1.本发明属于数控机床
技术领域：
：，涉及一种基于函数型数据主成分分析的刀具健康监测方法。
背景技术：
：：2.制造业是国民经济的基础，数控机床作为基础制造能力的核心，其关键部件的意外状况将直接降低机床加工效率，因而对关键部件进行实时状态监测与性能评估尤为关键。刀具是数控机床的关键部件之一，其磨损退化是机械加工中不可避免的过程，过度磨损的刀具表面会有撕裂，抗疲劳能力降低，容易对加工产品甚至机床本身造成损害。3.据相关资料统计，刀具费用约占制造总成本的2.5%~4%，其中由于刀具管理、修磨、检测等流程相关的间接成本，大约是刀具本身费用的四倍。准确监测刀具的磨损情况和健康状况，可及时在加工间隙安排刀具的修复或更换，从而提高生产效率，对于保持刀具的加工精度也具有重大意义。然而，在机械加工过程中，在线直接测量刀具的磨损情况需要频繁暂停加工过程，且测量采用显微镜等仪器，时间成本和人工成本都较高。4.刀具的非接触式健康状态监测问题可以认为是一个健康指标的设计问题，需要建立数控机床的传感器监控数据和刀具磨损情况和健康状况之间的映射关系。在训练阶段，根据机床加工过程中的历史监控数据和通过传统接触式测量方法测量的刀具加工后的磨损数据构建训练集，完成上述映射关系的分析和验证，从而根据映射关系设计出可以反映刀具磨损情况和健康状况的健康指标。之后在监控过程中，即可根据数据机床加工过程中的传感器监控数据，得到刀具健康指标数值，根据该值判断该次加工结束后刀具的健康状况，安排刀具的修磨和更换计划。这个过程需综合应用多种传感器数据和多种信号处理技术，利用已有的高维高频数据建立起一个与刀具磨损相关的单调映射关系，挖掘出刀具磨损的状态信息，及时有效的监测加工刀具的健康状况对于保障加工质量、降低制造成本是一件意义重大但是极具挑战的任务。技术实现要素：5.针对现有技术存在的不足，本发明的目的在于提供一种基于函数型数据主成分分析的刀具健康监测方法，实现了非接触式地监控数控机床加工过程中刀具的磨损情况和健康状况，保障加工质量和加工效率，利用在加工过程中对振动、主轴电流、工况等的在线监测数据，对实时采集的多源状态传感器信息进行分析处理，通过无监督式的设计健康指标值从而间接预测刀具的磨损情况，不影响机床的正常加工作业的情况下即可准确地监测刀具的健康状况，为机床的刀具管理、维修和更换提供了技术支持。6.为达此目的，本发明采用以下技术方案：本发明提供了一种基于函数型数据主成分分析的刀具健康监测方法，所述基于函数型数据主成分分析的刀具健康监测方法包括：（ⅰ）获取数控机床刀具加工过程中传感器的时域监测信号，输入传感器数据选择，并进行数据预处理，再对时域监控信号进行时频域变换，得到频域信号；（ⅱ）根据步骤（ⅰ）中的频率和对应频率的幅值，利用函数基将所述频域信号转换为函数型信号；（ⅲ）采用函数型数据主成分分析方法，对转换为函数型信号的频域信号进行主成分提取和主成分分值计算；（ⅳ）基于步骤（ⅲ）中函数型信号的主成分分析的结果，确定作为健康指标的主成分，构建健康指标；（ⅴ）实时采集数控机床刀具加工过程中的实际时域监测信号，并依次进行预处理以及时频域变换，根据步骤（ⅳ）中所述健康指标进行刀具健康状态监控。7.作为本发明一个优选技术方案，步骤（ⅰ）中，所述输入数据选择与数据预处理，具体包括如下步骤：s101数控机床加工过程刀具健康状态监测模型中进行变量的选择和确定；s102输入传感器数据，构建数据矩阵，实现变量初始化；s103根据传感器数据的采样频率，利用快速傅里叶变换对每次加工过程中的传感器数据进行时频域变换，将时域监测信号转换为频域信号。8.作为本发明一个优选技术方案，步骤（ⅰ）中，所述传感器包括电流传感器、电压传感器、振动传感器、噪声传感器或声发射传感器中的任一种或至少两种的组合。9.作为本发明一个优选技术方案，步骤（ⅱ）中，所述转换为函数型信号具体包括如下步骤：s201选择合适的函数基类型和函数数量；s202确定正则项及正则项系数进行降噪处理，得到训练数据，如下式所示：，其中，；s203，再求解优化问题，进行函数型数据变换：；其中，为频率信号；为函数型信号；λ为正则项系数；为正则项；为加工次数，；为传感器，；为函数基；q为函数数量；为频率幅值；为对应函数基的系数项。