本發明涉及機械故障診斷技術領域和計算機技術領域，尤其涉及一種基于多傳感融合的刀具狀態監測方法。
背景技術：
隨著市場競爭的日益激烈，制造型企業對生產過程的自動化需求不斷增加，數控機床的自動化是大多數制造過程自動化的重要組成部分。刀具作為數控機床最易損傷的部件，對其進行及時有效的狀態監測與故障識別至關重要，主要原因在于：(1)據統計，在切削加工中刀具故障通常約占機床停機時間的20％，而頻繁的停機換刀嚴重影響企業的生產效率；(2)如若刀具發生故障而沒有及時發現，會直接影響零件表面光潔度、尺寸精度等質量特性，嚴重的還將導致工件報廢，增加生產成本。因此，加工過程中的實時刀具狀態監測是自動化制造中的關鍵研究課題，如何在加工過程中有效地監測刀具狀態，識別刀具的損傷程度，已成為數控機床智能化以及生產過程自動化發展急需解決的問題。
近年來，基于傳感器的間接式刀具狀態監測方法受到了國內外學者的廣泛關注，該方法是通過傳感器獲取切削加工過程的相關信號，借助信號處理和統計分析技術對刀具狀態進行估計，以達到實時監測刀具運行狀態的目的。目前，學者們開展了大量刀具狀態監測研究，已提出了諸多比較有效的刀具狀態監測方法，這為高精度、高可靠性的刀具狀態監測提供了一定的技術基礎。然而，已有的研究側重于單一傳感器的研究，由于不同物理場信號對刀具不同狀態(磨損、破損等)的靈敏程度不同，因此基于單一傳感器的方法容易導致刀具狀態的漏判和誤判，影響刀具狀態監測的識別精度。
技術實現要素：
本發明實施例的目的在于提供一種基于多傳感融合的刀具狀態監測方法，不僅適應多維時間序列的信號處理需求，還有助于時變非穩態信號的高效處理，適合復雜切削過程刀具狀態監測，提高了加工過程中刀具狀態的識別精度。
為了解決上述技術問題，本發明實施例提供了一種基于多傳感融合的刀具狀態監測方法，所述方法包括：
在已測刀具的歷史數據中，獲取刀具狀態的種類及每一種刀具狀態下由多個傳感器所得的物理場時域信號，并從每一種刀具狀態下所得物理場時域信號中分別對應截取連續采樣數為t的不重疊的n組信號，且進一步將所述截取到的每一種刀具狀態下各自對應n組信號分別作為當前n組期望信號依次進入預設的穩態子空間分析模型中計算，得到已測刀具每一種刀具狀態分別對應的數學分析值；其中，t和n均為大于1的整數；
采集待測刀具由所述多個傳感器所得的物理場時域信號，并從所采集待測刀具所得物理場時域信號中對應截取連續采樣數為t的不重疊的n組信號，且進一步將所述截取到的待測刀具所得對應n組信號作為當前n組期望信號進入所述預設的穩態子空間分析模型中計算，得到待測刀具的數學分析值；
在所述得到的已測刀具每一種刀具狀態分別對應的數學分析值中，篩選出與所述待測刀具的數學分析值之差的絕對值為最小，并將所篩選出差的絕對值為最小時已測刀具所對應刀具狀態種類作為所述待測刀具的故障類別。
其中，所述當前n組期望信號進入所述預設的穩態子空間分析模型中計算的具體步驟包括：
計算當前n組期望信號的均值和協方差，并根據所述計算出的當前n組期望信號的均值和方差，利用kl散度計算出當前n組期望信號的非平穩正態分布和標準正態分布的散度值，且進一步構造以非平穩映射向量為優化參數的目標函數后，求解當前n組期望信號所對應目標函數的最優非平穩映射；
將當前n組期望信號以其對應求解到的最優非平穩映射進行優化，得到優化后的當前n組期望信號；
確定所得優化后的當前n組期望信號需計算的共同特征參數項并計算，且進一步得到由優化后的當前n組期望信號對應所述共同特征參數項所得特征值形成的特征參數集；
對所述得到的特征參數集采用fisher線性判別分析，得到特征參數集的類均值和總均值，并根據所述得到的特征參數集的類均值和總均值，計算出特征參數集的類間離散度矩陣和類內離散度矩陣，且進一步根據所述計算出的特征參數集的類間離散度矩陣和類內離散度矩陣構建離散矩陣后，求解所述離散矩陣的最大特征值及其對應的最大特征向量；
