一种刀具磨损检测方法与流程

1.本发明涉及数控技术，神经网络技术，具体涉及一种刀具磨损检测方法。


背景技术：

2.在高速铣削过程中，刀具的磨损情况极其复杂，很难通过传统人工模型的方法来检测刀具的磨损状态，如何通过更为有效的方法来解决这个问题成为智能加工领域的研究热点刀具。在高速铣削过程中，很难检测到刀具磨损状态，而刀具磨损严重时将影响加工精度与产品质量。
3.传统方法主要依靠切削力系数来分析刀具磨损、需要安装额外测力装置、干扰加工，因而存在不可避免的人为因素的问题。同时现有的浅层模型更多的是针对某一类或者某一种信号进行分析和判别，因此极容易陷入局部最优，为了解决浅层模型学习能力弱、泛化能力不强的问题，本发明提出了一种基于3-kmmbs的刀具磨损检测方法。


技术实现要素：

4.本发明目的是提供一种能够对刀具磨损状态实现检测的方法，高效、准确率高、稳定性强，以克服上述浅层模型检测刀具磨损的缺陷。
5.本发明为实现上述目的所采用的技术方案是：
6.一种刀具磨损检测方法，包括以下步骤：
7.采集刀具铣削时信号样本，对信号样本进行小波包变换提取特征，得到无标签样本；
8.利用改进的3-k-means聚类算法对无标签样本分类，将分类后的样本进行标定，得到具有标签的样本，并输入到神经网络中训练，得到神经网络模型；
9.实时采集刀具铣削时的信号，通过小波分析与小波包变换提取特征，得到无标签数据，根据神经网络模型，预测并输出刀具磨损状态结果。
10.所述信号样本为刀具铣削时的振动和声发射信号。
11.利用softmax分类器对训练后的样本数据进行分类，并利用梯度下降算法确定最优的多隐层神经网络结构。
12.所述通过小波分析与小波包变换提取特征为：
13.对信号样本进行小波包变换后，信号样本中的时间序列被分解成近似系数和细节系数，根据近似系数和细节系数判断信号样本是否具有奇异性，当信号样本具有奇异性时，提取该信号样本中的奇异性特征作为无标签样本。
14.所述利用改进的3-k-means聚类算法对无标签样本分类，将分类后的样本进行标定为：
15.1)定义三个初始聚类中心，依次分别表示初期磨损、正常磨损、急剧磨损；
16.2)将每个样本点，即：无标签样本指派到最近的聚类中心，形成簇；如果第2个簇中的点个数超过了无标签样本总数的50％，那么保留距离第2个簇的聚类中心最近的无标签
样本总数的50％的点，剩余的点将其按距离另外两个簇的聚类中心大小就近归于第1或第3类中，并更新每个簇的聚类中心；
17.3)重复步骤2)，直到簇不发生变化或达到最大迭代次数。
18.所述标签用于表示：初期磨损、正常磨损、急剧磨损中的任意一种。
19.所述刀具磨损状态结果为初期磨损、正常磨损、急剧磨损。
20.本发明具有以下有益效果及优点：
21.1.本发明改进了传统的k-means算法，用于对刀具磨损状态的分类。
22.2.本发明抛弃了浅层模型的结构，利用多选择多隐层神经网络用于特征学习。
23.3.本发明数据预处理时，使用小波包变化和倒频谱分析来提取高频特征。
24.4.本发明利用上述方法，能够实现对刀具磨损状态的精确预测。通过实验验证，该方法相对于传统机器学习方法以及浅层模型，具有更强的学习能力和更高的预测准确率。
附图说明
25.图1是刀具磨损曲线图；
26.图2是3-k-means算法流程图；
27.图3是多选择多隐层神经网络结构图；
28.图4是3-kmmbs工作流程图；
29.图5是振动信号变换前后对比图；
30.图6是原始信号与倒频谱分析；
31.图7是3-kmmbs预测刀具磨损状态的平均准确率。
具体实施方式
32.下面结合附图及实施例对本发明做进一步的详细说明。
33.深层神经模型提取的特征更具天然化和层次化，能够发现高维数据结构中的复杂信息，避免了浅层模型需要人为参与来提取样本特征的弊端。同时利用预训练过程，避免了浅层模型易陷入局部最优的问题。在结合深度学习的优势和刀具磨损的特点，本发明提出了一种基于3-kmmbs的刀具磨损检测方法(其中3-k代表3-k-means算法，mb代表multi-selectionmultihiddenlayerbp neural network，s代表softmax分类器)。本发明为实现以上部分，所采用的的技术方案如下所示：一种刀具检测方法，包括以下步骤：
34.首先，利用改进的3-k-means算法聚类出刀具的三种磨损状态区间，利用傅里叶变换，小波包变换等提取振动和声发射信号等作为输入参数，采用多选择多隐层bp神经网络等对其进行特征学习，建立刀具磨损检测模型，并通过参数微调不断优化模型；最后，对提出的刀具磨损检测方法通过进行实验验证。
35.下面结合附图对本发明做详细说明。
36.如图4所示，本发明包括以下步骤：
37.第一步，获取信号样本，对信号样本进行小波包变换提取特征；