10.作为本发明一个优选技术方案，步骤（ⅱ）中，所述函数基包括三角函数基、样条函数基或多项式函数基中的任一种。11.作为本发明一个优选技术方案，步骤（ⅲ）中，所述主成分提取和主成分分值计算具体包括如下步骤：s301构建函数型数据主成分分析模型；s302求解优化问题，得到函数型数据主成分及主成分分值；s303确定需要保留的主成分数据。12.作为本发明一个优选技术方案，步骤s301中，所述构建函数型数据主成分分析模型具体包括：设为定义在区间[0,w]上的随机过程的独立同分布数据，分别计算的均值和方差：；其中，为函数型数据模型；为的均值；为的方差；根据karhunen–loeve定理，分解方差函数，得到表达式：loeve定理，分解方差函数，得到表达式：其中，为正则项系数，为有序非负特征值；为函数型主成分；为函数基；q为函数数量；为对应函数基的系数项。[0013]作为本发明一个优选技术方案，步骤s302中，所述函数型数据主成分的表达式如下所示；；所述主成分分值的表达式如下所示；其中，为函数型主成分；为的均值；为函数型主成分的主成分分值；为函数型主成分。[0014]作为本发明一个优选技术方案，步骤（ⅳ）中，所述构建健康指标包括：比较主成分分值和刀具磨损值之间的相关性关系，选择相关性最大的若干主成分分值作为健康指标。[0015]步骤（ⅳ）中，针对多个传感器数据集，对不同的主成分分值进行分析，确定最能反映健康状况的若干主成分，并进行主成分分值融合，构建健康指标。[0016]作为本发明一个优选技术方案，步骤（ⅴ）中，所述刀具健康状态监控具体包括如下步骤：s401基于健康指标的主成分分值的构成，读取需要输入的实际传感器数据，并对所述实际传感器数据进行数据预处理；s402将经过数据预处理的实际传感器数据进行函数型数据变换，得到实际函数型数据，并根据所述实际函数型数据计算具体主成分分值；s403基于计算的主成分分值，得到刀具的实际健康指标值，并根据健康指标判断是否要进行刀具的维修或更换。[0017]与现有技术相比，本发明的有益效果为：本发明提供的一种基于函数型数据主成分分析的刀具健康监测方法，针对数控机床的刀具健康状况监测问题，实现了非接触式的健康监测技术，无需停机拆装刀具进行检测，而是通过利用数控机床在加工过程中采集传感器信号，将传感器信号通过一系列的信号处理技术转换成函数型数据，再利用函数型数据主成分分析方法构建刀具健康状态指标，通过计算健康指标值间接了解刀具的磨损情况和健康状态。本发明能够准确高效的对刀具的健康状况进行评估，且不干扰数控机床的正常加工，结构简单，计算成本较低，效率高，实用性强。附图说明[0018]图1为本发明提供的一个具体实施方式提供的基于函数型数据主成分分析的刀具健康监测方法的流程图；图2为本发明实施例1提供的一次加工过程中的各传感器的数据时序图；图3为本发明实施例1提供的b样条基函数的示例（函数数量q=7）；图4为本发明实施例1提供的若干次加工过程中主轴电流传感器时序数据经过时频域变换后的频域信号图；图5为本发明实施例1提供的一把刀具若干次加工记录的主轴电流传感器频域信号经过函数型数据变换后的数据图像（图中横坐标表示缩放后的频率范围，纵坐标表示频率对应的幅值）；图6为本发明实施例1提供的预测的刀具健康指标得分和刀具实际侧面磨损值的点线图。具体实施方式[0019]下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。[0020]在一个具体实施方式中，本发明提供了一种基于函数型数据主成分分析的刀具健康监测方法，能够在不需要停机检查刀具的情况下利用数控机床加工过程中的传感器监控数据识别刀具的磨损情况的健康状况，为刀具状态监测和刀具管理提供了技术支持。