根據所述求解得到的最大特征值及最大特征向量以及所述優化后的當前n組期望信號對應所述共同特征參數項所得特征值，得到所述優化后的當前n組期望信號的映射值，并根據所述映射值，計算出當前n組期望信號的映射均值，且進一步將所述計算出的映射均值作為數學分析值輸出；其中，當所述當前n組期望信號為已測刀具中某一種刀具狀態下所截取的n組信號時，則所述輸出的數學分析值為已測刀具對應種類刀具狀態下的數學分析值；當所述當前n組期望信號為待測刀具所截取的n組信號時，則所述輸出的數學分析值為待測刀具的數學分析值。
其中，所述以非平穩映射向量為優化參數的目標函數通過公式
其中，所述求解當前n組期望信號所對應目標函數的最優非平穩映射是通過梯度下降法或擬牛頓法來實現。
其中，所述刀具狀態的種類包括正常、中等磨損、嚴重磨損和破損。
其中，所述物理場時域信號包括振動時域信號、電流時域信號和聲發射時域信號。
實施本發明實施例，具有如下有益效果：
本發明實施例通過由多種傳感器獲得已測刀具各種刀具狀態下及待測刀具當前待定刀具狀態下的多個物理場信號來分別構成各自對應的多維傳感信號，進而采用穩態子空間分析模型從上述各自對應的多維傳感信號中提取非穩態子空間信號并計算若干特征參數項的特征值，且進一步將各自計算出的特征值作為fisher線性判別分類器的輸入獲得相應的數學分析值，從而以數學分析值的大小對比來判定待測刀具的當前待定刀具狀態，不僅適應多維時間序列的信號處理需求，還有助于時變非穩態信號的高效處理，適合復雜切削過程刀具狀態監測，提高了加工過程中刀具狀態的識別精度。
附圖說明
為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動性的前提下，根據這些附圖獲得其他的附圖仍屬于本發明的范疇。
圖1為本發明實施例提供的基于多傳感融合的刀具狀態監測方法的流程圖。
具體實施方式
為了使本發明的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發明，并不用于限定本發明。
如圖1所示，本發明實施例中，提出的一種基于多傳感融合的刀具狀態監測方法，所述方法包括：
步驟s1、在已測刀具的歷史數據中，獲取刀具狀態的種類及每一種刀具狀態下由多個傳感器所得的物理場時域信號，并從每一種刀具狀態下所得物理場時域信號中分別對應截取連續采樣數為t的不重疊的n組信號，且進一步將所述截取到的每一種刀具狀態下各自對應n組信號分別作為當前n組期望信號依次進入預設的穩態子空間分析模型中計算，得到已測刀具每一種刀具狀態分別對應的數學分析值；其中，t和n均為大于1的整數；
具體過程為，在已測刀具的歷史數據中，獲取刀具狀態有c種(如正常、中等磨損、嚴重磨損、破損等)，并得到c種刀具狀態下的m個物理場時域信號(如振動時域信號、電流時域信號、聲發射時域信號等)，從每種刀具狀態的m維時域信號中截取連續的采樣數為t的不重疊的n組信號，記為
進一步的，將每種刀具狀態的m維時域信號中所截取到的連續采樣數為t的不重疊的n組信號作為當前n組期望信號依次進入預設的穩態子空間分析模型中計算，得到已測刀具每一種刀具狀態分別對應的數學分析值。
以已測刀具的一種刀具狀態(如嚴重磨損)下所對應的當前n組期望信號為例，具體說明該當前n組期望信號進入預設的穩態子空間分析模型中計算的具體過程，具體通過以下步驟(1)-(5)來實現：
(1)計算當前n組期望信號的均值和協方差，并根據計算出的當前n組期望信號的均值和方差，利用kl散度計算出當前n組期望信號的非平穩正態分布和標準正態分布的散度值，且進一步構造以非平穩映射向量為優化參數的目標函數后，求解當前n組期望信號所對應目標函數的最優非平穩映射；
具體為，計算當前n組期望信號
進一步的，采用最優化方法(如梯度下降法、擬牛頓法等)來求解當前n組期望信號所對應目標函數的最優非平穩映射
(2)將當前n組期望信號以其對應求解到的最優非平穩映射進行優化，得到優化后的當前n組期望信號；
具體為，通過公式
(3)確定所得優化后的當前n組期望信號需計算的共同特征參數項并計算，且進一步得到由優化后的當前n組期望信號對應所述共同特征參數項所得特征值形成的特征參數集；
