基于多传感器的碳纤维复合材料钻削出口分层损伤预测方法与流程

技术特征：
1.一种基于多传感器的碳纤维复合材料钻削出口分层损伤预测方法，其特征在于，结合钻削过程中力、力矩、温度和振动的在位采集，构建输入信号集，通过对分层损伤程度的准确评估，构建输出数据集，建立预测待加工孔损伤的机器学习模型，实现加工损伤的在位预测；具体步骤如下：第一步，特征信号采集与提取；在钻削过程中采集力、力矩、温度和振动四种信号；对力和力矩进行去除零点漂移处理，并进行滤波处理，去除振动信号中异常值，然后提取四种信号的时域特征值，构建每种信号的特征矩阵如下：信号的特征矩阵如下：信号的特征矩阵如下：信号的特征矩阵如下：其中，x为信号特征矩阵，z
max
、z
min
、z
p-p
、z
rms
、z
ave
、z
rave
、z
var
和z
std
分别代表时域特征值类型的最大值、最小值、峰峰值、均方根、均值、整流平均值、方差和标准差，其角标f、t、vib和tem分别代表力、力矩、振动和温度；考虑到两个平面内的力矩，力矩特征矩阵为16维，温度特征值为图像峰值特征，考虑到温度特征值曲线有两个明显的峰值特征，温度特征值矩阵为12维，力和振动特征矩阵均为8维，最终得到44维的特征值矩阵；信号特征矩阵分解为：x＝u∑v
t
ꢀꢀꢀ
(5)其中，u、v为正交阵，∑为n
×
n的对角阵，将∑分割为k列，记为σ
k
，求解降维数据点y
k
：y
k
＝u∑
k
ꢀꢀꢀꢀꢀꢀ
(6)将原有的n维特征矩阵降维成k维；使用主成分分析对信号特征矩阵进行降维分析，对各主成分进行归一化处理，通过碎石图对k值的选取进行可视化分析，选取3个力特征值主成分，4个力矩特征值主成分，2个温度特征值主成分，2个振动特征值主成分；将钻孔序号n
th
记录为一维特征，并与降维信号特征矩阵相结合，用于反映钻孔过程中的时间序列信息，构造输入特征矩阵：其中，代表了第i个力特征值主成分，代表了第i个力矩特征值主成分，代表了第i个温度特征值主成分，代表了第i个振动特征值主成分；第二步，分层损伤评估对出口处图像运用灰度化处理、二值化处理得到出口损伤轮廓，采用k-means聚类算法实现对出口损伤轮廓分层轮廓的分割，引入统计分层因子f
s
对分层进行量化评估，统计分层因子f
s
为：
其中，n
m
代表分层轮廓线上采样点数量，d
i
代表分层轮廓线上采样点到圆心的距离，r代表拟合半径，r
i
为d
i
与r的差值，r
nom
为公称半径，r
t
代表孔分层的最大允许偏差，r
t
代表孔半径的最大允许偏差；使用奇异谱分析对f
s
序列进行分解重构，提取出代表原始序列的不同分量；对每个孔分层损伤区域进行提取和量化，将光学显微镜得到的图像序列转换为以f
s
为分量的一维时间序列序列其中，n
h
是孔的总数；选择窗口长度l，其中2≤l≤n
h
；将一维时间序列转化为轨迹矩阵y：其中，k＝n
h-l 1；对轨迹矩阵y进行奇异值分解，计算yy
t
，得到其特征值λ1≥λ2≥λ3≥
…
≥λ
l
≥0,u1,u2…
u
l
为与上述特征值相对应的正交特征向量，获得以下公式：征值相对应的正交特征向量，获得以下公式：其中，v
i
是轨迹矩阵y的主成分，y
i
是滞后序列，特征向量λ
i
相应的u
i
反映时间序列的演变，称为时间经验正交函数；选择轨迹矩阵y的任意分量进行分组，分组后得到的矩阵重新构造，在重构过程中，计算滞后序列y
i
在u
i
的投影如下：其中，y
d
为轨迹矩阵y的第d列，为y在原始序列特定周期内所反映的时间权值，称为时间主成分，利用时间经验正交函数和时间主成分重构y的任意分量得到重构序列如下：
