亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于多信息融合和改進(jìn)PSO-SVM的刀具磨損仿真預(yù)測(cè)

        2021-07-27 06:35:50黃慶卿胡小林
        實(shí)驗(yàn)室研究與探索 2021年6期
        關(guān)鍵詞:刀具磨損閾值

        黃慶卿, 黃 豪, 張 焱, 胡小林

        (1.重慶郵電大學(xué)工業(yè)物聯(lián)網(wǎng)與網(wǎng)絡(luò)化控制教育部重點(diǎn)實(shí)驗(yàn)室,重慶400065;2.重慶工業(yè)大數(shù)據(jù)創(chuàng)新中心有限公司,重慶400700)

        0 引 言

        近年來,隨著機(jī)械領(lǐng)域的快速發(fā)展,應(yīng)用于機(jī)械加工領(lǐng)域的刀具數(shù)量和種類日益增多,能否準(zhǔn)確預(yù)測(cè)刀具磨損狀態(tài)是影響企業(yè)對(duì)刀具數(shù)量采購、自身成本預(yù)算和切削參數(shù)的設(shè)定等的重要因素,對(duì)實(shí)現(xiàn)智能化機(jī)床有重要作用。高速銑削中的刀具磨損過程復(fù)雜、參數(shù)過多等因素導(dǎo)致難以準(zhǔn)確預(yù)測(cè)刀具磨損,如何通過更加有效途徑預(yù)測(cè)刀具磨損成為研究人員的關(guān)注焦點(diǎn)[1-4]。

        國內(nèi)外學(xué)者對(duì)刀具磨損預(yù)測(cè)做了大量的研究,并且取得了大量的研究成果。根據(jù)不同的監(jiān)測(cè)手段,刀具磨損的檢測(cè)方法主要分為直接監(jiān)測(cè)法和間接監(jiān)測(cè)法[5],間接監(jiān)測(cè)法相較于直接監(jiān)測(cè)法,測(cè)量成本低、測(cè)量方便,能夠?qū)崿F(xiàn)實(shí)時(shí)在線監(jiān)測(cè)且環(huán)境因素的噪聲干擾也可以通過后期信號(hào)處理的相關(guān)技術(shù)進(jìn)行去噪,故更有利刀具磨損狀態(tài)的監(jiān)測(cè)。在用間接監(jiān)測(cè)法采集到的數(shù)據(jù)中往往包含有噪聲,如果直接使用帶有噪聲的數(shù)據(jù)進(jìn)行預(yù)測(cè),會(huì)降低模型的預(yù)測(cè)準(zhǔn)確度,常用的去噪方法有小波變換[6-7]、經(jīng)驗(yàn)?zāi)B(tài)分解[8]等。間接監(jiān)測(cè)法常用的有切削電流[9-10]、切削振動(dòng)[11]、聲發(fā)射[12]以及多傳感器信號(hào)融合[13]等。在對(duì)模型選擇上有不少學(xué)者采用支持向量機(jī)(Support Vector Machine,SVM)[14]、人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)[15]等方法對(duì)刀具磨損進(jìn)行研究。相比較神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu)且過分依賴于樣本的數(shù)量,支持向量機(jī)能更好地處理小樣本、非線性和高維度等的分類問題,支持向量機(jī)還具有良好的泛化能力和自學(xué)習(xí)能力,但支持向量機(jī)的分類能力很大程度上取決于參數(shù)的選擇,針對(duì)這一問題,很多學(xué)者采用了目前較為流行的智能優(yōu)化算法對(duì)SVM進(jìn)行參數(shù)優(yōu)化,如皮駿等[16]提出遺傳算法(Genetic Algorithm,GA)優(yōu)化,Liu等[17]提出蟻群算法優(yōu)化,劉成穎等[18]提出粒子群算法優(yōu)化。

