潘賀豐,朱堅民
(上海理工大學 機械工程學院,上海 200093)
基于異源信號特征融合的刀具磨損狀態(tài)識別
潘賀豐,朱堅民
(上海理工大學 機械工程學院,上海 200093)
針對單一刀具切削信號的局限性和磨損特征存在較強的非線性,提出一種基于異源信號特征融合的刀具磨損狀態(tài)識別方法。同時采集加工過程中的振動信號和聲發(fā)射信號,分別提取它們小波包頻帶的相關時域特征,采用局部保留投影算法對原始特征進行降維,并將兩信號的低維特征進行融合,對融合特征通過灰色接近關聯(lián)模型進行磨損狀態(tài)識別。通過3把車刀的切削磨損實驗,結果表明該方法可充分利用異源信號的互補信息和特征數據之間的非線性關系,更全面地表征刀具磨損狀態(tài),相比單信號法具有更高的識別精度。
異源信號;局部保留投影;特征融合;刀具磨損;灰色接近關聯(lián)模型
刀具作為金屬切削過程的直接執(zhí)行者,其狀態(tài)的變化直接導致產品質量下降和生產成本增加,所以刀具狀態(tài)的監(jiān)測對提高產品質量,降低生產成本具有重要意義。傳統(tǒng)方法大多基于單一信號[1-4],然而,單一信號的信息量有限,限制了監(jiān)測準確性的提高。基于多種信號同時監(jiān)測的傳感器融合技術[5-7]具有信息覆蓋范圍廣,抗干擾能力強等優(yōu)勢。振動信號對刀具磨損具有較高的敏感度[8],聲發(fā)射信號頻率高[9],避開了加工過程中振動和環(huán)境噪聲污染嚴重的低頻區(qū)。因此,本文將振動信號與聲發(fā)射信號同時用于車刀磨損狀態(tài)的識別。由于切削信號具有較強的非線性和非平穩(wěn)性,提取的原始高維特征中不可避免的存在冗余信息,所以需要對原始高維特征進行簡化,提取能夠反映刀具磨損的低維特征。在刀具磨損狀態(tài)的識別方法方面,神經網絡方法[10]需要大量的訓練樣本,支持向量機算法[2]的核函數、損失函數以及懲罰參數選擇的隨機性影響識別性能。因此,需要尋找一種適用于樣本量少且算法簡單的方法。
綜合以上分析,本文提出了一種基于異源信號特征融合的車刀磨損狀態(tài)識別方法。首先對振動信號和聲發(fā)射信號進行小波包特征提取,然后用局部保持投影(LPP)方法對原始特征進行降維,并將兩類信號的低維特征進行融合,最后用灰色接近關聯(lián)分析融合特征,進行刀具磨損狀態(tài)的識別。通過三把車刀的切削實驗,結果表明該方法能夠有效用于車刀磨損狀態(tài)的識別。
本文基于振動(Vibration, VIB)和聲發(fā)射(Acoustic Emission, AE)這兩個異源信號的分析進行車刀磨損狀態(tài)的識別。安裝在車刀刀柄上的振動傳感器和聲發(fā)射傳感器在切削加工過程中實時采集振動信號和聲發(fā)射信號,并依次經過信號放大、抗混疊濾波和A/D轉換后存儲在計算機中,供后續(xù)分析。車刀磨損狀態(tài)識別原理如圖1所示。
圖1 車刀磨損狀態(tài)識別流程圖
(2)獲取低維特征。采用局部保持投影(Locality Preserving Projection , LPP)方法對原始高維特征矩陣進行降維,去除冗余信息,得到低維特征矩陣YVIB和XAE;
(3)獲取融合特征。將低維特征YVIB和XAE進行串行組合,得到融合特征矩陣TLPP;
(4)狀態(tài)識別。對融合特征進行灰色接近關聯(lián)分析,用關聯(lián)度的大小反映車刀的磨損狀態(tài)。
1.1 基于小波包變換的特征提取
原始高維非線性特征中存在冗余信息,有必要剔除冗余信息以提高識別的準確性。LPP算法[11-13]通過非線性降維提取高維數據的內在特征,適用于處理高維、復雜非線性的刀具磨損特征。
設樣本X=(x1,x2,…,xn)T為原始高維特征矩陣,維數為n×p,Y=(y1,y2,…,yn)T為降維后的低維特征矩陣,維數為n×d。
(1)計算近鄰點。計算每個點xl(l,m=1,2,…,n)與其余樣本點之間的歐氏距離,找出其最近k個點,構造一個近鄰圖。距離公式為
d(xl,xm)=‖xl-xm‖
(1)
(2)構造矩陣W
(2)
(3)計算特征矢量
XLXTa=λXDXTa
(3)
式中,Dll=∑mWlm,L=D-W;
(4)計算式(3),得到特征值λ1<…<λd對應的特征矢量a=a1,…,ad。因此,低維空間樣本:yl=ATxl,其中A=(a1,…,ad)。則振動信號和聲發(fā)射信號的低維特征矩陣分別為