[0021]如图1所示，所述基于函数型数据主成分分析的刀具健康监测方法包括：步骤一：获取数控机床刀具加工过程中传感器的时域监测信号，输入传感器数据选择，并进行数据预处理，再对时域监控信号进行时频域变换，得到频域信号。[0022]具有包括如下所示的子步骤：s101数控机床加工过程刀具健康状态监测模型中进行变量的选择和确定。[0023]本发明根据刀具退化机理分析以及变量相关性分析，根据不同类型数控机床上的传感器类型，主要考虑以下几类传感器监控数据作为模型的输入变量，包括：电流传感器、电压传感器、振动传感器、噪声传感器或声发射传感器中的任一种或至少两种的组合。同种类型传感器之间通常相关性较强，而不同类型的传感器之间相关性较弱。因此，在实际使用时也可以根据情况添加同类型不同位置的传感器作为输入，对各个变量分别监测，最后根据各个变量的健康指标得分综合评价刀具的健康程度。[0024]s102输入传感器数据，构建数据矩阵，实现变量初始化。[0025]针对变量的初始化，本发明取n次加工过程中的m个传感器的监控数据作为模型的输入数据，构成数据矩阵：其中，为第次加工过程中的第个传感器的第个数据，，，。[0026]s103根据传感器数据的采样频率，利用快速傅里叶变换对每次加工过程中的传感器数据进行时频域变换，将时域监测信号转换为频域信号。[0027]本发明根据传感器数据的采样频率，利用快速傅里叶变换（fastfouriertransform，fft）对每次加工过程中的传感器数据进行时频域变换，将时域信号转换成频域信号，例如对第i次加工过程中的第j个传感器的传感器时域信号变换后的结果为：。[0028]步骤二：根据步骤一的频率和对应频率的幅值，利用函数基将所述频域信号转换为函数型信号。[0029]将步骤s103中经过时频域变换的频域信号进行函数型数据变换，将同一传感器不同次加工过程中的频域信号作为一组训练数据：。[0030]随后进行函数型信号的转换，具体包括如下所示的子步骤：s201根据该组训练数据的周期性和数据复杂程度，选择合适的样条函数基类型，以及函数数量。[0031]常用的函数基包括三角函数基、样条函数基或多项式函数基中的任一种，训练数据越复杂则需要的函数数量越多。[0032]s202确定正则项及正则项系数进行降噪处理。[0033]s203确定完步骤s201和步骤s202中的相关模块后，训练数据可以写成下列形式：；其中，是对应的误差项。[0034]再求解优化问题，进行函数型数据变换：其中，为频率信号；为函数型信号；λ为正则项系数；为正则项；为函数基；q为函数数量；为频率幅值；为函数基对应的系数项。[0035]训练数据通常会包含一些噪声数据，为了使后续计算更加准确，通常在转换的过程中需要添加正则项来平滑最后的结果，达到降噪的目的，因此，需要确定合适正则项及正则项系数λ。[0036]步骤三：采用函数型数据主成分分析方法，对转换为函数型信号的频域信号进行主成分提取和主成分分值计算。[0037]经过步骤二，将原始的频域信号转换成了平滑之后的函数型信号，步骤三则是利用函数型数据主成分分析方法（functionalprincipalcomponentsanalysis，fpca）对已经转换为函数型信号的频域型号进行主成分提取和主成分分值计算，具体包括如下所示的子步骤：s301构建函数型数据主成分分析模型。[0038]设为定义在区间[0,w]上的随机过程的独立同分布数据，分别计算的均值和方差：的均值和方差：其中，为函数型信号；为的均值；为的方差；根据karhunen–loeve定理，分解方差函数，得到表达式：loeve定理，分解方差函数，得到表达式：其中，为正则项系数，为有序非负特征值；对应特征值的特征向量，称为函数型主成分（functionalprincipalcomponents，fpcs），也可以写为函数基中基函数的加权和；为函数基；q为函数数量；为函数基对应的系数项。[0039]s302求解优化问题，得到函数型数据主成分及主成分分值。[0040]将函数型数据用fpcs表示为：用fpcs表示为：其中，为函数型主成分；为的均值；为函数型主成分的主成分分值，是独立于，并且和不相关的随机变量，，并且；为函数型主成分。