        通過采集刀具不同磨損階段的聲發(fā)射、振動(dòng)和電流等信號(hào)進(jìn)行刀具的磨損狀態(tài)預(yù)測(cè)。對(duì)信號(hào)進(jìn)行去噪處理,將提取的時(shí)域特征和切削參數(shù)構(gòu)建多維特征向量。粒子群算法與其他的智能優(yōu)化算法相比,在優(yōu)化參數(shù)時(shí)具有很強(qiáng)的魯棒性,能夠解決復(fù)雜的非線性問題,但粒子群算法也存在容易陷入局部最優(yōu)和搜索準(zhǔn)確度不高等問題,就此,提出了一種改進(jìn)的粒子群優(yōu)化(Particle Swarm Optimization,PSO)算法,用改進(jìn)的PSO-SVM模型做分類器實(shí)現(xiàn)了對(duì)刀具磨損狀態(tài)的預(yù)測(cè)。

        1 小波去噪和改進(jìn)的PSO-SVM算法

        1.1 小波去噪

        小波變換是一種在時(shí)、頻域分析信號(hào)的方法,具有多分辨分析的特點(diǎn),在時(shí)域和頻域都具有表征信號(hào)局部特征的能力,在低頻部分具有較低的時(shí)間分辨率和較高的頻率分辨率,在高頻部分具有較高的時(shí)間分辨率和較低的頻率分辨率,很適合于分析非平穩(wěn)的信號(hào)和提取信號(hào)的局部特征,連續(xù)小波的基函數(shù)為

        式中:α為尺度因子;b為平移因子。

        在進(jìn)行刀具磨損監(jiān)測(cè)應(yīng)用中,采集到的狀態(tài)信號(hào)常為具有一定噪聲的非平穩(wěn)信號(hào),可以利用小波去噪方法進(jìn)行降噪處理。小波閾值去噪的基本思路是預(yù)先設(shè)定一個(gè)閾值,將信號(hào)經(jīng)過小波變換得到小波分析系數(shù),將其與初始閾值進(jìn)行比較,如果小波系數(shù)小于閾值,則認(rèn)為該處系數(shù)主要由噪聲引起的,將其去除,達(dá)到降噪的目的。

        1.2 改進(jìn)粒子群算法

        粒子群算法(PSO)是從生物種群行為特性中得到啟發(fā)而發(fā)明的一種用于求解最優(yōu)解問題的算法。其主要思想是:通過個(gè)體之間的協(xié)作和信息共享來尋找最優(yōu)解:

        式中:ω為慣性權(quán)重;c1、c2為學(xué)習(xí)因子分別為第i個(gè)粒子的第k次迭代中的第d維的速度和位置;rand(·)為[0,1]范圍內(nèi)均勻分布的隨機(jī)數(shù)為k次迭代中第i個(gè)粒子的個(gè)體的最優(yōu)位置的第d維為k次迭代中粒子群歷史最優(yōu)位置的第d維。

        在粒子群算法中,慣性權(quán)重體現(xiàn)了上一代粒子的速度對(duì)當(dāng)前代粒子速度的影響程度,慣性權(quán)重越大,粒子的全局搜索能力就越強(qiáng),避免陷入局部最優(yōu)解,慣性權(quán)重越小,粒子的局部搜索能力就越強(qiáng),使之快速收斂。針對(duì)傳統(tǒng)粒子群算法設(shè)定固定權(quán)重的這一缺陷,提出了一種自適應(yīng)慣性權(quán)重的式子為:

        式中:ωmax為慣性權(quán)重的最大值;k為當(dāng)前的迭代次數(shù);kmax為迭代的最大次數(shù)。可見,在搜索前期慣性權(quán)重比較大,有利于算法的全局搜索,在迭代后期,慣性權(quán)重較小,粒子的局部搜索能力強(qiáng),提高所求最優(yōu)解的準(zhǔn)確度。

        學(xué)習(xí)因子c1、c2體現(xiàn)了粒子往個(gè)體最優(yōu)解和全局最優(yōu)解靠近的能力。提出了一種自適應(yīng)調(diào)整學(xué)習(xí)因子:

