本發(fā)明涉及數(shù)控機(jī)床各項參數(shù)監(jiān)測，數(shù)據(jù)融合領(lǐng)域，以及故障診斷領(lǐng)域，具體涉及一種基于聲振信號兩級融合的銑齒機(jī)盤型銑刀刀具磨損狀態(tài)分類方法。

背景技術(shù)：

1、隨著現(xiàn)代制造業(yè)的快速發(fā)展，數(shù)控銑齒機(jī)在齒輪加工領(lǐng)域扮演著越來越重要的角色。刀具作為數(shù)控銑齒機(jī)的核心部件之一，其磨損狀態(tài)直接關(guān)系到加工質(zhì)量、效率和成本。刀具在加工過程中不可避免地會出現(xiàn)磨損，而磨損狀態(tài)的實時監(jiān)測與分類對于確保加工精度、延長刀具使用壽命、降低生產(chǎn)成本以及提高生產(chǎn)安全性具有重要意義。因此對于銑齒機(jī)刀具磨損狀態(tài)的分類監(jiān)測十分有必要。

2、多源信號融合技術(shù)是信息處理領(lǐng)域中的一項重要技術(shù)，旨在從多個不同來源獲取的信息中提取有效、可靠的信息，以提高決策的準(zhǔn)確性和系統(tǒng)的性能。隨著傳感器技術(shù)、網(wǎng)絡(luò)通信技術(shù)、人工智能等領(lǐng)域的快速發(fā)展，多源信號融合技術(shù)在軍事、航天、交通、醫(yī)療、環(huán)境監(jiān)測等多個領(lǐng)域展現(xiàn)出巨大的應(yīng)用潛力。在現(xiàn)代科技應(yīng)用中，單個傳感器或信息源往往無法提供完整、全面的信息。多源信息的融合可以彌補(bǔ)單一信息源的不足，提供更豐富、更準(zhǔn)確的數(shù)據(jù)，從而支持更復(fù)雜的決策過程。通過多源信號的多級融合，能夠?qū)Φ毒吣p的狀態(tài)分類精度進(jìn)行進(jìn)一步提高。為此，我們提出一種基于聲振信號兩級融合的銑齒機(jī)盤型銑刀刀具磨損狀態(tài)分類方法。

技術(shù)實現(xiàn)思路

1、為針對以上問題并進(jìn)行解決，本發(fā)明提供了一種基于聲振信號兩級融合的銑齒機(jī)盤型銑刀刀具磨損狀態(tài)分類方法。能夠更為精確的評估銑齒機(jī)盤型銑刀的磨損狀態(tài)，有效減少了由于刀具磨損帶來的齒輪加工精度低的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供的技術(shù)方案如下：

3、一種基于聲振信號兩級融合的銑齒機(jī)盤型銑刀刀具磨損狀態(tài)分類方法包括如下步驟：

4、一種基于聲振信號兩級融合的銑齒機(jī)盤型銑刀刀具磨損狀態(tài)分類方法，主要包括如下步驟：

5、s1：采用4個噪聲傳感器采集4個方位的噪聲信號，并通過灰色b型關(guān)聯(lián)度的方法得到不同方位信號的關(guān)聯(lián)度，進(jìn)行數(shù)據(jù)級融合得到融合后的聲音信號；

6、s2：采用加速度傳感器采集銑齒機(jī)主軸振動信號，再對融合后的聲音信號以及振動信號進(jìn)行時頻域特征提取，通過relieff-mrmr聯(lián)合算法對提取的特征進(jìn)行特征向量優(yōu)選，選取影響大的特征向量構(gòu)建數(shù)據(jù)集；

7、s3：采用bilstm對數(shù)據(jù)集進(jìn)行特征提取，將提取出的特征進(jìn)行轉(zhuǎn)換，構(gòu)成xgboost所能識別的特征向量，通過xgboost進(jìn)行分類，得到銑齒機(jī)刀具磨損不同狀態(tài)的分類結(jié)果。

8、所述s1中采用4個噪聲傳感器采集4個方位的噪聲信號，并通過灰色b型關(guān)聯(lián)度的方法得到不同方位信號的關(guān)聯(lián)度，進(jìn)行數(shù)據(jù)級融合得到融合后的聲音信號，主要包含以下步驟：

9、s1.1：將噪聲傳感器均勻布置在銑齒機(jī)主軸箱主軸周圍，采集到的數(shù)據(jù)按照時間序列進(jìn)行排列；

10、s1.2：以其中一點作為參考序列，其它三個點作為比較序列，得到參考序列的點與其它各點的關(guān)聯(lián)度；采用灰色b型關(guān)聯(lián)度方法，將離散信號定義為yi(k),yj(k),k＝1,2,3...,n,首先計算位移差：

11、

12、再計算速度差：

13、再計算加速度差：

14、灰色b型關(guān)聯(lián)度的公式為：

15、

16、其中xi為參考序列，xj為比較序列；

17、s1.3在得到各點相較于其它點的灰色b型關(guān)聯(lián)度后，可計算出該測點的關(guān)聯(lián)度能量，再利用關(guān)聯(lián)度與權(quán)重的關(guān)系得到聲音融合信號；

18、假設(shè)每個點聲音信號與其它三個點的信號的灰色b型關(guān)聯(lián)度能量為eij,則第i個點的關(guān)聯(lián)度信號能量為ei：