[0041]需要说明的是，本领域技术人员熟知的karhunen–loeve定理是指将信号分解为不相关基函数线性组合的一种变换，是均方误差最小意义下的最优变换。[0042]s303确定需要保留的主成分数据。[0043]根据上述分析，函数型数据可以被表示为无穷个函数型主成分项的和，但通常只有少数特征值显著非零，对于近似为零的特征值，相应的fpcs得分也近似为零，因此，通常只关心特征值最大的几个函数型主成分。[0044]步骤四：基于步骤二和步骤三中函数型信号的主成分分析的结果，确定作为健康指标的主成分，针对多个传感器数据集，对不同的主成分分值进行分析，比较主成分分值和刀具磨损值之间的相关性关系，选择相关性最大的若干主成分分值作为健康指标。[0045]本发明中的刀具的实际磨损值可采用显微镜下测量了刀具的侧面磨损值的方式，刀具磨损越严重，健康状况越差。[0046]步骤五：实时采集数控机床刀具加工过程中的实际时域监测信号，进行预处理以及时频域变换，根据步骤四中健康指标的函数型主成分计算对应主成分分值，该主成分分值即可反映此时刀具的健康状况。[0047]具体包括如下所示的子步骤：s401基于健康指标的主成分分值的构成，读取需要输入的实际传感器数据，并对所述实际传感器数据进行数据预处理；s402将经过数据预处理的实际传感器数据进行函数型数据变换，得到实际函数型数据，并根据所述实际函数型数据计算具体主成分分值；s403基于计算的主成分分值，得到刀具的实际健康指标值，并根据健康指标判断是否要进行刀具的维修或更换。[0048]本发明在步骤五中将对应传感器的实际时域监测信号应用于步骤一和步骤二进行数据处理与时频域变换。[0049]实施例1本实施例以在铣床上不同操作条件下运行过程中的采样数据和运行后的刀具磨损情况为对象建立数学模型。采用三种类型的传感器，具体为声发射传感器、振动传感器和电流传感器，在不同位置采集数据。共包含8把刀具的共166条加工记录，其中，每条记录的采样长度为9000采样点/次。每条记录包含6个传感器的采样数据，如图2所示，具体为交流主轴电流传感器（smcac）、直流主轴电流传感（smcdc）、工作台振动传感器（vib_table）、主轴振动传感器（vib_spindle）、工作台声发射传感器（ae_table）和主轴声发射传感器（ae_spindle）。每次加工结束后，将刀具取出，在显微镜下测量了刀具的侧面磨损值（vb），可认为vb越大，刀具磨损越严重，健康状况越差。[0050]利用10把刀具的加工数据作为训练数据训练模型，选择b样条基作为函数基，图3为b样条基的实例，图4（图中case表示刀具）和图5是主轴电流传感器（smcac）数据经过时频域变换后的结果和经过函数型变换后的结果。最终，本实施例选择主轴电流传感器特征值最大的函数型主成分作为健康指标的对应主成分，计算对应主成分分值来反映刀具健康状况，由图6（图中case表示刀具）可以看到，对应主成分分值和刀具侧面磨损值的关系，可知对应主成分分值越高，刀具的侧面磨损值vb相对也就越大，这充分证明了该健康指标可以反映刀具的磨损情况和健康状况。[0051]本发明提供的监测方法是在加工过程中对振动、主轴电流、工况等状态信息进行在线监测，并对实时采集的多源状态传感器信息进行分析处理，间接预测刀具的磨损情况和健康状况。[0052]申请人声明，本发明通过上述实施例来说明本发明的详细结构特征，但本发明并不局限于上述详细结构特征，即不意味着本发明必须依赖上述详细结构特征才能实施。所属
技术领域：
：的技术人员应该明了，对本发明的任何改进，对本发明所选用部件的等效替换以及辅助部件的增加、具体方式的选择等，均落在本发明的保护范围和公开范围之内。[0053]以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。当前第1页12当前第1页12
技术领域：