        式中,T為迭代的最大次數(shù)??梢?,在搜索前期,c1值較大而c2值較小,有利于全局搜索,在搜索后期,c1值較小而c2值較大,可以加快后期收斂能力。

        1.3 改進(jìn)的PSO-SVM算法

        支持向量機(jī)(SVM)是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)方法,其核心思想是將低維空間線性不可分的數(shù)據(jù)映射到高維空間,在高維空間中構(gòu)建一個(gè)最優(yōu)分類超平面對(duì)數(shù)據(jù)進(jìn)行區(qū)分,并將分類間隔最大化。其中SVM中的懲罰因子c和核函數(shù)參數(shù)g的選擇對(duì)分類結(jié)果影響極大,故采用1.2節(jié)所述改進(jìn)的粒子群算法對(duì)SVM進(jìn)行參數(shù)優(yōu)化,具體步驟為:

        步驟1參數(shù)初始化。設(shè)置種群大小、最大迭代次數(shù)、定義適應(yīng)度函數(shù)、權(quán)重ω的最大值與最小值、最大迭代次數(shù)、每個(gè)粒子的位置和速度的初始化、核函數(shù)參數(shù)g和懲罰因子c的取值范圍;

        步驟2計(jì)算每個(gè)粒子的適應(yīng)度值,更新個(gè)體最優(yōu)值和全局歷史最優(yōu)值;

        步驟3通過1.2節(jié)中的式(2)~(6)更新粒子的速度和位置;

        步驟4判斷是否達(dá)到最大迭代次數(shù),如果是則輸出支持向量機(jī)的最優(yōu)參數(shù),否則返回步驟2。

        用PSO優(yōu)化SVM參數(shù)的具體流程如圖1所示。

        圖1 改進(jìn)的粒子群算法優(yōu)化支持向量機(jī)參數(shù)流程圖

        1.4 基于改進(jìn)的PSO-SVM的刀具磨損預(yù)測(cè)程序

        如圖2所示為基于改進(jìn)的PSO-SVM的刀具磨損狀態(tài)預(yù)測(cè)流程圖。

        圖2 基于改進(jìn)的PSO-SVM的刀具磨損狀態(tài)預(yù)測(cè)流程圖

        2 仿真研究

        2.1 數(shù)據(jù)來源

        銑削數(shù)據(jù)集來源于NASA數(shù)據(jù)庫提供的銑刀磨損試驗(yàn)數(shù)據(jù)集[19],其中包含16把銑刀在不同的操作條件下的退化數(shù)據(jù),實(shí)驗(yàn)在MC-510V CNC立式加工中心的銑床上進(jìn)行,通過3種不同類型的傳感器分別采集工作臺(tái)和主軸的振動(dòng)、聲發(fā)射以及主軸電動(dòng)機(jī)的直流和交流信號(hào),每加工一段時(shí)間后使用顯微鏡測(cè)量銑刀的磨損值并記錄。

        選取序號(hào)為3、11、12的刀具數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù),3把刀具的切削參數(shù)見表1。

        表1 切削參數(shù)

        每把刀具分別取12組對(duì)應(yīng)刀具磨損狀態(tài)不同的數(shù)據(jù),所取數(shù)據(jù)的磨損變化趨勢(shì)見圖3所示。

        圖3 磨損變化趨勢(shì)圖

        每組數(shù)據(jù)取9 000個(gè)采樣點(diǎn);同時(shí)設(shè)置磨損區(qū)間,當(dāng)磨損值小于0.1 mm時(shí)為初期磨損,標(biāo)記為“0”,當(dāng)磨損值大于等于0.1 mm且小于0.2 mm時(shí)為中期磨損,標(biāo)記為“1”,當(dāng)磨損值大于等于0.2 mm且小于0.3 mm時(shí)為后期磨損,標(biāo)記為“2”,當(dāng)磨損值大于等于0.3 mm時(shí)為刀具失效,標(biāo)記為“3”。