19、

20、s1.4由于關(guān)聯(lián)度和權(quán)重成正比關(guān)系，權(quán)重值之和為1，具體關(guān)系如下所示：

21、e1:e2:e3:e4＝p1:p2:p3:p4

22、p1+p2+p3+p4＝1；

23、p1,p2,p3,p4為四個聲音測試點的權(quán)重，在得到各點的權(quán)重后，進(jìn)行加權(quán)融合可得到在數(shù)據(jù)級融合的聲音融合信號nf：

24、nf＝p1x1+p2x2+p3x3+p4x4。

25、所述s2中采用加速度傳感器采集銑齒機(jī)主軸振動信號，再對融合后的聲音信號以及振動信號進(jìn)行時頻域特征提取，通過relieff-mrmr聯(lián)合算法對提取的特征進(jìn)行特征向量優(yōu)選，選取影響大的特征向量構(gòu)建數(shù)據(jù)集，主要包含以下步驟：

26、s2.1采用加速度傳感器放在主軸位置，刀具經(jīng)過全壽命切削，采集到每一刀的振動信號，通過刀具磨損曲線將三種磨損狀態(tài)的振動信號標(biāo)記為1，2，3；

27、s2.2對融合后的聲音信號以及振動信號，提取其時頻域特征，包含時域特征：均值，均方根、標(biāo)準(zhǔn)差、波形因子、偏度、峭度、峰值、峰值因子和脈沖因子；頻域特征：功率譜均值、頻率重心、均方頻率和時頻域特，即：小波包能量；

28、s2.3首先通過relieff對時頻特征進(jìn)行篩選，在樣本集s中隨機(jī)選擇一個樣本ri，搜索與ri同一類別樣本集合的k最近鄰hj以及不同類別樣本集合的k最近鄰mj，根據(jù)以下公式更新每個特征量的權(quán)重w：

29、

30、式中m為迭代次數(shù)；diff(a,x,y)表示兩個對象在特征a上的距離；k為最近鄰樣本個數(shù)；p(c)表示目標(biāo)類別c的先驗概率；

31、根據(jù)w(a)剔除無用特征集，在26個特征集中優(yōu)選出15個特征子集；

32、s2.4在優(yōu)選后的15特征子集，通過mrmr算法對特征子集再一次進(jìn)行篩選。若x和y是兩個連續(xù)的隨機(jī)變量，p(x)、p(y)分別為x、y所對應(yīng)的概率，聯(lián)合概率為p(x,y)，則兩者之間互信息(mi)的公式如下：

33、

34、m?rmr原則的公式表達(dá)如下：

35、

36、式中c為目標(biāo)類別；s為特征集；為特征量的數(shù)目；xi、xj表示第i、j個特征；

37、mrmr原則記為maxφ(d,r)，通過使用互信息商(miq)標(biāo)準(zhǔn)φ(d,r)＝d/r，采用前向序列搜索方法尋找近似的最優(yōu)故障特征，假設(shè)x為原始特征集合，已有m-1個特征子集sm-1，在剩下的特征{x-sm-1}中選擇第m個特征需滿足：

38、

39、根據(jù)m?rmr原則得出的結(jié)果，對每個特征從高到低進(jìn)行排序，選出最優(yōu)的特征分類子集構(gòu)建數(shù)據(jù)集。

40、所述s3中采用bilstm對數(shù)據(jù)集進(jìn)行特征提取，將提取出的特征進(jìn)行轉(zhuǎn)換，構(gòu)成xgboost所能識別的特征向量，通過xgboost進(jìn)行分類，得到銑齒機(jī)刀具磨損不同狀態(tài)的分類結(jié)果，主要包含以下步驟：

41、s4.1對于構(gòu)建的數(shù)據(jù)集，采用雙向長短期循環(huán)神經(jīng)網(wǎng)絡(luò)bilstm對數(shù)據(jù)集進(jìn)行特征提取bilstm最終輸出計算公式如下所示:

42、hi＝f1(w1xi+w2hi-1)；

43、hi＝f2(w3xi+w5hi+1)；

44、yi＝f3(w4hi+w6hi)；

45、其中，xi(i＝1,2,…,t)對應(yīng)時間輸入的數(shù)據(jù)，hi(i＝1,2,…,t)表示前向迭代的lstm隱藏狀態(tài)，hi(i＝1,2,…,t)表示后向迭代的lstm隱藏狀態(tài)，yi(i＝1,2,…,t)表示對應(yīng)的輸出數(shù)據(jù)，wi(i＝1,2,…,6)表示每一層的權(quán)重，其中,f1,f2,f3對應(yīng)不同層的激活函數(shù)；

46、s4.2將經(jīng)過bilstm特征提取后的特征向量進(jìn)行重構(gòu)，隨后進(jìn)入極端梯度提升決策樹xgboost進(jìn)行刀具磨損狀態(tài)分類。

47、本發(fā)明一種基于聲振信號兩級融合的銑齒機(jī)盤型銑刀刀具磨損狀態(tài)分類方法具有以下有益效果：

48、將較于單一傳感器對于刀具磨損狀態(tài)的評判，多傳感器融合對于刀具磨損狀態(tài)分類有著更高的精度。且相較于只對特征層進(jìn)行融合的一級融合，兩級融合對評判精度進(jìn)一步提高。采用xgboost進(jìn)行分類比用softmax分類器分類有著更高的精度。