[发明专利]一种基于遗传算法优化多传感监测刀具状态的方法

说明书

本发明提供一种基于遗传算法优化多传感监测刀具状态的方法，首先通过多种传感器通道测量多个物理场信号，计算每个传感通道信号的若干时域和频域统计特征参数；进而以识别精度为优化目标，构造多传感布局优化模型，提出基于多核学习的极限学习机分类算法，得到最优的传感配置和特征参数集；然后，根据得到最优的传感配置进行信号采集，计算出待测刀具的各传感通道的有效特征参数；进而采用多核极限学习机计算刀具状态的类别概率，类别概率中概率最大对应的刀具状态即为待测刀具当前的状态。实施本发明，避免现有的多传感器监测与诊断刀具状态方法通过组合式特征提取与信号分析所带来的有效信息损失风险，提高了刀具状态的识别精度。

技术领域

本发明涉及机械故障诊断技术领域和计算机技术领域，尤其涉及一种基于遗传算法优化多传感监测刀具状态的方法。

背景技术

随着市场竞争的日益激烈，制造型企业对生产过程的自动化需求不断增加，数控机床的自动化是大多数制造过程自动化的重要组成部分。刀具作为数控机床最易损伤的部件，对其进行及时有效的状态监测与故障识别至关重要，主要原因在于：(1)据统计，在切削加工中，刀具故障通常约占机床停机时间的20％，而频繁的停机换刀严重影响企业的生产效率；(2)如若刀具发生故障而没有及时发现，会直接影响零件表面光洁度、尺寸精度等质量特性，严重的还将导致工件报废，增加生产成本。因此，加工过程中的实时刀具状态监测(TCM)是自动化制造中的关键研究课题，如何在加工过程中有效地监测刀具状态，识别刀具的损伤程度，已成为数控机床智能化以及生产过程自动化发展急需解决的问题。

近年来，基于传感器的间接式刀具状态监测TCM方法受到了国内外学者的广泛关注。基于传感器的TCM方法是通过传感器获取切削加工过程的相关信号，借助信号处理和统计分析技术对刀具状态进行估计，以达到实时监测刀具运行状态的目的。目前，学者们开展了大量TCM研究，已提出了诸多比较有效的TCM的方法，这为高精度、高可靠性的TCM提供了一定的技术基础。然而，目前大多数研究侧重于单一传感器监测与诊断。不同物理场信号对刀具不同状态(磨损、破损等)的识别精度不尽相同，基于单一传感器的监测方法容易导致刀具状态的漏判和误判。另外，虽然已有少数学者开展了基于多传感信号的刀具监测与诊断研究，但所采用的方法均是直接将多个传感数据组合在一起进行特征提取与信号分析，然而不同物理场信号对应的采样频率、故障特征灵敏度等信息相差甚远，使得上述组合式的特征提取与信号分析的方法会损失很多有效信息，影响TCM的识别精度。

发明内容

本发明实施例所要解决的技术问题在于，提供一种基于遗传算法优化多传感监测刀具状态的方法，能避免现有的多传感器监测与诊断刀具状态方法通过组合式特征提取与信号分析所带来的有效信息损失风险，提高了刀具状态的识别精度。

为了解决上述技术问题，本发明实施例提供了一种基于遗传算法优化多传感监测刀具状态的方法，包括以下步骤：

步骤(1)、采集C种刀具状态下的M个物理场传感通道的时域信号，每种刀具状态分别采集T次形成训练样本集其中，c＝1,2,...,C,m＝1,2,...,M，t＝1,2,...,T，m表示第m个物理场传感器，c表示第c类，t表示第t次采集的信号，N_m表示第m个物理场传感通道每次采样的信号点数；C、M、N_m和T均为大于1的正整数；

步骤(2)、计算训练样本集中时域信号的F个统计特征参数，构成的特征参数集其中，F为正整数；

步骤(3)、构造优化模型，所述优化模型具体如下：

Max Z＝D(a_ij),i＝1,2,...,M,j＝1,2,...,F；