(4)
(5)
YVIB和YAE維數分別為n×d1和n×d2,(d1,d2
1.3 異源信號特征的融合
為使反映車刀磨損狀態(tài)的信息更加完整,本文將上述兩類信號的低維特征矩陣進行串行組合,得到融合特征矩陣
(6)
1.4 車刀磨損狀態(tài)的灰色識別
接近性灰色關聯(lián)模型[14]是基于距離概念構造的,對樣本量沒有太多要求,算法簡單。然而,目前傳統(tǒng)的灰色接近關聯(lián)模型存在一些不足,因此,本文引入了一種改進的灰色接近關聯(lián)模型[15]來對刀具磨損狀態(tài)特征進行分析。
2.1 實驗設計
實驗中使用型號為ZCK20的數控車床進行車削實驗,車刀刀片型號為WNMG080408-TM T9125。采用丹麥Brüel & Kjr公司的4525B型三向加速度傳感器和PXIe-1075數據采集系統(tǒng),搭載PXIe-4498板卡采集振動信號,采樣率為200 kHz。采用Kistler 8152B型聲發(fā)射傳感器,同樣使用NI公司的PXIe-1075數據采集系統(tǒng),搭載PXIe-6368板卡采集聲發(fā)射信號,采樣率為2 000 kHz。
2.2 實驗結果分析
2.2.1 異源信號分析與特征提取
本文選取了sym3小波對振動信號和聲發(fā)射信號進行分析。為說明原始特征對不同磨損狀態(tài)的區(qū)分能力,以第1個工件為參考,本文計算了第2~第80個工件與第1個工件對應的原始特征向量之間的歐式距離,結果如圖2和圖3所示。
圖2 振動信號原始特征向量之間的歐氏距離
圖3 聲發(fā)射信號原始特征向量之間的歐氏距離
由圖2和圖3可知,單個信號原始特征向量之間的歐式距離隨著刀具磨損的增加沒有呈現(xiàn)出單調趨勢,無法區(qū)分不同的磨損狀態(tài)。因此,如果將原始特征用于最終識別,則無法得到準確的識別結果。對上述原始特征進行LPP降維并融合,3把刀片對應的嵌入維數d都為20。鑒于LPP降維方法需要一定的樣本數,本文計算了第31~第80個工件與第1個工件對應的融合特征向量之間的歐式距離,如圖4所示。
圖4 融合特征向量之間的歐氏距離
由圖4可知,隨著加工工件數的增加,降維后的融合特征向量之間的歐式距離也不斷增加,呈單調上升趨勢,區(qū)分度較降維前有了顯著提高,說明降維后的特征比原始特征有了更強的磨損相關性,因此對于磨損狀態(tài)的識別準確度更高。
2.2.2 刀具磨損狀態(tài)灰色識別
圖5和圖6為對單一振動信號和聲發(fā)射信號的低維特征進行灰色接近關聯(lián)分析的結果,圖7為對振動信號和聲發(fā)射信號的融合特征進行灰色接近關聯(lián)分析的結果。
圖5 振動信號低維特征的灰色接近關聯(lián)曲線
圖6 聲發(fā)射信號低維特征的灰色接近關聯(lián)曲線
圖7 融合特征的灰色接近關聯(lián)曲線
由圖5~圖7可知:(1)單個信號的灰關聯(lián)曲線振蕩較大,單調性較差,既存在較大的突變,又存在隨著加工工件增加關聯(lián)度基本不變的情況,無法真實反映刀具磨損的漸近性;(2)異源信號融合特征的灰關聯(lián)曲線不存在較大的尖峰,比單個信號的灰關聯(lián)曲線更加光滑平穩(wěn),單調性更好;(3)在加工初期,融合特征的灰關聯(lián)度接近1,隨著刀具磨損逐漸加大,灰關聯(lián)度逐漸減小,當刀具嚴重磨損致失效時,灰關聯(lián)度在0.1附近。本實驗采用加工工件數來間接表征刀具磨損狀態(tài),融合特征的灰關聯(lián)曲線與刀具磨損狀態(tài)的變化有明顯的對應關系,當灰關聯(lián)度超過0.12時,就判斷刀具失效,沒超過則繼續(xù)使用。
(1)針對非線性、非平穩(wěn)的車削信號,采用局部保持投影(LPP)對原始高維特征矩陣進行降維,得到了能夠很好反映刀具磨損狀態(tài)的低維特征,是一種有效的非線性降維方法;(2)改進的灰色接近關聯(lián)方法彌補了傳統(tǒng)灰色接近關聯(lián)方法的不足,能如實地反映出數據序列的相似程度;(3)將振動信號和聲發(fā)射信號相結合,獲得了更多反映刀具磨損狀態(tài)的信息,有效降低了識別的不確定性,提高了識別的準確性和可靠性。
[1] 張棟梁,莫蓉,孫惠斌,等.基于流形學習與隱馬爾可夫模型的刀具磨損狀況識別[J].西北工業(yè)大學學報,2015,33(4):651-657.
