黃廣奕，王杰，王玫，張玉嘉

(四川大學(xué) 制造科學(xué)與工程學(xué)院，成都　610065)

?

二進制PSO算法在刀具磨損狀態(tài)識別中的應(yīng)用

黃廣奕，王杰，王玫，張玉嘉

(四川大學(xué) 制造科學(xué)與工程學(xué)院，成都610065)

特征選擇是刀具磨損狀態(tài)識別的重要問題之一。文章以端面銑刀為研究對象，提出了一種基于二進制粒子群算法的銑削力信號特征優(yōu)選方法。該算法采用相關(guān)準則給定適應(yīng)度函數(shù)，以此計算粒子適應(yīng)值。通過二進制編碼方式，尋找全局最優(yōu)解作為最優(yōu)特征構(gòu)成特征子集。最后將優(yōu)選的銑削力信號特征子集輸入到三層BP神經(jīng)網(wǎng)絡(luò)進行模式識別。實驗結(jié)果表明，二進制粒子群算法優(yōu)選的銑削力信號特征子集可以提高刀具磨損狀態(tài)識別精度和縮短識別時間。

刀具磨損；特征提?。涣Ｗ尤核惴?；相關(guān)性準則；模式識別

0　引言

刀具磨損是影響切削加工質(zhì)量、效率、生產(chǎn)安全的重要因素，因此，刀具磨損監(jiān)測技術(shù)成為機械制造自動化領(lǐng)域的重要研究課題[1-2]。刀具磨損監(jiān)測過程實際上是一個通過收集信號、進行信號分析處理、提取特征、特征選擇和模式識別的過程。由于原始信號特征維數(shù)較高，并且存在較多冗余，一方面會降低刀具磨損識別精度，另一方面則大大增加后續(xù)識別算法學(xué)習(xí)及訓(xùn)練的復(fù)雜度，影響識別效率。為此，研究信號特征與刀具磨損狀態(tài)之間的關(guān)系，去除冗余，選擇有用特征，獲得最優(yōu)特征子集是必要的。能否提取最優(yōu)特征子集，決定刀具磨損監(jiān)測系統(tǒng)性能的好壞[3]。

國內(nèi)外研究人員對特征選擇方法做了大量研究。K.V.hIardia[4]等人證明正交線性協(xié)方差從原始數(shù)據(jù)中提取優(yōu)選特征是有效的。馬建峰[5]等人提出了一種基于模式可分性測度的特征優(yōu)選方法。朱名銼[6]等人根據(jù)特征的灰色關(guān)聯(lián)度大小順序選擇特征。本文選取銑削力作為刀具磨損監(jiān)測信號，通過二進制粒子群算法對銑削力信號特征進行優(yōu)選，去除與刀具磨損狀態(tài)識別無關(guān)的特征以及彼此相關(guān)性較強的特征，從而得到最優(yōu)特征子集，并應(yīng)用BP神經(jīng)網(wǎng)絡(luò)對刀具磨損量進行監(jiān)測。

1　基于二進制PSO算法的特征選擇

1.1粒子群算法

粒子群優(yōu)化算法是由Eberhart和Kennedy于1995年提出的一種全局搜索算法[5]。由N個粒子組成群體，在D維搜索空降中，粒子以一定速度Vi，按照某種規(guī)則飛行。每個粒子結(jié)合自身的經(jīng)驗和整體的經(jīng)驗，調(diào)整自身飛行速度和所在位置，不斷向最優(yōu)位置靠攏。粒子i(i=1,2,3,4,……,N)的位置用D維向量χi=[χi1, χi2,χi3, ……, χid]表示，Vi=[Vi1, Vi2,Vi3, ……, Vid]表示粒子i的飛行速度，決定其運動方向和速率。粒子自身歷史最優(yōu)位置向量記為Pi=[Pi1, Pi2,Pi3, ……, Pid]，群體最優(yōu)位置記為Pg=[Pg1, Pg2,Pg3, ……, Pgd]。在迭代過程中，對每個粒子i的第d維的速度和位置分別按以下公式進行更新[7]：

Vid=ω×vid+c1r1(pid-χid)+c2r2(pgd-χid)

(1)

χid=χid+Vid;

(2)

在公式(1)中，ω是慣量權(quán)重；c1和c2是加速度系數(shù)，也稱為學(xué)習(xí)因子；r1和r2是兩個[0,1]區(qū)間上的隨機數(shù)。

Eberhart和Kennedy于1997年提出二進制PSO算法[8]，用于解決組合優(yōu)化問題。在BPSO算法中，粒子的搜索空間變?yōu)镈維的二進制空間，將每一維的χi和Pi限制為0或者1，不限制速度Vi。Kennedy等提出用速度的Sigmoid函數(shù)表示粒子位置的改變，速度更新方式不變：

(3)