具體為，確定共同特征參數項有8個，具體如下表1所示：
表1
根據上表1計算優化后的當前n組期望信號
(4)對所述得到的特征參數集采用fisher線性判別分析，得到特征參數集的類均值和總均值，并根據所述得到的特征參數集的類均值和總均值，計算出特征參數集的類間離散度矩陣和類內離散度矩陣，且進一步根據所述計算出的特征參數集的類間離散度矩陣和類內離散度矩陣構建離散矩陣后，求解所述離散矩陣的最大特征值及其對應的最大特征向量；
具體為，采用fisher線性判別分析，通過公式
通過公式
進一步的，將特征參數集f的類間離散度矩陣sb和計算得到特征參數集f的類內離散度矩陣sw構建離散矩陣a，通過公式
(5)根據所述求解得到的最大特征值及最大特征向量以及所述優化后的當前n組期望信號對應所述共同特征參數項所得特征值，得到所述優化后的當前n組期望信號的映射值，并根據所述映射值，計算出當前n組期望信號的映射均值，且進一步將所述計算出的映射均值作為數學分析值輸出；
具體為，通過公式
進一步的，通過公式
依次類推，通過步驟(1)-(5)，可以分別得到已測刀具其它種刀具狀態的數學分析值輸出，如正常狀態、中度磨損狀態、破損等等的數學分析值輸出。
步驟s2、采集待測刀具由所述多個傳感器所得的物理場時域信號，并從所采集待測刀具所得物理場時域信號中對應截取連續采樣數為t的不重疊的n組信號，且進一步將所述截取到的待測刀具所得對應n組信號作為當前n組期望信號進入所述預設的穩態子空間分析模型中計算，得到待測刀具的數學分析值；
具體過程為，定期周期性在線采集加工過程中(即待測刀具)m個物理場時域信號，從一個周期的m維時域信號中截取連續的采樣數為t的不重疊的n組信號ζ＝{ζi}，i＝1,2,…,n；
將待測刀具的m維時域信號中所截取到的連續采樣數為t的不重疊的n組信號ζ＝{ζi}作為當前n組期望信號進入預設的穩態子空間分析模型中計算，得到待測刀具的數學分析值(μζ)′。
應當說明的是，待測刀具的m維時域信號中所截取到的連續采樣數為t的不重疊的n組信號ζ＝{ζi}作為當前n組期望信號進入預設的穩態子空間分析模型中計算，具體實現過程與上述步驟s1相類似，請參見上述步驟s1中的步驟(1)-(5)的相關內容，在此不在一一贅述。
步驟s3、在所述得到的已測刀具每一種刀具狀態分別對應的數學分析值中，篩選出與所述待測刀具的數學分析值之差的絕對值為最小，并將所篩選出差的絕對值為最小時已測刀具所對應刀具狀態種類作為所述待測刀具的故障類別。
具體過程為，將待測刀具的數學分析值(μζ)′分別和已測刀具各種刀具狀態分別對應的數學分析值(μc)′進行比較，篩選出差的絕對值為最小時已測刀具所對應刀具狀態種類為待測刀具的故障類別cζ，即cζ＝{k：|(μζ)′-(μk)′|＝min|(μζ)′-(μj)′|,j＝1,2,...,c}。
實施本發明實施例，具有如下有益效果：
本發明實施例通過由多種傳感器獲得已測刀具各種刀具狀態下及待測刀具當前待定刀具狀態下的多個物理場信號來分別構成各自對應的多維傳感信號，進而采用穩態子空間分析模型從上述各自對應的多維傳感信號中提取非穩態子空間信號并計算若干特征參數項的特征值，且進一步將各自計算出的特征值作為fisher線性判別分類器的輸入獲得相應的數學分析值，從而以數學分析值的大小對比來判定待測刀具的當前待定刀具狀態，不僅適應多維時間序列的信號處理需求，還有助于時變非穩態信號的高效處理，適合復雜切削過程刀具狀態監測，提高了加工過程中刀具狀態的識別精度。
本領域普通技術人員可以理解實現上述實施例方法中的全部或部分步驟是可以通過程序來指令相關的硬件來完成，所述的程序可以存儲于一計算機可讀取存儲介質中，所述的存儲介質，如rom/ram、磁盤、光盤等。
以上所述僅為本發明的較佳實施例而已，并不用以限制本發明，凡在本發明的精神和原則之內所作的任何修改、等同替換和改進等，均應包含在本發明的保護范圍之內。