        2.2 特征提取

        在對(duì)信號(hào)進(jìn)行特征提取之前,需要對(duì)信號(hào)進(jìn)行濾噪處理。采用“db6”小波基函數(shù)的4層分解進(jìn)行信號(hào)的小波去噪,選取一個(gè)由極大、極小閾值估計(jì)方法產(chǎn)生的一個(gè)均方誤差最小的閾值,小波閾值函數(shù)選擇的是軟閾值函數(shù),即

        圖4 是對(duì)序號(hào)3刀具的第1次交流電信號(hào)采樣得到的部分?jǐn)?shù)據(jù)進(jìn)行濾噪前后的對(duì)比。

        圖4 濾噪前后信號(hào)對(duì)比

        由圖4可見,小波閾值去噪的效果比較好,較好的濾除掉了隨機(jī)噪聲,重構(gòu)信號(hào)較好地保留了原始信號(hào)的大部分信息,濾噪后的曲線也更加光滑。

        在對(duì)信號(hào)進(jìn)行濾噪后,就可以對(duì)信號(hào)進(jìn)行時(shí)域特征的提取,本文主要提取的時(shí)域特征有峰值因子、裕度因子、方差、脈沖因子、均值、峰值、均方根和波形因子,將得到的時(shí)域特征和切削參數(shù)(切削深度和進(jìn)給量)相結(jié)合,并做歸一化處理,為其作為SVM模型的優(yōu)化以及模型的評(píng)估做準(zhǔn)備。

        2.3 建立SVM模型及優(yōu)化

        從每個(gè)類別中分別采集100組數(shù)據(jù)作為樣本,共選取400個(gè)樣本,其中320個(gè)樣本用于訓(xùn)練集,80個(gè)樣本用于測(cè)試集,將訓(xùn)練集用于支持向量機(jī)模型參數(shù)的尋優(yōu),測(cè)試集用于檢測(cè)模型的準(zhǔn)確度。利用1.3節(jié)中的方法進(jìn)行SVM參數(shù)尋優(yōu),設(shè)置種群大小m=50,最大迭代次數(shù)k=100,ωmax=0.9,懲罰參數(shù)C∈[0.001,100],核函數(shù)參數(shù)g∈[0.01,100],定義適應(yīng)度函數(shù)為5倍交叉驗(yàn)證下的模型的準(zhǔn)確率,尋優(yōu)結(jié)果如圖5所示。由圖5可見,隨著迭代次數(shù)增加,適應(yīng)度值也在不斷地增大,最終達(dá)到了1,說明本文提出的改進(jìn)的PSOSVM分類器有較好的尋優(yōu)能力。

        圖5 參數(shù)尋優(yōu)過程

        為了驗(yàn)證本方法的優(yōu)越性,分別與基本的PSOSVM模型以及GA-SVM兩種模型進(jìn)行對(duì)比,其中基本PSO-SVM分類器中,ω=1,c1=c2=2,GA-SVM分類器中,交叉率Pc=0.9,變異率Pm=0.01,3種模型在訓(xùn)練集上的尋優(yōu)結(jié)果對(duì)比如圖6所示。

        圖6 3種模型的參數(shù)尋優(yōu)對(duì)比

        由圖6可見,基本PSO-SVM和GA-SVM 2種分類器的最佳適應(yīng)度值分別在0.978 1和0.981 2,其中基本PSO-SVM變化程度較小,準(zhǔn)確度最低,GA-SVM的收斂速度上表現(xiàn)較差,改進(jìn)的PSO-SVM在第8次迭代時(shí)準(zhǔn)確度就已經(jīng)高過其他兩種模型,最終的適應(yīng)度值也達(dá)到1,說明改進(jìn)的PSO-SVM不僅收斂速度快,且更容易跳出局部最優(yōu)點(diǎn)。