[2] 關山,閆麗紅,彭昶.LS-SVM回歸算法在刀具磨損量預測中的應用[J].中國機械工程,2015,26(2):217-222.
[3] 陳保家,陳雪峰,李兵,等. Logistic回歸模型在機床刀具可靠性評估中的應用[J].機械工程學報,2011,47(18):158-164.
[4] Shao H,Wang H L,Zhao X M.A cutting power model for tool wear monitoring in milling[J].International Journal of Machine Tools and Manufacture,2004,44(14):1503-1509.
[5] 周友行,張俏,田茂,等.批量鉆削監(jiān)測信號雙譜特征融合研究及應用[J].機械工程學報,2014,50(24):24-30.
[6] Ibrahim D,Khaled A,Firas H.On modeling of tool wear using sensor fusion and polynomial classifiers[J].Mechanical Systems and Signal Processing,2009,23(5):1719-1729.
[7] 李學軍,李平,蔣玲莉,等.基于異類信息特征融合的異步電機故障診斷[J].儀器儀表學報,2013,34(1):227-233.
[8] 李威霖.車銑刀具磨損狀態(tài)監(jiān)測及預測關鍵技術研究[D].西安:西安交通大學,2013.
[9] Quadro Alexandre L,Branco J R T.Analysis of the acoustic emission during drilling test[J].Surface and Coating Technology,1997(94 -95):691 -695.
[10] 李曉暉,傅攀.特征降維與決策融合在刀具磨損監(jiān)測中的應用[J].機械設計與研究,2013,29(5):53-58.
[11] 張曉濤,唐力偉,王平,等.基于多尺度正交PCA-LPP流形學習算法的故障特征增強方法[J].振動與沖擊,2015,34(13):66-71.
[12] 張紹輝,李巍華.基于特征空間降噪的局部保持投影算法及其在軸承故障分類中的應用[J].機械工程學報,2014,50(3):92-99.
[13] 楊望燦,張培林,張云強.基于鄰域自適應局部保持投影的軸承故障診斷模型[J].振動與沖擊,2014,33(1):39-44.
[14] 劉思峰,謝乃明,Forrest Jeffery.基于相似性和接近性視角的新型灰色關聯(lián)分析模型[J].系統(tǒng)工程理論與實踐,2010,30(5):882-887.
[15] 劉震,黨耀國,周偉杰,等.新型灰色接近關聯(lián)度模型及其拓展[J].控制與決策,2014,29(6):1071-1075.
Tool Wear State Recognition Based on Heterogeneous Signals Features Fusion
PAN Hefeng, ZHU Jianmin
(School of Mechanical Engineering, University of Shanghai for Science and Technology, Shanghai 200093, China)
A tool wear state recognition method based on heterogeneous signals features fusion is proposed to address the limitation of single tool turning signal and strong nonlinear relation of wear features. The vibration signal and acoustic emission signal are acquired simultaneously during the processing, and the wavelet packet frequency band relevant time-domain features are extracted respectively. Local preserving projection algorithm (LPP) is used to reduce the original features dimension. The low dimension features of the two signals are fused and sent to the grey nearness incidence model for wear state recognition. Experiment of the three turning tools show that the proposed method can make full use of complementary information from different signals and nonlinear relation among features data, and characterize tool wear state more comprehensively. The proposed method can obtain higher recognition accuracy than single signal method.
heterogeneous signals; local preserving projection; features fusion; tool wear; grey nearness incidence model
2016- 11- 14
國家自然科學基金(50975179);上海市教委科研創(chuàng)新基金(11ZZ136);上海市科委科研計劃基金(13160502500);滬江基金(D14005)
潘賀豐(1991-),男,碩士研究生。研究方向:精密測量。朱堅民(1968-),男,博士,教授。研究方向:機電系統(tǒng)的智能測控。
10.16180/j.cnki.issn1007-7820.2017.05.029
TN911.7;TB93
A
1007-7820(2017)05-105-05