CN110303380B - 一种数控机床刀具剩余寿命预测方法 - Google Patents

Abstract

本发明涉及一种数控机床刀具剩余寿命预测方法，属于CNC刀具寿命预测领域。针对CNC中刀具剩余寿命预测这一问题，利用状态监控、数据去噪、特征提取和最小支持二乘向量机的方法建立了刀具剩余寿命预测模型，并将该问题的预测对象细化为铣削工具这一CNC核心生产要素。首先，对监控的信号数据进行小波变换阈值去噪的数据预处理，接着提取数据的时域特征，利用PCA的T²统计量提取信号主要特征。其次，利用多核加权最小二乘支持向量机模型对实时监控数据进行剩余寿命预测，得到具体的剩余寿命值。最后使用工业大数据产业创新平台上的真实数据进行的验证，验证结果说明该方法能有效的进行寿命预测。

Description

一种数控机床刀具剩余寿命预测方法

技术领域

本发明属于数控机床刀具寿命预测领域，涉及一种数控机床刀具剩余寿命预测方法

背景技术

刀具作为在工业制造过程中的重要工具，其寿命和磨损状态影响着工件的生产质量，生产效率以及车床的健康状态。如果能精准预测出刀具的剩余寿命，将有效地降低工业制造的成本。刀具磨损测量方法大致可分为直接法和间接法两种。直接测量需要测量实际磨损，使用不同的方法，如：光学测量，放射性分析和电阻测量。然而，直接测量加工操作之间或期间的刀具磨损是困难的。另外就是间接测量，根据刀具条件和可测量信号(如力、声发射、振动、电流等)之间的关系来检测刀具状态的间接方法已经得到了广泛的研究。例如，通过使用力，振动和声发射(AE)信号，Sun等人基于运行可靠性评估和反向传播神经网络(BPNN)预测了切削刀具的剩余寿命值。

在进行间接测量的过程中，信号的处理是刀具状态检测的重要环节。近年来，小波变换在信号处理方面体现出其优越性，其得益于其不仅能在不同的频带提取更多的时频信息，而且在对信号的去噪效果上也有着优异的表现。PCA是将多维特征映射为少数几个综合特征得统计分析方法，能够提取原始数据主要特征，建立统计模型。Ge等提出分布式PCA方法(DPCA)，通过不同方向的主元将原始特征空间分为多个子特征空间并分别建立PCA模型，在此基础上制定集成策略用于故障检测和诊断。Gao等人基于PCA建立了一套动态监测模型的刀具寿命在线检测***，实现了特征的优化选择。Baydar基于PCA的多元统计方法建立了一个正常状态模型进行齿轮箱状态监测。支持向量机是基于结构风险最小化理论和VC维理论基础实现的，在一些非线性、小样本等问题中有独特的优势。最小支持二乘向量机是SVM的一个变体，其将SVM中的二次规划问题转化为了线性问题，降低了求解的复杂度。然而，在LSSVM情况下丢失了稀疏性并且支持值的估计仅在误差变量的高斯分布的情况下是最佳的。另外目前关于LSSVM的核函数选取还缺乏足够的理论依据，如何构建具有良好适应性的核函数是一个需要解决的问题，一个可行的思路是构建多核最小二乘支持向量机。

发明内容

有鉴于此，本发明的目的在于提出一种适用于关键设备铣削刀具的通用预测模型，通过分析现阶段的刀具状态监控术，选取效果较为理想的刀具间接测量指标，利用数据去噪、特征提取和多核W-LSSVM的方法建立了刀具剩余寿命预测模型，提供一种数控机床刀具剩余寿命预测方法。

为达到上述目的，本发明提供如下技术方案：

一种数控机床刀具剩余寿命预测方法，利用状态监控、数据去噪、特征提取和多核加权最小二乘支持向量机的方法建立刀具剩余寿命预测模型，并将刀具剩余寿命预测对象细化为铣削工具这一数控机床(CNC)核心生产要素，包括以下步骤：

S1：收集PLC控制器信号和外置传感器信号，监测加工过程中的工况信息和传感器数据，传感器数据主要为电流信号和三个方向即x轴、y轴以及z轴的振动信号，以实现刀具磨损在线监测与寿命预测为目标；

