糙集理论及其应用的数据分析,“控制论和系统卷,29号7,661 - 688年,1998页。视图:出版商的网站|谷歌学术搜索
17. 问:胡锦涛,d . Yu, z .谢,“社区分类器”,专家系统与应用程序,34卷,不。2、866 - 876年,2008页。视图:出版商的网站|谷歌学术搜索
18. 李和x, y, j·陈,“轴承性能退化评估基于提升小波包分解和模糊c均值,”机械系统和信号处理,24卷,不。2、559 - 566年,2010页。视图:出版商的网站|谷歌学术搜索
19. a . Agogino和k Goebel最好的实验室,加州大学伯克利分校,“铣的数据集,”NASA艾姆斯预测数据存储库NASA艾姆斯研究中心,莫菲特场,CA,美国,2007年。

版权

版权©2020盛任和Xiaoran朱。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。