38.如图5所示，首先，对振动信号进行db6小波包变换后，序列被分解成近似系数(approximation coefficients)和细节系数(detail coeffi-cients)，从而提取其中的奇异性特征。其次，频谱分析能够体现出信号或时间序列如何随频率分布的情况，并且方便实
验提取难以观测到的特征信息，受人工因素的影响较小。其中功率谱能够描述信号功率随频率的变化情况，而倒频谱是对功率谱的对数值进行傅立叶逆变换的结果。实验中对不同磨损状态的刀具数据做小波分析，分析高低频中的特征数据(原始声发射信号和声发射信号倒频谱分析如图6所示，其中ae-rms为声发射信号的均方根值)。
39.第二步，利用改进的3-k-means聚类算法进行无标签样本分类，为所有无标签样本数据打上标签，同时输入到多选择多隐层神经网络中，并对其进行有监督训练；
40.刀具的磨损阶段通常可分为初期磨损阶段、正常磨损阶段和急剧磨损阶段。根据实际铣削中的刀具磨损情况，可以将刀具的磨损状态分为3类，并给予不同磨损状态以不同的标签值，即：初期磨损为标签0，正常磨损为标签1，急剧磨损为标签2。
41.聚类算法中，较为经典且高效的当属k-means算法，本文改进了k-means算法，使得其聚成的三个类的比例尽可能接近于1:5:4，因而称作3-k-means算法。3-k-means算法思想：首先定义初始聚类中心；然后将每个点指派到最近的聚类中心，形成簇；如果第2个簇中的点个数超过了总数的50％，那么就将其按距离大小归于第1或第3类中，并重新计算每个簇的聚类中心；重复前一个步骤，直到簇不发生变化或达到最大迭代次数。
42.聚类的比例控制在1:5:4左右，是因为该比例是经过了大量的实验对比之后得出的，实验得到的刀具磨损曲线如图1所示。观察曲线，可以发现1:5:4的聚类比例更符合刀具的磨损曲线，也更贴近于真实的刀具磨损情况。另外可以看出在铣削过程的前期，刀具很快的达到了轻度磨损的状态，且曲线在轻度磨损与中度磨损的边界附近较快地趋于了平稳，并在中度磨损和重度磨损的边界处，曲线突然变得陡峭，斜率较快地增长起来。
43.如图2所示，在3-k-means中，目标函数用于重新计算以及如何计算每个簇的聚类中心，因此距离度量与目标函数是3-k-means的核心。这里可以使用误差平方和(sum of the squared error,sse)作为聚类的目标函数，如公式(1)所示。
[0044][0045]
其中，k表示聚类中心的个数，在这里k＝3。x表示待计算样本坐标，c
i
表示第i个聚类中心，dist表示的是两点之间的欧式距离。对第k个聚类中心c
k
求解，即对sse求导，令导数为零即可求出c
k
，如公式(2)、(3)所示：
[0046][0047][0048]
其中，m
k
为第k类已标记样本的个数，即：第k类已打标签样本的个数。
[0049]
bp神经网络，即：反向传播神经网络，是深度学习里最基础也是最基础、最具代表性的神经网络。值得注意的是，在刀具磨损预测的过程中，bp神经网络的隐层层数与节点数制约着准确率，因此本文对bp神经网络提出了多选择，多隐层的策略。首先，每个bp神经网络的隐层结构都不尽相同，即：隐层层数、每层的节点数等都是独一无二的；其次，将多个不同隐层结构的bp神经网络竖向堆叠进行训练；最后，结合softmax分类器，确定最佳的隐层结构。通过这种对隐层结构的调整和调优的方法，从而实现对刀具磨损的精准预测。
[0050]
首先将输入x1、x2、
…
、x
m
输入到多组不同隐层结构的bp神经网络中(bp1，bp2，
……
，bp
n-1
，bp
n
)，并利用softmax分类器进行分类，确定准确率最高的深层网络结构，同时将该多隐层神经网络用于以后对刀具磨损状态的预测。
[0051]
整个多选择多隐层神经网络的工作流程如图3所示。
[0052]
如图7所示，第三步，利用测试样本集，将训练完的数据用softmax分类器进行分类，确定出准确率最高的多隐层神经网络并利用梯度下降算法，对刀具磨损状态预测模型进行参数微调和精度测试。
[0053]
多隐层神经网络作为深度神经网络的结构之一，具有很强的特征学习能力，但是其分类预测能力不强，需要结合具有分类预测能力的分类器。而在众多分类器中，softmax分类器具有很好的分类预测能力，因此被添加到多选择多隐层神经网络中，用于对刀具磨损状态的分类预测。softmax回归可以解决多分类的问题，该模型是logistic回归模型在分类问题上的推广。假设训练集为{(x
i
,y
i
)；i＝1,2,
…
,n}，y∈{1,2,
…
,k}，假设函数如公式(4)所示：
[0054][0055]
其中，θ1,θ2,
…
,θ
k
为待训练模型参数，k为类别个数，对于给定的测试输入x，用假设函数针对每一个类别j可估算出概率值p(y＝j|x；θ)。
[0056]
softmax回归模型的代价函数如公式(5)所示：
[0057][0058]
其中m为已标记样本的个数。