從而，得到BPSO算法的位置更新公式：

(4)

在使用BPSO算法進行特征選擇過程中，M個特征構(gòu)成M維二進制空間。對每一個粒子i，假如第k位為1，表示選中第k個特征。例如，i=0101011，則表示特征2、特征4、特征6、特征7被選中構(gòu)成特征子集。

1.2算法描述

用二進制PSO算法優(yōu)選特征子集的步驟如下所述：

Step1：初始化所有個體，設(shè)置初始速度和位置，并且將個體Pi設(shè)為當前值，將群體中最優(yōu)個體作為當前Pg；

Step2：用公式(8)計算每個粒子的適應(yīng)度函數(shù)值；

Step3：對每個粒子，將適應(yīng)值與歷史最優(yōu)值比較，如果適應(yīng)值較優(yōu)，則將其置為當前最好位置；

Step4：對每個粒子，如果該粒子的歷史最優(yōu)比全局最優(yōu)好，則將其置為當前Pg；

Step5：按照公式(1)、公式(3)、公式(4)更新速度和位置；

Step6：判斷是否達到結(jié)束條件。若是，輸出Pg對應(yīng)的特征子集，算法結(jié)束；如否，轉(zhuǎn)到Step2。

2　實驗設(shè)計與分析

2.1銑削力信號獲取和前期處理

本文以端面銑刀為研究對象，實驗在MakinoCNC銑床上進行，選擇Kistler9257B測力儀作為測力傳感器采集銑削力信號。刀具采用EGD4440R，刀片為YT5。工件材料ASSAB7-718HH(206mm×43mm×106mm)。實驗的切削參數(shù)是：主軸轉(zhuǎn)速800rpm，進給速度1500mm/min，切削深度為1mm。

按照后刀面磨損量，將刀具磨損過程分為三個階段：初期磨損、正常磨損、急劇磨損。選取8把同種刀具，在相同切削條件下做刀具磨損實驗，記錄后刀面磨損量隨時間變化的曲線，如圖1所示。ABCD為刀具磨損經(jīng)典曲線，細實線為刀具磨損實驗曲線。通過對比發(fā)現(xiàn)，實驗曲線與經(jīng)典曲線基本符合。AB段為初期磨損階段，后刀面磨損量為0～0.1；BC段為正常磨損階段，磨損量為0.1～0.4；CD段為急劇磨損階段，磨損量為0.4～0.5。刀具不應(yīng)在急劇磨損階段時使用。ISO8688-1定義了銑刀壽命，當VB≥0.5時，認為刀具失效。

圖1　刀具磨損過程曲線

為便于計算，將整個過程按時間分為12個等時間階段，如圖1所示，第1個時期對應(yīng)刀具磨損初期磨損階段，第2～9個時期對應(yīng)正常磨損階段，第10～12個時期對應(yīng)急劇磨損階段。每個時期隨機選取20組刀具磨損量樣本。采集到的信號經(jīng)過時域分析、小波包分析等做前期處理，選取最大值(X1)、最大幅度(X2)、均值(X3)、均方根(X4)、標準方差(X5)、峰值(X6)以及16個頻段的能量(X7- X22)共22個特征構(gòu)成初始特征集合。由于文章篇幅所限，在本文中僅列出所選22個特征信號中的前10個，以及三個磨損階段中部分時期的數(shù)據(jù)，如表1所示。

表1　本文提取的部分特征值數(shù)據(jù)

2.2算法參數(shù)設(shè)置

粒子在搜索空間中的適應(yīng)值是由問題所定義的適應(yīng)度函數(shù)確定的，適應(yīng)度越高，說明粒子的位置越好。因此，能否選擇合適的適應(yīng)度評價函數(shù)對于算法的性能至關(guān)重要。本文采用相關(guān)性評測[9]方法以消除與目標無關(guān)的特征以及與其它特征相關(guān)性高的冗余特征。特征A和特征B的關(guān)系用對稱不定性定量[10]：

(5)

X的熵函數(shù)用下式表示：

(6)

特征A和特征B的聯(lián)合熵函數(shù)：

(7)

故二進制粒子群算法的適應(yīng)度函數(shù)可用下式表示：

(8)

公式(8)中，C是類屬性，i和j包括特征集里的所有特征。F(X)值越大，表明粒子的適應(yīng)度越高。

二進制PSO算法的其它參數(shù)設(shè)置如下[8]：c1和c2是加速度系數(shù)，傳統(tǒng)上取固定值2.0；設(shè)定一個常量Vmax限制速度范圍，其決定粒子每一次的最大移動距離，Vmax一般取相應(yīng)維搜索空間的10%～20%，本文取Vmax=4.0；慣性權(quán)重ω控制前一速度對當前速度的影響，本文采用線性遞減方案，將ω設(shè)置為：ω1=0.9，ω2=0.2，迭代次數(shù)MaxIte=30。另外，將群體粒子數(shù)設(shè)為：N=3。

