CN113579851B - 一种基于自适应分段pca的非平稳钻削过程监测方法 - Google Patents

Abstract

本发明公开一种基于自适应分段PCA的非平稳钻削过程监测方法，该方法通过采集机床的控制***监控信息以及所安装的力传感器信号特征，判断钻削加工开始时间，接着根据钻头的引导部分长度和钻孔深度以及轴向进给速度，计算出每一钻削阶段的时间，以实现对钻削阶段的自适应分段，准确截取稳定钻削阶段的信号。采集不同刀具磨损值对应的轴向力信号，进行低通滤波，再进行特征选择排除无效特征，再根据加工工艺的要求定义训练集和测试集，以正常磨损的特征矩阵建立PCA监测模型，以测试数据集检验所建立的模型的准确性。

Description

一种基于自适应分段PCA的非平稳钻削过程监测方法

技术领域

本发明涉及一种机床刀具的状态监测与辨识技术领域，特别涉及一种基于自适应分段PCA的非平稳钻削过程监测方法。

背景技术

目前，刀具状态监测方法是依靠对传感器采集到的加工信号进行滤波降噪、特征提取，最后建立刀具状态监测模型的过程。尽管目前已经开发了人工神经网络(ANN)、隐式马尔可夫模型(HMM)、支持向量机(SVM)和模糊聚类等模式识别算法，并已经应用到刀具状态监测的研究中，但是针对钻削加工过程建立的刀具状态监测模型很少，因为钻削加工过程的信号一般体现为非平稳性，信号的波动很大，如果对全加工过程信号都进行分析的话，会存在着一些问题，首先整个加工过程会包含很多无用的噪声信息，其次钻削信号的波动性很大，这都会对监测的结果会产生很大的影响。

公开号为CN105834835B的专利，介绍了一种基于多尺度主元分析的刀具磨损在线监测方法，通过小波分解将训练样本分解成多个尺度，利用主元分析对各个尺度及整体进行降维处理构建模型；将测试样本依据训练样本的层数进行小波分解，将各尺度下的数据加载到相应尺度的主元模型上计算出各尺度下数据的SPE和T²统计量；对显著尺度上的信号利用小波重构方法组成一个新的测试样本，加载到整体主元模型上，通过计算SPE和T²统计量并判断是否超出控制限，如果超出则说明过程刀具磨损异常，否则为刀具磨损正常，从而监测出刀具的磨损状态。

但上述发明专利并未针对钻削加工过程做出详细说明，而且如果对全加工过程的信号进行主元分析，那么监测结果的准确度是很低的，因为主元分析算法对于波动程度较大数据监测效果是较差的。对于钻削加工来说，其特点相比于其它加工方式较为鲜明，因此当其他加工过程的刀具状态监测模型很可能在钻削过程中失效，钻削过程一般分为从刀尖接触工件到钻头引导部分完全进入工件、稳定钻削、刀尖即将钻出工件到钻头完全钻出工件三个阶段，整个钻削过程的信号波动较大，很可能导致监测模型失效，能够合理的利用不同钻削加工阶段的信号，才能准确的监测钻头的磨损状态。即需要提供一种能够自适应对钻削加工分段，并很好的识别非平稳钻削过程的监测方法。

发明内容

本发明的目的是为了克服现有技术中的不足，提供一种基于自适应分段PCA的非平稳钻削过程监测方法。

本发明的目的是通过以下技术方案实现的：

一种基于自适应分段PCA的非平稳钻削过程监测方法，根据数控***的监控信息以及所安装的力传感器输出的信号特征，判断钻削加工开始时间，接着根据钻头的引导部分长度和钻孔深度以及轴向进给速度，计算出每一钻削阶段的时间，以实现对钻削阶段的自适应分段，准确截取稳定钻削阶段的信号。

进一步的，一种基于自适应分段PCA的非平稳钻削过程监测方法，包括以下步骤：

步骤一，搭建信号采集平台，安装测力仪用于采集钻削过程的轴向力信号；读取数控加工NC代码，获取钻削加工的工艺参数，在数控***中获得刀具的位置信息；

步骤二，通过数控代码或测力仪来判断何时刀尖接触到工件，并根据工艺参数将钻削加工划分成钻入阶段、稳定钻削阶段和钻出阶段；将刀尖接触工件到钻头引导部分完全阶段定义为钻入阶段，完全钻入后开始采集力信号，直到刀尖即将钻出工件停止采集，得到稳定钻削阶段力信号数据，用于刀具磨损判断与识别；

