[发明专利]刀具磨损状态在线监测的深度核极限学习机方法及系统

权利要求书

1.一种刀具磨损状态在线监测的深度核极限学习机方法,其特征在于，包括以下步骤：

S1、模型训练；具体步骤如下：

S11、通过传感器采集多个通道刀具磨损状态相关的信号；

S12、通过时域和频域分析，根据步骤S11中所采集到的信号计算其多个统计特征参数；

S13、构造数据驱动的深度核函数；

S14、通过步骤S13中所构造的深度核函数将各数据映射到深度核k_MKL空间，形成训练样本集X_tr；

S2、在线监测；具体步骤如下：

S21、通过传感器实时采集多个通道刀具磨损状态相关的信号；

S22、通过时域和频域分析，根据步骤S21中所采集到的信号计算其多个统计特征参数；

S23、将各数据映射到模型训练中构造的数据驱动深度核k_MKL空间，形成测试样本集X_te；

S24、将训练样本集X_tr、测试样本集X_te及刀具磨损状态输入到极限学习机中，实现刀具磨损状态分类；

所述的步骤S11具体包括：

采集刀具在不同磨损状态时的多通道信号(X_j,Y_j)，共有J类物理场，以第j类物理场为例，其时域信号数学形式为

X_j＝x_ij(n)

上式中，X_j＝{x_1j,x_2j,…,x_mj}^T∈R^m×n是采集的m×n阶原信号样本矩阵，其中n为信号的采点数，i＝1,2,…,m为信号采集次数；

Y_j＝{y_1j,y_2j,…,y_lj}^T∈R^l为第i次采集信号所对应的磨损状态，其中y_ij∈{c₁,c₂,…,c_p}代表刀具不同磨损状态；

所述的步骤S13具体包括：

S131、构造数据驱动的深度核函数

上式中η_s为第s个核函数所占的权重，α,β＝{1,2,…,m}；

S132、对权重η_s进行优化；

S133、得到优化后的深度核函数

所述的步骤S132具体包括：

对权重η_s进行优化，得到η_s^*；

条件分布其中γ_i表示第c_p种刀具磨损状态的条件概率；

优化γ，

上式中，Λ为正则化参数，||γ||₂表示γ的2范数；

优化η_s^*，

上式中，d_s(γ^*)＝γ^*TYK_sYγ^*,s∈{0,1,…,R}。

2.一种刀具磨损状态在线监测的深度核极限学习机系统,其特征在于，该深度核极限学习机系统用于执行权利要求1所述的刀具磨损状态在线监测的深度核极限学习机方法，该深度核极限学习机系统包括：

模型训练单元，通过多类传感器采集m次刀具的相关模拟信号，通过RS232接口输送至DSP开发板中；

统计特征参数提取单元，将多类传感器特征进行融合，生成特征信号

构造数据驱动深度核单元，构造数据驱动的深度核函数，将数据映射到深度核空间，形成训练样本，并存储在RAM中；

在线监测单元，采集M次刀具磨损相关信号，利用RAM存储的数据驱动的深度核函数，将数据映射到核空间形成测试样本；将训练样本与测试样本直接输入到核极限学习机中，在DSP中进行分类处理，得刀具所处的状态，并在显示屏上输出显示；当刀具磨损状态显示为重度磨损时，显示屏发出警告，提示操作者及时换刀。

3.根据权利要求2所述的刀具磨损状态在线监测的深度核极限学习机系统,其特征在于：所述的在线监测单元由TL-6748F-EVM来搭建。