《基于人工蜂群-bp神经网络的刀具磨损监测》由会员分享，可在线阅读，更多相关《基于人工蜂群-bp神经网络的刀具磨损监测（12页珍藏版）》请在金锄头文库上搜索。
1、基于人工蜂群-BP 神经网络的刀具磨损监测 王吴光 无锡商业职业技术学院机电工程系 摘 要： 为了提高刀具磨损状态监测准确度, 提出基于人工蜂群-BP 神经网络算法的刀具磨损状态监测方法。使用力传感器和振动传感器设计了磨损状态监测平台;使用匹配追踪算法对信号进行了去噪;提取了信号时域、频域、时频域的特征参数, 使用核主成分分析法对特征参数进行了降维, 确定了反应刀具磨损状态的 15 个特征参数;提出了人工蜂群-BP 神经网络算法的刀具磨损状态识别方法, 使用人工蜂群算法优化 BP 神经网络算法参数;经实验验证, 传统 BP 神经网络识别准确率为 78.75%, 优化 BP 神经网络算法识别准确
2、率为 100%。关键词： 刀具; 磨损状态监测; 匹配追踪算法; 核主成分分析法; 人工蜂群-BP 神经网络算法; 作者简介：王吴光, 男, 1981 年生, 江苏无锡人, 汉族, 无锡商业职业技术学院实验师, 硕士, 研究方向为机械设计、模具设计。收稿日期：2017-07-26基金：国家重点基础研究发展计划 (2013CB035800) 资助CUTTING TOOL WEAR CONDITION MONITORING BASED ON ARTIFICIAL BEE COLONY-BP NEUTRAL NETWORK ALGORITHMWANG WuGuang School of Mechan
3、ical and Electrical Engineering, Wuxi Vocational Institute of Commerce; Abstract： To improve cutting tool wear condition monitoring accuracy, wear condition monitoring method based on artificial bee colony-BP neutral network is proposed. Force sensor and vibration sensor are used to design monitorin
4、g platform. Matching pursuit algorithm is used to denoise for the signal. Characteristic parameters are extracted from time domain, frequency domain, and time-frequency domain. These characteristic parameters are reduced dimensionally by kernel principal component analysis, and fifteen parameters ar
5、e ensured at last. Cutting tool wear condition recognition method based on artificial bee colony-BP neutral network algorithm is presented, and artificial bee colony algorithm is used to optimize neutral network parameters. The experimental result proves that the recognition accuracy is 78. 75% by B
6、P neutral network and 100% by optimized BP neutral network algorithm respectively.Keyword： Cutting tool; Wear condition monitoring; Matching pursuit algorithm; Kernel principal component analysis; Artificial bee colony-BP neutral network algorithm; Received： 2017-07-26引言机械制造是国家发展进步的基础, 能够体现出一个国家的科技发
7、展水平。数控机床是机械制造行业的基础工具1, 数控机床的研制水平直接影响产品的生产精度和质量, 进而影响相关行业的发展水平。数控刀具作为数控机床最重要的加工工具, 直接影响产品的生产精度、机床生产效率与安全性2。因此本文提出了刀具磨损状态监测方法, 能够实时监控刀具磨损状态, 对提高产品质量、生产效率和安全性具有重要意义。目前国内外刀具磨损状态监测方法可以分为直接检测法和间接检测法。直接检测法包括放射线法、光学检测法3、电阻检测法4等, 间接检测法包括声发射监测法5、切削力监测法6、振动监测法7、多传感器融合监测法等。多传感器融合监测方法可以使各传感器优势互补、增加监测系统的容错能力, 是当前
8、国内外刀具磨损监测的研究热点。鉴于切削力传感器和振动监测传感器在频谱上的互补性, 本文将切削力传感器和振动传感器信号进行融合对刀具磨损状态进行监测。本文为了提高刀具磨损状态识别准确度, 将磨损状态识别系统分为信号去噪、特征参数提取、磨损状态识别三个方面, 提出了基于人工蜂群-BP 神经网络算法的磨损状态识别方法, 从识别结果可以看出本文提出的磨损状态识别系统可以提高磨损状态识别精度。1 监测平台及特征参数提取1.1 刀具磨损监测平台本文使用切削力传感器和振动传感器融合的方法对刀具磨损状态进行监测。选用的刀具试验机床为 CK6143/1000 数控车床, 此车床可以加工圆柱、圆锥、螺纹等。传感器