步骤三，对采集的稳定钻削阶段力信号数据进行频谱分析，确定有效频率成分的范围，之后对稳定钻削阶段力信号数据进行低通滤波；之后提取时域特征和频域特征，组成特征矩阵；

步骤四，对步骤三阶段提取的特征矩阵进行特征选择，筛选出无意义的特征值，获得经特征选择后的特征矩阵；

步骤五，采集刀具不同磨损情况下的钻削轴向力信号，重复步骤二、步骤三、步骤四，以正常磨损信号建立训练集，以正常磨损信号和异常磨损信号建立测试集；

步骤六，用训练集建立基于PCA的刀具磨损状态监测模型，并用测试集检验刀具磨损状态监测模型的有效性；

步骤七，确定刀具磨损状态监测模型有效，则根据步骤六的计算结果，保存正常刀具磨损状况下的特征平均值向量、特征标准差向量、主元个数、SPE统计量控制限、T²统计量控制限、特征向量方差矩阵及载荷矩阵；用以上7个参数作为刀具磨损状态监测模型的参数；最后把刀具磨损状态监测模型嵌套到相应的机床数控***中所用的加工状态监测软件中。

进一步的，步骤三提取的时域特征为均值、均方根、均方值、方差、峰峰值、峰值、峭度、偏斜度、峰值因子、脉冲因子、波形因子，所提取的频域功率谱特征为频带功率和、频带功率均值、频带功率偏度、频带功率峭度、频带功率方差、频带功率峰值、频带功率峰值与均值的比值以及峰值频率，对于所截取的稳定钻削阶段的信号是平稳信号，无须提取时频特征。

与现有技术相比，本发明的技术方案所带来的有益效果是：

1.本发明方法可非常快且精确的识别非平稳钻削加工过程中的刀具异常磨损信号，通过对钻削信号的准确划分阶段，没有盲目分析钻削加工全过程信号，只采集稳定钻削阶段的信号提取特征，建立PCA监测模型，实现对非平稳钻削过程的监测，与采集全加工过程信号的刀具磨损状态监测模型相比，降低了所采集数据的数量，提高了刀具磨损状态监测模型的运行速度。

2.本发明方法针对钻削轴向力信号的波动大的特点，选择了变化较为平缓的稳定钻削阶段信号，降低了进行主元分析所用数据的波动程度，提高刀具磨损状态监测模型的准确性和鲁棒性。

3.本发明方法还可以降低对机床操作工人经验的依赖，通过对刀具磨损程度的在线监测，实时获得刀具的工作状态，对是否换刀给出参考，同时对于开发高度自动化、智能化的生产加工具有重大意义。

附图说明

图1为本发明所述的基于自适应分段PCA的非平稳钻削过程监测方法流程图；

图2为步骤S2中几个重要尺寸的标注；

图3为某实例的钻削轴向力信号的波形图。

具体实施方式

以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明提出了一种钻削加工的刀具磨损状态在线监测方法，包括如下步骤：

步骤S1，搭建信号采集平台，安装轴向力传感器，采集钻削过程的轴向力信号；读取数控加工NC代码，获取加工设备的加工参数如：主轴转速n、进给速度a等，执行钻孔工艺的工件的参数，如：钻头的直径d以及其引导部分长度l所加工工件钻孔的厚度h等，以及从数控***中采集加工时钻头的位置信息。

步骤S2，钻头从起始位置到达工件表面的时间，计算公式为t₀＝Z/a，其中Z为钻头底部到工件表面的距离，工件从接触工件表面到引导部分完全进入工件的时间，计算公式为t₁＝l/a，稳定钻削阶段，即切削刃全部参与切削的阶段，其时间计算公式为t₂＝(h-l)/a，那么从机床开始运行开始计为零时刻，将(t₀+t₁)到(t₀+t₁+t₂)时间段的信号作为有效信号。一个实例的阶段划分如附图3所示，阶段A为刀尖接触工件到钻头引导部分完全进入工件，B为稳定钻削阶段，C为刀尖即将钻出工件到钻头完全钻出工件阶段，D是钻孔的退刀阶段。

步骤S3，采集用不同磨损程度钻头进行钻削加工获得的信号，对步骤S2所定义的稳定阶段信号数据进行频谱分析，采用DFT计算幅值谱，用以确定有效频率成分的范围0-fc，对该信号进行以fc为截止频率的低通滤波。之后提取11个时域特征和8个频域功率谱特征，组成包含19个特征的特征矩阵。