S2：接收原始信号数据并进行预处理；

S3：对步骤S2所得到得信号进行时域特征提取；

S4：对步骤S3所提取得时域特征利用主元分析PCA的T²特征图得到对应的数据矩阵；

S5：对步骤S4所得到的数据矩阵提取该特征向量的每一时间段的中值，和每一时间段范围的变化值，以及它们各自的一阶差分值；

S6：将步骤S5所得到的矩阵特征向量作为多核加权最小二乘支持向量机的输入，得到相应的剩余寿命值。

进一步，步骤S2中采用小波分析方法对传感器采集的振动信号和电流信号进行阈值去噪后进行时域特征的提取。

进一步，步骤S3中关于利用主元分析PCA的统计量T²进行特征提取，提取的步骤如下：

S31：去平均值，即每一位特征减去各自的平均值；

S32：计算协方差矩阵；

S33：通过奇异值分解方法计算协方差矩阵的特征值与特征向量；

S34：对特征值从大到小排序，选择其中最大的k个，然后将其对应的k个特征向量分别作为列向量组成特征向量矩阵；

S35：将数据转换到k个特征向量构建的新空间中；

S36：计算Hotelling T²统计量，T²统计量定义为：

T_i ²＝x_iλ^-1x_i ^T

式中，x_i为SVD分解后得到矩阵的第i行，λ为前k个特征值构成的对角阵。

进一步，步骤S6中采用多核加权最小二乘支持向量机得到相应的剩余寿命值，单核加权最小二乘支持向量机执行步骤如下：

S61：求解LSSVM模型的优化问题，得出Lagrange乘子序列和误差e_i；

S62：将误差序列进行高斯分布化，即在每一个e_i前乘上一个权重v_i，v_i的公式如下：

其中

IQR是将误差e_i序列从小到大排列，第三四分位与第一四分位数值的差，c₁和c₂的值分别为2.5和3；

S63：求解W-LSSVM模型，构造如下泛函极小化方程

其中，e为误差变量，γ为出正则化参数；由此得到Lagrange函数为：

根据Karush-Kuhn-Tucker(KKT)条件，求得如下方程组：

其中：I＝[1,1,....,1]^T，

α＝[α₁，α₂，....,α_m]^T；

S64：通过删除Lagrange乘子较小的样本点实现模型的稀疏化，最后单核W-LSSVM的回归模型输出为：

进一步，多核函数的构造为：

K＝λ₁K_L+λ₂K_R+λ₃K_P

式中，λ为各核的权重，K_L，K_R，K_P分别为线性核、RBF核和多项式核。

本发明的有益效果在于：本发明能很好利用间接测量信号数据，提取数据有效特征，在小样本下进行高精度的结果预测。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本发明所述数控机床刀具剩余寿命预测方法流程示意图；

图2为本发明实施例所述输入特征向量图；

图3为本发明实施例所述当前使用寿命值预测曲线图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

一种数控机床刀具剩余寿命预测方法，如附图1所示。首先根据CPS框架收集控制器(PLC)信号和外置传感器(Sensor)信号，收集加工过程中的工况信息和传感器数据，传感器数据主要为电流信号传感器数据主要为电流信号和三个方向即x轴、y轴以及z轴的振动信号。然后利用小波分析对传感器收集的振动信号和电流信号进行去噪。接着进行时域特征的提取，将提取的时域特征用PCA(主元分析法)进行特征向量提取。基于SVD分解协方差矩阵实现PCA的T²统计量提取特征的步骤如下：

1)去平均值，即每一位特征减去各自的平均值。

2)计算协方差矩阵。

3)通过SVD计算协方差矩阵的特征值与特征向量。

4)对特征值从大到小排序，选择其中最大的k个。然后将其对应的k个特征向量分别作为列向量组成特征向量矩阵。

5)将数据转换到k个特征向量构建的新空间中。

6)计算Hotelling T²统计量。

得到PCA的T²特征向量，进一步的将提取的T²特征向量进行特征处理，再一次提取该特征向量的每一时间段的中值，和每一时间段范围的变化值，以及它们各自的一阶差分值，将此四个特征向量输入到多核W-LSSVM模型中得到刀具的剩余寿命值。多核W-LSSVM模型建立步骤如下：

1)求解LSSVM模型的优化问题，得出Lagrange乘子序列和误差e_i

2)将误差序列进行高斯分布化，即在每一个e_i前乘上一个权重v_i。v_i的公式如下：

其中

IQR是将误差e_i序列从小到大排列，第三四分位与第一四分位数值的差，c₁和c₂的值分别为2.5和3。

3)求解W-LSSVM模型，构造如下泛函极小化方程

min

s.t.