重构序列的和等价于原始序列f
sd
，如下：其中，d代表轨迹矩阵y的第d列，为时间主成分，u
k,j
为时间经验正交函数；通过以上计算，将f
s
序列分解为l个分量，任意不大于l数量的不同组合用来描述分层的不同特性，剔除噪声项，前几个分量描述趋势项，其余分量描述波动项,如下：其中，为重组趋势序列的第d项，为重组波动序列的第d项，l1是参与重建的趋势项部分的分量数,l
1-l2是参与波动项重构的分量数，经过上述的处理得到分层损伤的输出数据集；第三步，基于回归-时序混合预测模型的加工损伤预测首先建立输入为传感器数据，输出为出口损伤的回归模型；xgboost回归模型的基本模型是一种决策树，模型的输出y
i
是对以k棵树为参数的集合f进行集成得到的，表示如下：训练目标函数由训练损失函数和正则化项组成，其表示为：其中，f
si
为出口损伤的实际值，为出口损伤的预测值，k为树的个数，ω(fk)代表模型的复杂度，用树的结点个数、树的深度、树叶权重的l2范数等进行描述；将训练误差用泰勒公式展开得到：其中，g
i
和h
i
分别代表一阶和二阶导数；使用叶子个数和叶子权重的平滑程度描述模型的复杂度，得到：其中，λ为正则化系数，γ为收缩系数，t为当前叶子个数，w
j
为叶子的权重，为
l2范数，忽略掉前t-1棵树的影响得到：其中：根据下式选择分裂特征和分裂点：其中，是左边的子树分数，是右边的子树分数，是不分裂得到的分数，δ是增加新的叶节点所带来的复杂性代价；xgboost回归模型通过回归分析建立cfrp钻削过程中传感器信号与出口损伤之间的关系后，引入arima时序预测模型，分析孔损伤波动增加的历史进程，得到对孔出口损伤的预测；模型表示为arima(p,d,q)，其中p为自回归项的个数，q是移动平均项的数目，d为使之成为平稳序列所做的差分次数；arima模型如下：其中，y
t
是xgboost回归模型的预测值，ε
t
是时段t的随机误差，l在上式代表lx
t
＝x
t-1
定义的滞后运算符，是自回归算子，在后移算子中表示为多项式φ(l)＝1-φ1b
‑…
φ
p
b
p
；应用box-jenkins方法构建arima模型，最终的预测值描述如下：其中，为趋势项的预测值，为波动项的预测值；用波动项的主分量代替波动项的所有分量，采用下式描述预测值：其中，k是分量的重要性，由奇异值分解后的特征值描述如下：预测的置信区间为：最终预测值的置信区间用下式表示：up＝up
ten
k
·
up
flu
ꢀꢀꢀꢀꢀꢀꢀ
(29)low＝low
ten
k
·
low
flu
ꢀꢀꢀꢀꢀꢀ
(30)。

技术总结
本发明属于机械加工领域，提供基于多传感器的碳纤维复合材料钻削出口分层损伤预测方法；首先通过采集钻削过程中的力、力矩、温度和振动信号构建输入信号数据集；然后利用统计分层因子评估加工分层损伤，结合分层损伤评估结果获得输出数据集；再建立回归-时序混合预测模型，通过输入与输出数据集训练模型，得到碳纤维复合材料损伤预测模型；最终结合钻削过程中的力、力矩、温度和振动的在位采集，代入损伤预测模型实现加工损伤的在位预测。本发明解决碳纤维复合材料钻削出口分层损伤难以实时预测的问题，实现在连续钻孔下待加工孔分层损伤的准确预测。此外，对预测结果给出置信区间，进一步避免分层损伤超差的发生，在工业生产中有更大的潜力。更大的潜力。更大的潜力。


技术研发人员：尹鹏博 刘洋 崔家诚 黄诚昊 高昌勇 刘巍 张洋 付饶
受保护的技术使用者：大连理工大学
技术研发日：2021.10.28
技术公布日：2022/2/8