：，涉及一种基于函数型数据主成分分析的刀具健康监测方法。
背景技术：
：：2.制造业是国民经济的基础，数控机床作为基础制造能力的核心，其关键部件的意外状况将直接降低机床加工效率，因而对关键部件进行实时状态监测与性能评估尤为关键。刀具是数控机床的关键部件之一，其磨损退化是机械加工中不可避免的过程，过度磨损的刀具表面会有撕裂，抗疲劳能力降低，容易对加工产品甚至机床本身造成损害。3.据相关资料统计，刀具费用约占制造总成本的2.5%~4%，其中由于刀具管理、修磨、检测等流程相关的间接成本，大约是刀具本身费用的四倍。准确监测刀具的磨损情况和健康状况，可及时在加工间隙安排刀具的修复或更换，从而提高生产效率，对于保持刀具的加工精度也具有重大意义。然而，在机械加工过程中，在线直接测量刀具的磨损情况需要频繁暂停加工过程，且测量采用显微镜等仪器，时间成本和人工成本都较高。4.刀具的非接触式健康状态监测问题可以认为是一个健康指标的设计问题，需要建立数控机床的传感器监控数据和刀具磨损情况和健康状况之间的映射关系。在训练阶段，根据机床加工过程中的历史监控数据和通过传统接触式测量方法测量的刀具加工后的磨损数据构建训练集，完成上述映射关系的分析和验证，从而根据映射关系设计出可以反映刀具磨损情况和健康状况的健康指标。之后在监控过程中，即可根据数据机床加工过程中的传感器监控数据，得到刀具健康指标数值，根据该值判断该次加工结束后刀具的健康状况，安排刀具的修磨和更换计划。这个过程需综合应用多种传感器数据和多种信号处理技术，利用已有的高维高频数据建立起一个与刀具磨损相关的单调映射关系，挖掘出刀具磨损的状态信息，及时有效的监测加工刀具的健康状况对于保障加工质量、降低制造成本是一件意义重大但是极具挑战的任务。技术实现要素：5.针对现有技术存在的不足，本发明的目的在于提供一种基于函数型数据主成分分析的刀具健康监测方法，实现了非接触式地监控数控机床加工过程中刀具的磨损情况和健康状况，保障加工质量和加工效率，利用在加工过程中对振动、主轴电流、工况等的在线监测数据，对实时采集的多源状态传感器信息进行分析处理，通过无监督式的设计健康指标值从而间接预测刀具的磨损情况，不影响机床的正常加工作业的情况下即可准确地监测刀具的健康状况，为机床的刀具管理、维修和更换提供了技术支持。6.为达此目的，本发明采用以下技术方案：本发明提供了一种基于函数型数据主成分分析的刀具健康监测方法，所述基于函数型数据主成分分析的刀具健康监测方法包括：（ⅰ）获取数控机床刀具加工过程中传感器的时域监测信号，输入传感器数据选择，并进行数据预处理，再对时域监控信号进行时频域变换，得到频域信号；（ⅱ）根据步骤（ⅰ）中的频率和对应频率的幅值，利用函数基将所述频域信号转换为函数型信号；（ⅲ）采用函数型数据主成分分析方法，对转换为函数型信号的频域信号进行主成分提取和主成分分值计算；（ⅳ）基于步骤（ⅲ）中函数型信号的主成分分析的结果，确定作为健康指标的主成分，构建健康指标；（ⅴ）实时采集数控机床刀具加工过程中的实际时域监测信号，并依次进行预处理以及时频域变换，根据步骤（ⅳ）中所述健康指标进行刀具健康状态监控。7.作为本发明一个优选技术方案，步骤（ⅰ）中，所述输入数据选择与数据预处理，具体包括如下步骤：s101数控机床加工过程刀具健康状态监测模型中进行变量的选择和确定；s102输入传感器数据，构建数据矩阵，实现变量初始化；s103根据传感器数据的采样频率，利用快速傅里叶变换对每次加工过程中的传感器数据进行时频域变换，将时域监测信号转换为频域信号。8.作为本发明一个优选技术方案，步骤（ⅰ）中，所述传感器包括电流传感器、电压传感器、振动传感器、噪声传感器或声发射传感器中的任一种或至少两种的组合。9.作为本发明一个优选技术方案，步骤（ⅱ）中，所述转换为函数型信号具体包括如下步骤：s201选择合适的函数基类型和函数数量；s202确定正则项及正则项系数进行降噪处理，得到训练数据，如下式所示：，其中，；s203，再求解优化问题，进行函数型数据变换：；其中，为频率信号；为函数型信号；λ为正则项系数；为正则项；为加工次数，；为传感器，；为函数基；q为函数数量；为频率幅值；为对应函数基的系数项。