步骤S4，对步骤S3阶段提取的特征矩阵进行特征选择，选择出与磨损值线性相关度高的、鲁棒性好的特征，除去出无意义的特征值，获得经特征选择后的特征矩阵。

步骤S5，对步骤S4获得的特征矩阵进行划分，一般根据实际生产中对刀具磨损值要求划分成两类，A类为生产中认为是从可以接受的磨损程度钻头加工轴向力信号中提取的特征，B类是生产中认为是从无法接受的刀具磨损程度的钻头加工轴向力信号中提取的特征，用达到该磨损程度的钻头进行加工可能会导致加工异常状况的出现。

步骤S6，选取步骤S5中的包含刀具正常磨损值的A类特征建立训练集，训练基于PCA的刀具磨损状态监测模型，用步骤S5中A类与B类中的特征矩阵建立测试集，并用于检验所建立模型的准确性。

步骤S7，根据步骤S6的计算结果，保存用训练集建立刀具磨损状态监测模型得到的特征平均值向量、特征标准差向量、主元个数、SPE统计量控制限、T²统计量控制限、特征向量方差矩阵及载荷矩阵，以上7个参数作为所建立的基于PCA的钻削刀具磨损状态监测模型的主要参数。

步骤S2中具体包括以下处理：

步骤2.1，根据数控加工代码获得刀具的起始高度Z，所以计算钻头从起始位置到达工件表面的时间t₀＝Z/a'，其中a'为此时轴向进给的速度(开始加工时可能有快速进给情况，a'可能是钻孔是的进给速度a，也可能是快速进给速度)，在此种情况下，后续计算为：工件从接触工件表面到引导部分完全进入工件的时间，计算公式为t₁＝l/a，稳定钻削阶段，即切削刃全部参与切削的阶段，其时间计算公式为t₂＝(h-l)/a，那么从机床开始运行开始计为零时刻，将(t₀+t₁)到(t₀+t₁+t₂)时间段的信号作为有效信号。

步骤2.2，如果快速进给速度不易确定，可以利用传感器捕捉刀具与工件的接触时刻记为0时刻，后续计算为：工件从接触工件表面到引导部分完全进入工件的时间，计算公式为t₁＝l/a，稳定钻削阶段，即切削刃全部参与切削的阶段，其时间计算公式为t₂＝(h-l)/a，那么从机床开始运行开始计为零时刻，将t₁到t₁+t₂时间段的信号作为有效信号。

步骤S3中具体包括以下处理：

步骤3.1中的离散傅里叶变换(DFT)公式如下:

对于信号的数据序列x_i，其数据长度为q，则x_i的N点DFT的计算公式为：

其中k表示傅里叶变换的第k个频谱。

步骤3.2中，用x_i表示信号的数据序列，q表示数据的长度，则信号的11个时域特征的计算公式分别如下：

1.均值：表示一段信号的平均幅值,计算公式为：

2.均方根：表示一段信号的有效值，计算公式为：

3.均方值是均方根的平方。

4.方差：表示一段信号偏离平均值的程度，计算公式为：

5.峰峰值：表示一段信号中最大值与最小值之差，计算公式为：x_pp＝Max(x_i)-Min(x_i)。

6.峰值：表示一段信号中信号绝对值的最大值，计算公式为：x_p＝Max(abs(x_i))。

7.峭度：表示一段信号中波形陡峭程度，反应加工***发生的变化，计算公式为：

8.偏斜度：表示一段信号波形对称程度的物理量，计算公式为：

9.峰值因子：峰值与均方根的比值，计算公式为：

10.脉冲因子：峰值与平均值的比值，计算公式为：

11.波形因子：均方根与平均值的比值，计算公式为：

步骤3.3中选择用Welch法计算功率谱，求得的功率谱密度为P_k,k＝1,2,3,...,m(把数据序列分成了m段)的频域功率谱特征计算公式如下：

1.频带功率和：

2.频带功率均值：

3.频带功率偏度：

4.频带功率峭度：

5.频带功率方差：

6.频带功率峰值：Pfp＝Max(P_k)。

7.频带功率峰值与均值的比值：

8.峰值频率：功率谱峰值对应的频率。

步骤S6中具体包括以下处理：

步骤6.1中建立基于主元分析的刀具磨损状态监测模型的过程如下：

1.选用正常磨损状态下的特征集，也就是步骤S5中提到的训练集，首先针对不同量纲的特征进行标准化，已排除量纲的干扰，得到均值为0，标准差为1的数据。

2.计算经过标准化处理的特征矩阵的相关系数矩阵。

3.求相关系数矩阵的特征值和相应的特征向量，并将特征值及其对应特征向量从大到小排列。

4.根据累积贡献率法确定主成分个数k，已知var(y_k)＝λ_k，将

定义为第k个主成分的贡献率，其中p表示建立基于主元分析的刀具磨损状态监测模型时所用的特征个数，贡献率表示了主成分含有的信息占数据总信息的比例。称式

为主元的累计贡献率，取累计贡献率达到90％以上的主成分个数，并求出对应的负荷矩阵P_k。

5.计算每个样本点处的平方预测误差SPE，以及本模型的SPE控制限，某一样本点处的SPE统计量计算公式可以表示为：

SPE_i＝X_i(I-P_kP_k ^T)X_i ^T

其中

σ是前k个主元的特征值组成的对角矩阵，X_i为第i样本中经过标准化的特征，I为单位矩阵，P_k为建立模型时的负荷矩阵。

SPE控制限的计算公式如下：

在某一样本点i的T²统计量计算公式为：

T_i ²＝X_iP_kO^-1P_kX_i ^T

T²控制限的计算公式为：

其中，O是前k个主元的特征值组成的对角矩阵，F_k,m-k,α是值检验水平为α，自由度为k，n-1条件下的F分布临界值。

一般的，应用T²和SPE统计量来监测***状态时，根据二者是否超出控制限来判断加工是否处于正常状态，可以用测试集来验证模型的准确性，比较SPE和T²中准确度较高的一个来作为监测钻削刀具磨损状态的指标，该实例中最终选择了SPE统计量。

本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案，上述的具体实施方式仅仅是示意性的，并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下，本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换，这些均属于本发明的保护范围之内。

Claims (2)

1.一种基于自适应分段PCA的非平稳钻削过程监测方法，其特征在于，根据数控***的监控信息以及所安装的力传感器输出的信号特征，判断钻削加工开始时间，接着根据钻头的引导部分长度和钻孔深度以及轴向进给速度，计算出每一钻削阶段的时间，以实现对钻削阶段的自适应分段，准确截取稳定钻削阶段的信号，具体包括以下步骤：

步骤一，搭建信号采集平台，安装测力仪用于采集钻削过程的轴向力信号；读取数控加工NC代码，获取钻削加工的工艺参数，在数控***中获得刀具的位置信息；

步骤二，通过数控代码或测力仪来判断何时刀尖接触到工件，并根据工艺参数将钻削加工划分成钻入阶段、稳定钻削阶段和钻出阶段；将刀尖接触工件到钻头引导部分完全阶段定义为钻入阶段，完全钻入后开始采集力信号，直到刀尖即将钻出工件停止采集，得到稳定钻削阶段力信号数据，用于刀具磨损判断与识别；

步骤三，对采集的稳定钻削阶段力信号数据进行频谱分析，确定有效频率成分的范围，之后对稳定钻削阶段力信号数据进行低通滤波；之后提取时域特征和频域特征，组成特征矩阵；

步骤四，对步骤三阶段提取的特征矩阵进行特征选择，筛选出无意义的特征值，获得经特征选择后的特征矩阵；

步骤五，采集刀具不同磨损情况下的钻削轴向力信号，重复步骤二、步骤三、步骤四，以正常磨损信号建立训练集，以正常磨损信号和异常磨损信号建立测试集；

步骤六，用训练集建立基于PCA的刀具磨损状态监测模型，并用测试集检验刀具磨损状态监测模型的有效性；

步骤七，确定刀具磨损状态监测模型有效，则根据步骤六的计算结果，保存正常刀具磨损状况下的特征平均值向量、特征标准差向量、主元个数、SPE统计量控制限、T²统计量控制限、特征向量方差矩阵及载荷矩阵；用以上7个参数作为刀具磨损状态监测模型的参数；最后把刀具磨损状态监测模型嵌套到相应的机床数控***中所用的加工状态监测软件中。

2.根据权利要求1所述一种基于自适应分段PCA的非平稳钻削过程监测方法，其特征在于，步骤三提取的时域特征为均值、均方根、均方值、方差、峰峰值、峰值、峭度、偏斜度、峰值因子、脉冲因子、波形因子，所提取的频域功率谱特征为频带功率和、频带功率均值、频带功率偏度、频带功率峭度、频带功率方差、频带功率峰值、频带功率峰值与均值的比值以及峰值频率，由于所截取的稳定钻削阶段的信号是平稳信号，无须提取时频特征。

Images