9、的布置为:在刀台互相垂直的三个方向上分别放置振动传感器用于测量三个方向的振动信号, 竖直方向放置一个用于测量竖直方向的振动, 水平方向垂直放置两个用于测量此两方向的振动, 使用的振动传感器型号为8702B50M1;切削力传感器安装在刀具切向的反向, 安装于三个方向用于测量各方向的切削力信号, 使用的切削力传感器为 Kistler9257B 测力仪。按照刀具的磨损程度, 将刀具分为新刀、轻度磨损、中度磨损、严重磨损四类磨损状态, 其磨损量分别为 0 mm、0.08 mm0.1 mm、0.15 mm0.17 mm、0.25 mm0.27 mm。实现对刀具磨损状态的实时监测, 就要通过传感器数据采集
10、数据, 然后对原始数据去噪, 滤除其中的随机误差, 而后提取表征不同磨损状态的特征参数, 依据特征参数进行磨损状态识别等。1.2 数据去噪数据滤波方法可以分为时域滤波和频域滤波两种, 常用频域滤波方法为带通滤波器, 但是当噪声和有用信号的频带交错重叠时此方法无法使用。常用的时域滤波器为小波变换, 就是将原始信号进行多尺度分解, 而后设置阈值去除噪声, 此方法的“一刀切”方式容易剪除掉有效信号。本文使用匹配追踪方法进行数据去噪8, 给定一个完备原子库 D=gr, 原子的模 gr=1, 设原子数量为 N, 原子库即为 N 维信号空间的一组基, 记原始信号为 f, 第 m 次匹配后残差为 Rf, 第
11、一次信号匹配为式中, f, g r为原始信号在基上的投影, Rf 为残差, 则匹配目标为minRf。经过 M 次匹配后, 去除信号中的残差, 对匹配信号进行还原, 即式中, 珓 f 为还原后的信号, 即去噪后的信号。通过以上分析可以看出匹配追踪算法通过迭代匹配不断逼近原始信号, 既能去除信号中的噪声又能保持信号的连续性。使用此方法进行信号去噪的具体步骤为:Step1:分析原始信号特点, 给出超完备的时频字典9-10;Step2:参考算法的分解分辨率和运算效率, 确定原子数 N 和原子 gr;Step3:开始分解过程, 使用迭代的方法, 当分解信号的残差达到设定精度时, 停止分解过程;Step4
12、:信号的重构。去除信号的残差, 将其余信号按照式 (2) 进行重构, 此信号即为去噪信号。1.3 特征参数选取在 CK6143/1000 数控车床使用过程中, 竖直方向的振动幅度明显大于水平方向的振动幅度, 所以本文忽略了水平方向的振动, 只提取竖直方向振动信号、三向切削力信号的特征参数。为了对刀具不同磨损状态进行区分, 从时域、频域、时频域三个域提取特征参数。时域参数包括均值、方差、均方根、峰值因子、波形因子、脉冲因子、裕度因子、峭度系数等共 8 个;频域参数包括中心频率、均方频率、频率方差等共 3 个, 这些时域和频域参数都是现有的, 其具体意义在学术百科中可以查到。时域和频域的参数容易理
13、解, 下面重点介绍时频域的参数定义。时频域的特征参数是对原始信号进行四层小波包分解, 计算分解得到的 16 个频段上的能量值, 以此 16 个能量值作为时频域特征参数。小波包分解是在小波分解的基础上改进的, 它对高频和低频部分都进行分解, 理论上讲小波包可以无限制分解, 但是可以事先设定分解分辨率, 达到分辨率时就不再进行分解, 按照本文对分辨率的要求, 本文共进行四层小波包分解, 小波函数选择为 db4 小波。以竖直方向切削力原始信号为例, 对其进行匹配追踪算法滤波后, 使用 db4 小波对滤波后的信号进行四层小波包分解, 共得到 16 个频段上的信号, 针对刀具四种磨损状态, 计算不同磨损
14、状态下 16 个频段上信号能量, 结果如图 1 所示。从图中可以看出, 刀具不同磨损状态下 16 个频段的能量值差别较大, 尤其是第1 和第 4 频段, 这说明选择 16 个频段的能量值作为区分磨损状态的特征参数是合理的。通过以上分析, 本文选取竖直方向振动信号、三向切削力信号的时域、频域、时频域特征参数, 每种信号都有 8 个时域参数、3 个频域参数、16 个时频域参数等共 29 个特征参数, 用于区分刀具的不同磨损状态。为了计算方便, 需要将所有的特征参数进行归一化处理。1.4 特征参数降维以上选取的 108 个参数之间存在相关性, 而且参数维度极大影响了模式识别时的运算复杂度, 因此本文
15、使用核主成分分析法降低特征参数维度。核主成分分析法原理参考文献11, 为了节省篇幅这里不再赘述。核主成分分析法具体实现方法为: (1) 由高斯径向基函数构造样本数据的核函数矩阵; (2) 计算核函数矩阵的特征向量和特征值; (3) 各特征值与所有特征值之和的比值, 即为此特征值对应元素的贡献率; (4) 按照设定的累积贡献率值, 取前若干个主元反应矩阵信息。图 1 各频段能量值 Fig.1 Energy values of different frequency bands 下载原图本文设定的累积贡献率为 90%, 共选择了 15 个特征参数, 也就是说最终确定的15 个参数包含了原始矩阵 9
16、0%以上的信息。为检验特征参数降维效果, 以刀具不同磨损状态的 10 组特征参数作为测试样本, 使用模糊聚类方法对降维前后特征参数进行聚类分析, 结果如图 2 所示。图 2 降维前后聚类分析 Fig.2 Cluster analysis before and after dimension reduction 下载原图图中横纵坐标均为归一化后的 01 数值。从图中可以看出, 在降维前四种磨损状态具有混杂情况, 尤其是严重磨损和中度磨损混杂严重, 这会导致模式识别时出现错误;降维后四种磨损状态区分明确, 各自聚类中心明显, 这充分说明特征参数降维不仅能够降低运算复杂度, 还能提高模式识别精度。2 刀具磨损状态识别通过第二节对原始信号进行了去噪、提取了区分不同磨损状态的 15 个特征参数, 本节以 15 个特征参数为依据, 提出了人工蜂群-BP 神经网络的刀具磨损状态识别方法。2.1 BP 神经网络原理BP 神经网络也叫误差反向传播神经网络, 是目前应用最为广泛的神经网