10.作为本发明一个优选技术方案，步骤（ⅱ）中，所述函数基包括三角函数基、样条函数基或多项式函数基中的任一种。11.作为本发明一个优选技术方案，步骤（ⅲ）中，所述主成分提取和主成分分值计算具体包括如下步骤：s301构建函数型数据主成分分析模型；s302求解优化问题，得到函数型数据主成分及主成分分值；s303确定需要保留的主成分数据。12.作为本发明一个优选技术方案，步骤s301中，所述构建函数型数据主成分分析模型具体包括：设为定义在区间[0,w]上的随机过程的独立同分布数据，分别计算的均值和方差：；其中，为函数型数据模型；为的均值；为的方差；根据karhunen–loeve定理，分解方差函数，得到表达式：loeve定理，分解方差函数，得到表达式：其中，为正则项系数，为有序非负特征值；为函数型主成分；为函数基；q为函数数量；为对应函数基的系数项。[0013]作为本发明一个优选技术方案，步骤s302中，所述函数型数据主成分的表达式如下所示；；所述主成分分值的表达式如下所示；其中，为函数型主成分；为的均值；为函数型主成分的主成分分值；为函数型主成分。[0014]作为本发明一个优选技术方案，步骤（ⅳ）中，所述构建健康指标包括：比较主成分分值和刀具磨损值之间的相关性关系，选择相关性最大的若干主成分分值作为健康指标。[0015]步骤（ⅳ）中，针对多个传感器数据集，对不同的主成分分值进行分析，确定最能反映健康状况的若干主成分，并进行主成分分值融合，构建健康指标。[0016]作为本发明一个优选技术方案，步骤（ⅴ）中，所述刀具健康状态监控具体包括如下步骤：s401基于健康指标的主成分分值的构成，读取需要输入的实际传感器数据，并对所述实际传感器数据进行数据预处理；s402将经过数据预处理的实际传感器数据进行函数型数据变换，得到实际函数型数据，并根据所述实际函数型数据计算具体主成分分值；s403基于计算的主成分分值，得到刀具的实际健康指标值，并根据健康指标判断是否要进行刀具的维修或更换。[0017]与现有技术相比，本发明的有益效果为：本发明提供的一种基于函数型数据主成分分析的刀具健康监测方法，针对数控机床的刀具健康状况监测问题，实现了非接触式的健康监测技术，无需停机拆装刀具进行检测，而是通过利用数控机床在加工过程中采集传感器信号，将传感器信号通过一系列的信号处理技术转换成函数型数据，再利用函数型数据主成分分析方法构建刀具健康状态指标，通过计算健康指标值间接了解刀具的磨损情况和健康状态。本发明能够准确高效的对刀具的健康状况进行评估，且不干扰数控机床的正常加工，结构简单，计算成本较低，效率高，实用性强。附图说明[0018]图1为本发明提供的一个具体实施方式提供的基于函数型数据主成分分析的刀具健康监测方法的流程图；图2为本发明实施例1提供的一次加工过程中的各传感器的数据时序图；图3为本发明实施例1提供的b样条基函数的示例（函数数量q=7）；图4为本发明实施例1提供的若干次加工过程中主轴电流传感器时序数据经过时频域变换后的频域信号图；图5为本发明实施例1提供的一把刀具若干次加工记录的主轴电流传感器频域信号经过函数型数据变换后的数据图像（图中横坐标表示缩放后的频率范围，纵坐标表示频率对应的幅值）；图6为本发明实施例1提供的预测的刀具健康指标得分和刀具实际侧面磨损值的点线图。具体实施方式[0019]下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。[0020]在一个具体实施方式中，本发明提供了一种基于函数型数据主成分分析的刀具健康监测方法，能够在不需要停机检查刀具的情况下利用数控机床加工过程中的传感器监控数据识别刀具的磨损情况的健康状况，为刀具状态监测和刀具管理提供了技术支持。[0021]如图1所示，所述基于函数型数据主成分分析的刀具健康监测方法包括：步骤一：获取数控机床刀具加工过程中传感器的时域监测信号，输入传感器数据选择，并进行数据预处理，再对时域监控信号进行时频域变换，得到频域信号。