        3種模型的最優(yōu)參數(shù)分別構(gòu)建優(yōu)化后的3種分類器,在測(cè)試集上的準(zhǔn)確率見表2。

        表2 3種模型在測(cè)試集上的準(zhǔn)確率

        可見,在測(cè)試集上改進(jìn)的PSO-SVM模型的準(zhǔn)確率依然是100%,其他兩種模型有少量錯(cuò)分的現(xiàn)象。

        3 結(jié) 語

        在切削過程中,不同傳感器采集到的信號(hào)可以從不同角度反映切削狀態(tài)的變化,刀具切削過程中產(chǎn)生的振動(dòng)、聲音以及電流等信號(hào)等都會(huì)隨著切削狀態(tài)的變化而變化,利用多傳感器信息融合的技術(shù)進(jìn)行刀具磨損狀態(tài)監(jiān)測(cè)是目前一種較為理想的監(jiān)測(cè)方法。

        采集到的信號(hào)包含有噪聲,利用小波變換方法可以對(duì)信號(hào)進(jìn)行濾噪,獲得更加接近于原信號(hào)的“干凈”信號(hào),有效提高信號(hào)的可用性。支持向量機(jī)被廣泛用于模式識(shí)別領(lǐng)域,但它自身的性能很大程度上取決于參數(shù)選擇,針對(duì)這一問題,提出一種改進(jìn)粒子群算法優(yōu)化支持向量機(jī)的核函數(shù)參數(shù)和懲罰因子。通過仿真實(shí)驗(yàn)對(duì)比,改進(jìn)PSO-SVM模型具有較高的預(yù)測(cè)準(zhǔn)確度,為刀具磨損狀態(tài)監(jiān)測(cè)提供了一種有效的方法。

        猜你喜歡
        刀具磨損閾值
        無織構(gòu)刀具與織構(gòu)刀具銑削性能對(duì)比研究
        小波閾值去噪在深小孔鉆削聲發(fā)射信號(hào)處理中的應(yīng)用
        基于自適應(yīng)閾值和連通域的隧道裂縫提取
        套管磨損機(jī)理研究
        切削刀具刃口形貌對(duì)刀具使用壽命的影響
        比值遙感蝕變信息提取及閾值確定(插圖)
        河北遙感(2017年2期)2017-08-07 14:49:00
        多功能刀具
        室內(nèi)表面平均氡析出率閾值探討
        鉆頭磨損后怎樣更換
        山高刀具推陳出新迎馬年——山高刀具2013秋季新聞發(fā)布會(huì)
        国产乱妇乱子视频在播放| 中国男男女在线免费av| 99riav国产精品视频| 熟女熟妇伦av网站| 免费看奶头视频的网站| 久久人妻少妇中文字幕| 日韩一区二区三区人妻免费观看| 国产偷国产偷精品高清尤物| 中文字幕人妻偷伦在线视频| 天天澡天天揉揉AV无码人妻斩| 国产愉拍91九色国产愉拍| 日本三级吃奶头添泬| 国产最新进精品视频| 国产系列丝袜熟女精品视频| 性色av一区二区三区四区久久| 99久久99久久精品国产片| 国产精品无码a∨精品影院| 国产精品1区2区| 国产高清在线精品一区不卡| 国产一区二区三区久久精品| 亚洲av无码日韩精品影片| 国产亚洲精品hd网站| 国产在线视频网友自拍| 欧美丰满熟妇bbb久久久| 亚洲最大中文字幕无码网站| 日本国产在线一区二区| 国产精品国产三级久久| 人妻久久久一区二区三区| 在线播放国产女同闺蜜| 中文字幕人妻在线少妇完整版| 国产精品久久久久久人妻无| 欧美性狂猛xxxxx深喉| 91久久综合精品国产丝袜长腿| 亚洲天堂av在线免费观看| 熟女少妇精品一区二区| 亚洲成人日韩| 中文字幕一区二区区免| 噜噜综合亚洲av中文无码| 国产欧美日韩a片免费软件| 亚洲av乱码国产精品色| 视频在线国产一区二区|