2.3實驗仿真結(jié)果

用MATLAB語言編寫算法程序，將2.1節(jié)提取的原始信號特征集輸入程序中，得到BPSO算法優(yōu)選的銑削力特征子集，特征子集共分三組，每組均由9個特征組成，如表2所示。將優(yōu)選的特征子集和初始特征集分別輸入到三層BP神經(jīng)網(wǎng)絡(luò)得到模式識別正確率(%)和所耗費時間(ms)，如表3所示。

表2　銑削力優(yōu)選特征子集

表3　輸入BP神經(jīng)網(wǎng)絡(luò)識別結(jié)果

通過對比得出，經(jīng)二進制PSO算法優(yōu)選的特征子集對應(yīng)的模式識別正確率均在91%以上，而初始特征集對應(yīng)的識別正確率只有70%左右。并且，優(yōu)選特征子集對應(yīng)的識別速度遠遠快于初始特征集。

3　結(jié)束語

本文將二進制粒子群優(yōu)化算法用于提取銑削力信號特征子集，所優(yōu)選的特征子集維數(shù)明顯降低。實驗結(jié)果表明，將優(yōu)選的特征子集輸入到三層BP神經(jīng)網(wǎng)絡(luò)后可以得到較高的刀具磨損識別正確率和識別速度。

[1] 樊寧，郭培全，王慧,等.刀具磨損過程切削力頻譜特性的研究[J].組合機床與自動化加工技術(shù)，2008(5):69-71.

[2] 劉銳，王玫，陳勇.基于優(yōu)選特征的刀具磨損檢測方法[J]. 組合機床與自動化加工技術(shù)，2010(3)：59-61.

[3] Wang Mei,Sun Qihui,Fu Xianwu. Feature selection method on milling force signal based on ant colony algorithm [J]. Journal of Vibration,Measurement and Diagnosis，2014,34(2):372-378.

[4] K V hIardia,J TKent,Mbibby.Multivariate Analysis(probability and mathematical statistics)[M].New York:Academic Press,1995.

[5] 馬建峰,王信義.銑刀磨損監(jiān)測中的聲發(fā)射信號的特征優(yōu)選[J].北京理工大學(xué)學(xué)報，2001,21(2)：180-184.

[6] 朱名銼，蔡永霞.有監(jiān)督線性特征映射網(wǎng)絡(luò)及刀具磨損量實時估計[J].西北工業(yè)大學(xué)學(xué)報，1997,15(1)：1-5.

[7] Kennedy J, Eberhart R C. Particle swarm optimization[J]. In: Pro-ceedings of the IEEE Int. Conf. Neural Networks, 1995. 1942-1948.

[8] 張軍,詹志輝.計算智能[M].北京:清華大學(xué)出版社,2009.

[9] Eberhart R C, Kennedy J.A discrete binary version of the parti-cle swarm algorithm[C]. In:IEEE Conference on Systems,Man,and Cybemetics.Orlando, FL,IEEE Press, 1997:4104-4109.

[10] Liu H,Setiono R. Feature Selection with Selective Sampling[C].In:Proc.19th Intl Conf. Machine Learning,2002:395-402.

[11] 董琳,邱泉,于曉峰,等.數(shù)據(jù)挖掘?qū)嵱脵C器學(xué)習(xí)技術(shù)[M].2版.北京:機械工業(yè)出版社,2006.

[12] 楊永.基于切削力的小波神經(jīng)網(wǎng)絡(luò)刀具磨損狀態(tài)檢測[J].機床與液壓，2009,37(7):250-251.

(編輯李秀敏)

Application of BPSO in Tool Wear State Recognition

HUANG Guang-yi,WANG Jie,WANG Mei,ZHANG Yu-jia

(School of Manufacturing Science & Engineering,Sichuan University,Chengdu 610065,China)

Feature selection is one of the important problems in the cutting tool wear pattern recognition area. Taking the face milling cutter as an object, a method based on BPSO is proposed to optimal feature selection of milling force signal. The algorithm uses the relevance criterion to calculate the fitness value with the fitness function, and searches the optimal solution of the global optimal solution by the binary encoding mode. Finally, the optimal features subset is put into a three layer BP neural network for pattern recognition. The experimental results show that the feature subset of the milling force signal selected by the BPSO algorithm can improve the tool wear recognition accuracy and shorten the recognition time.

tool wear;feature selection;PSO;relevance criterion; pattern recognition

1001-2265(2016)09-0085-03DOI:10.13462/j.cnki.mmtamt.2016.09.024

2015-11-12

黃廣奕(1990—)，男，廣東河源人，四川大學(xué)碩士研究生，研究方向為機械制造及自動化，(E-mail)hgychengdu@163.com。

TH162;TG506

A