[0022]具有包括如下所示的子步骤：s101数控机床加工过程刀具健康状态监测模型中进行变量的选择和确定。[0023]本发明根据刀具退化机理分析以及变量相关性分析，根据不同类型数控机床上的传感器类型，主要考虑以下几类传感器监控数据作为模型的输入变量，包括：电流传感器、电压传感器、振动传感器、噪声传感器或声发射传感器中的任一种或至少两种的组合。同种类型传感器之间通常相关性较强，而不同类型的传感器之间相关性较弱。因此，在实际使用时也可以根据情况添加同类型不同位置的传感器作为输入，对各个变量分别监测，最后根据各个变量的健康指标得分综合评价刀具的健康程度。[0024]s102输入传感器数据，构建数据矩阵，实现变量初始化。[0025]针对变量的初始化，本发明取n次加工过程中的m个传感器的监控数据作为模型的输入数据，构成数据矩阵：其中，为第次加工过程中的第个传感器的第个数据，，，。[0026]s103根据传感器数据的采样频率，利用快速傅里叶变换对每次加工过程中的传感器数据进行时频域变换，将时域监测信号转换为频域信号。[0027]本发明根据传感器数据的采样频率，利用快速傅里叶变换（fastfouriertransform，fft）对每次加工过程中的传感器数据进行时频域变换，将时域信号转换成频域信号，例如对第i次加工过程中的第j个传感器的传感器时域信号变换后的结果为：。[0028]步骤二：根据步骤一的频率和对应频率的幅值，利用函数基将所述频域信号转换为函数型信号。[0029]将步骤s103中经过时频域变换的频域信号进行函数型数据变换，将同一传感器不同次加工过程中的频域信号作为一组训练数据：。[0030]随后进行函数型信号的转换，具体包括如下所示的子步骤：s201根据该组训练数据的周期性和数据复杂程度，选择合适的样条函数基类型，以及函数数量。[0031]常用的函数基包括三角函数基、样条函数基或多项式函数基中的任一种，训练数据越复杂则需要的函数数量越多。[0032]s202确定正则项及正则项系数进行降噪处理。[0033]s203确定完步骤s201和步骤s202中的相关模块后，训练数据可以写成下列形式：；其中，是对应的误差项。[0034]再求解优化问题，进行函数型数据变换：其中，为频率信号；为函数型信号；λ为正则项系数；为正则项；为函数基；q为函数数量；为频率幅值；为函数基对应的系数项。[0035]训练数据通常会包含一些噪声数据，为了使后续计算更加准确，通常在转换的过程中需要添加正则项来平滑最后的结果，达到降噪的目的，因此，需要确定合适正则项及正则项系数λ。[0036]步骤三：采用函数型数据主成分分析方法，对转换为函数型信号的频域信号进行主成分提取和主成分分值计算。[0037]经过步骤二，将原始的频域信号转换成了平滑之后的函数型信号，步骤三则是利用函数型数据主成分分析方法（functionalprincipalcomponentsanalysis，fpca）对已经转换为函数型信号的频域型号进行主成分提取和主成分分值计算，具体包括如下所示的子步骤：s301构建函数型数据主成分分析模型。[0038]设为定义在区间[0,w]上的随机过程的独立同分布数据，分别计算的均值和方差：的均值和方差：其中，为函数型信号；为的均值；为的方差；根据karhunen–loeve定理，分解方差函数，得到表达式：loeve定理，分解方差函数，得到表达式：其中，为正则项系数，为有序非负特征值；对应特征值的特征向量，称为函数型主成分（functionalprincipalcomponents，fpcs），也可以写为函数基中基函数的加权和；为函数基；q为函数数量；为函数基对应的系数项。[0039]s302求解优化问题，得到函数型数据主成分及主成分分值。[0040]将函数型数据用fpcs表示为：用fpcs表示为：其中，为函数型主成分；为的均值；为函数型主成分的主成分分值，是独立于，并且和不相关的随机变量，，并且；为函数型主成分。