其中，e为误差变量，γ为出正则化参数。由此得到Lagrange函数为：

根据Karush-Kuhn-Tucker(KKT)条件，可求得如下方程组：

其中：I＝[1,1,....,1]^T，

α＝[α₁，α₂，....,α_m]^T。

4)通过删除Lagrange乘子较小的样本点实现模型的稀疏化，最后单核W-LSSVM的回归模型输出为：

5)构造多核函数为：

K＝λ₁K_L+λ₂K_R+λ₃K_P

式中，λ为各核的权重，K_L，K_R，K_P分别为线性核、RBF核和多项式核。

关于多核W-LSSVM模型参数的选取，采取网格搜索法选取。模型参数γ以及σ²优化范围设置为(0.1，100)和(0.01，1 000)，多项式核次数d取值过大有可能导致核函数值趋向于零或者无穷，本文在集合{1，2，…，10}中寻找最优d取值，同时设置优化范围(0.01，1000)，各核函数的权重的取值范围设置为(0，1)。

为了验证该放法的可行性和准确性，进行了测试实验，并将此模型与一些常用机器学习模型进行了对比。数据来源为实际CNC加工过程中，一把全新的刀具开始进行正常加工程序，直到刀具寿命终止时停止数据采集。在数据采样频率方面，PLC信号采样频率为33Hz，震动传感器采样频率25600Hz。选取三组数据进行预测，预测结果曲线图如图3所示。将本模型别与使用xgboost模型、树回归模型进行预测进行对比。对比标准为将进行拟合后得到的寿命值与实际寿命值之差的绝对值。对比结果如下表可知：

实验结果证明了该模型在刀具剩余寿命预测过程中的正确性和精准性。可以解决之前提到的低精度和低准确性的问题。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种数控机床刀具剩余寿命预测方法，其特征在于：利用状态监控、数据去噪、特征提取和多核加权最小二乘支持向量机的方法建立刀具剩余寿命预测模型，并将刀具剩余寿命预测对象细化为铣削工具这一数控机床CNC核心生产要素，包括以下步骤：

S1：收集PLC控制器信号和外置传感器信号，监测加工过程中的工况信息和传感器数据，传感器数据主要为电流信号和三个方向即x轴、y轴以及z轴的振动信号，以实现刀具磨损在线监测与寿命预测为目标；

S2：接收原始信号数据并进行预处理；

S3：对步骤S2所得到得信号进行时域特征提取；

S4：对步骤S3所提取得时域特征利用主元分析PCA的T²特征图得到对应的数据矩阵；

S5：对步骤S4所得到的数据矩阵提取特征向量的每一时间段的中值，和每一时间段范围的变化值，以及它们各自的一阶差分值；

S6：将步骤S5所得到的矩阵特征向量作为多核加权最小二乘支持向量机的输入，得到相应的剩余寿命值。

2.根据权利要求1所述的数控机床刀具剩余寿命预测方法，其特征在于：步骤S2中采用小波分析方法对传感器采集的振动信号和电流信号进行阈值去噪后进行时域特征的提取。

3.根据权利要求1所述的数控机床刀具剩余寿命预测方法，其特征在于：步骤S3中关于利用主元分析PCA的统计量T²进行特征提取，提取的步骤如下：

S31：去平均值，即每一位特征减去各自的平均值；

S32：计算协方差矩阵；

S33：通过奇异值分解方法计算协方差矩阵的特征值与特征向量；

S34：对特征值从大到小排序，选择其中最大的k个，然后将其对应的k个特征向量分别作为列向量组成特征向量矩阵；

S35：将数据转换到k个特征向量构建的新空间中；

S36：计算Hotelling T²统计量，T²统计量定义为：

T_i ²＝x_iλ^-1x_i ^T

式中，x_i为SVD分解后得到矩阵的第i行，λ为前k个特征值构成的对角阵。

4.根据权利要求1所述的数控机床刀具剩余寿命预测方法，其特征在于：步骤S6中采用多核加权最小二乘支持向量机得到相应的剩余寿命值，单核加权最小二乘支持向量机执行步骤如下：

S61：求解LSSVM模型的优化问题，得出Lagrange乘子序列和误差e_i；

S62：将误差序列进行高斯分布化，即在每一个e_i前乘上一个权重v_i，v_i的公式如下：

其中

IQR是将误差e_i序列从小到大排列，第三四分位与第一四分位数值的差，c₁和c₂的值分别为2.5和3；

S63：求解W-LSSVM模型，构造如下泛函极小化方程

其中，e为误差变量，γ为出正则化参数；由此得到Lagrange函数为：

根据Karush-Kuhn-Tucker条件，求得如下方程组：

其中：I＝[1,1,....,1]^T，

α＝[α₁，α₂，....,α_m]^T；

S64：通过删除Lagrange乘子较小的样本点实现模型的稀疏化，最后单核W-LSSVM的回归模型输出为：

5.根据权利要求4所述的数控机床刀具剩余寿命预测方法，其特征在于：多核函数的构造为：

K＝λ₁K_L+λ₂K_R+λ₃K_P

式中，λ为各核的权重，K_L，K_R，K_P分别为线性核、RBF核和多项式核。

Images