[0041]需要说明的是，本领域技术人员熟知的karhunen–loeve定理是指将信号分解为不相关基函数线性组合的一种变换，是均方误差最小意义下的最优变换。[0042]s303确定需要保留的主成分数据。[0043]根据上述分析，函数型数据可以被表示为无穷个函数型主成分项的和，但通常只有少数特征值显著非零，对于近似为零的特征值，相应的fpcs得分也近似为零，因此，通常只关心特征值最大的几个函数型主成分。[0044]步骤四：基于步骤二和步骤三中函数型信号的主成分分析的结果，确定作为健康指标的主成分，针对多个传感器数据集，对不同的主成分分值进行分析，比较主成分分值和刀具磨损值之间的相关性关系，选择相关性最大的若干主成分分值作为健康指标。[0045]本发明中的刀具的实际磨损值可采用显微镜下测量了刀具的侧面磨损值的方式，刀具磨损越严重，健康状况越差。[0046]步骤五：实时采集数控机床刀具加工过程中的实际时域监测信号，进行预处理以及时频域变换，根据步骤四中健康指标的函数型主成分计算对应主成分分值，该主成分分值即可反映此时刀具的健康状况。[0047]具体包括如下所示的子步骤：s401基于健康指标的主成分分值的构成，读取需要输入的实际传感器数据，并对所述实际传感器数据进行数据预处理；s402将经过数据预处理的实际传感器数据进行函数型数据变换，得到实际函数型数据，并根据所述实际函数型数据计算具体主成分分值；s403基于计算的主成分分值，得到刀具的实际健康指标值，并根据健康指标判断是否要进行刀具的维修或更换。[0048]本发明在步骤五中将对应传感器的实际时域监测信号应用于步骤一和步骤二进行数据处理与时频域变换。[0049]实施例1本实施例以在铣床上不同操作条件下运行过程中的采样数据和运行后的刀具磨损情况为对象建立数学模型。采用三种类型的传感器，具体为声发射传感器、振动传感器和电流传感器，在不同位置采集数据。共包含8把刀具的共166条加工记录，其中，每条记录的采样长度为9000采样点/次。每条记录包含6个传感器的采样数据，如图2所示，具体为交流主轴电流传感器（smcac）、直流主轴电流传感（smcdc）、工作台振动传感器（vib_table）、主轴振动传感器（vib_spindle）、工作台声发射传感器（ae_table）和主轴声发射传感器（ae_spindle）。每次加工结束后，将刀具取出，在显微镜下测量了刀具的侧面磨损值（vb），可认为vb越大，刀具磨损越严重，健康状况越差。[0050]利用10把刀具的加工数据作为训练数据训练模型，选择b样条基作为函数基，图3为b样条基的实例，图4（图中case表示刀具）和图5是主轴电流传感器（smcac）数据经过时频域变换后的结果和经过函数型变换后的结果。最终，本实施例选择主轴电流传感器特征值最大的函数型主成分作为健康指标的对应主成分，计算对应主成分分值来反映刀具健康状况，由图6（图中case表示刀具）可以看到，对应主成分分值和刀具侧面磨损值的关系，可知对应主成分分值越高，刀具的侧面磨损值vb相对也就越大，这充分证明了该健康指标可以反映刀具的磨损情况和健康状况。[0051]本发明提供的监测方法是在加工过程中对振动、主轴电流、工况等状态信息进行在线监测，并对实时采集的多源状态传感器信息进行分析处理，间接预测刀具的磨损情况和健康状况。[0052]申请人声明，本发明通过上述实施例来说明本发明的详细结构特征，但本发明并不局限于上述详细结构特征，即不意味着本发明必须依赖上述详细结构特征才能实施。所属
技术领域：
：的技术人员应该明了，对本发明的任何改进，对本发明所选用部件的等效替换以及辅助部件的增加、具体方式的选择等，均落在本发明的保护范围和公开范围之内。[0053]以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。当前第1页12当前第1页12
再多了解一些
本文用于创业者技术爱好者查询，仅供学习研究，如用于商业用途，请联系技术所有人。
