一种基于变分模态分解和LS-SVM的刀具磨损状态检测方法技术

本发明专利技术公开了一种基于变分模态分解和LS‑SVM的刀具磨损状态检测方法，首先利用瞬时频率均值法确定信号的变分模态分解最佳模态数，再采用降噪变分模态分解算法对信号进行重构并分解得到若干子信号，然后分析提取子信号的时域和能量比特征，归一化处理后采用相关性分析对特征进行筛选。最后对标准回溯搜索算法进行改进，使其在原有较强的全局搜索能力的基础上进一步提高了局部搜索性能，且不再预设参数，该优化算法会自动选择适合的参数，改进后的算法成为均衡自适应回溯搜索算法。结果表明变分模态分解能够应用于刀具的状态检测，同时验证了本发明专利技术具有更高的准确性。

A tool wear detection method based on variational mode decomposition and LS-SVM

The invention discloses a tool wear state detection method based on the variational mode decomposition and LS \u2011 SVM. First, the optimal mode number of the signal's variational mode decomposition is determined by the instantaneous frequency mean method, then the signal is reconstructed and decomposed by the noise reduction variational mode decomposition algorithm to obtain several sub signals, and then the time-domain and energy ratio characteristics of the sub signals are analyzed and extracted. After normalization processing Correlation analysis was used to screen the features. Finally, the standard backtracking search algorithm is improved to improve the local search performance on the basis of the original strong global search ability, and no longer preset parameters. The optimization algorithm will automatically select the appropriate parameters, and the improved algorithm becomes the balanced adaptive backtracking search algorithm. The results show that the variational mode decomposition can be applied to the state detection of cutting tools, and the higher accuracy of the invention is verified at the same time.

【技术实现步骤摘要】
一种基于变分模态分解和LS-SVM的刀具磨损状态检测方法
本专利技术涉及一种刀具磨损在线检测过程中涉及的信号特征提取和优化方法及多种刀具磨损状态的在线识别模型分析方法，属于机械加工智能制造领域。
技术介绍
在机床进行实际加工时，刀具磨损会必然出现，而刀具磨损情况对加工精度、生产效率和人员安全都有直接关联。因此刀具状态智能监测技术在要求更高精度、更加智能化的生产加工过程中具有重要的意义。目前主要采用直接法和间接法对刀具状况进行监测。直接法，即直接观察刀具的磨损状况。此类方法需要停机进行操作，这样会降低生产效率，故实用性不强；间接监测法，即通过采集信号并从中提取与刀具磨损具有某种联系的特征以评估刀具磨损状态。间接监测法具有成本低、操作简单且不需要停机就可以在线监测的优点。近年来信号处理和机器学习技术体系日益完善，间接监测法已经发展为刀具磨损监测的主要方法。间接监测法的过程大致可分为信号采集和预处理、信号特征提取、刀具磨损状态识别等三部分，本说明书将对其中涉及的信号特征选择和刀具磨损状态识别两部分进行说明。信号特征选择对刀具磨损状态识别效果影响非常大，常用的方法可分为：时域处理、频域分析、WT(WaveletTransform)小波包分解、EMD(EmpiricalModeDecomposition)经验模态分解等。时域分析和频域分析并不适合处理非平稳信号且存在整体和局部之间的矛盾。WT、EMD属于时频域分析范畴，是信号的时域和频域的二维联合表示，但是容易出现模态混叠现象等问题。本专利采用一种新的非递归的分解算法来进行信号的处理，即基于瞬时频率均值法的降噪变分模态分解算法，通过将不同模态分量及其中心频率同时提取出来，实现各模态子信号的有效划分，并避免出现模态混叠现象。将使用降噪的变分模态分解算法对信号分解得到的模态子信号进行时域特征和能量比的提取，并与刀具磨损量进行相关性比较得到更能表征刀具磨损状态的特征，完成信号特征提取和优化。在磨损状态分类识别方面，人工神经网络技术已经大范围应用于监测和预测，但该算法在实际应用中易陷入局部极小值和出现过拟合等问题。本专利采用最小二乘支持向量机模型LS-SVM通过提取得到的特征进行刀具磨损状态的识别和检测。但是LS-SVM的惩罚因子和核参数组合对模型预测效果存在直接联系，所以优化选择LS-SVM模型的参数组合是决定该模型识别性能的关键。本专利采用均衡自适应回溯搜索算法MBSA对LS-SVM模型的惩罚因子和核参数组合进行寻优，在不事先设置任何参数的情况下，实现参数组合的自动寻优。
技术实现思路
本专利技术的目的是在尽可能高的识别精度的前提下实现刀具多种磨损状态的在线识别和监测。为实现上述目的，本专利技术采用的技术方案是一种刀具磨损在线监测过程中的振动信号特征提取方法和刀具多种磨损状态识别方法。包括采用瞬时频率均值法对VMD变分模态分解算法的模态数量进行最佳取值、使用降噪变分模态分解算法MVMD进行信号重构和再分解、对分解得到的子模态信号提取时域和能量比特征、使用皮尔逊相关系数法进行特征优化提取、构建均衡自适应回溯搜索算法、构建基于均衡自适应回溯搜索算法的LS-SVM多状态识别模型。图1所示为本方法的具体实施步骤：本方法的实施步骤如下，步骤一使用基于瞬时频率均值法的降噪变分模态分解算法进行信号分解步骤1.1瞬时频率均值法确定最佳分解模态数量假设原始信号第a个模态分量IMF共有T个数据采样点，计算得到其第d个采样点的瞬时频率为fad。使用VMD算法对原始信号进行预分析，将K＝2～10分解到的模态子信号经希尔伯特变换得到解析信号，再采用公式(1)求解IMF分量的瞬时频率均值fa：其中m表示当前IMF分量中瞬时频率的个数。通过观察对比瞬时频率均值曲线出现弯曲特征即可确定分解层数K的最优取值。造成这种现象的原因是：如果分解的模态分量数量过多，会使IMF模态分量不连续，由于瞬时频率突变产生的额外频率会使得模态分量瞬时频率的均值发生突变。只有当K取值适当时瞬时频率才会变化较为连续、平滑。该方法具有计算简单、效果明显的优点。步骤1.2使用降噪变分模态分解算法进行信号分解在步骤1.1确定好最佳参数K的基础上，为了进一步降低信号中包含的噪声，均布信号极值点，抑制模态混淆现象的出现，采用一种基于VMD的噪声辅助方法，即降噪变分模态分解MVMD算法。MVMD算法同样向原始信号中加入幅值相同、符号相反的白噪声对，得到2个待分解的信号，然后再使用VMD算法对待分解信号分别进行处理，每次循环两个待分解信号会分别生成2×K个IMF模态分量，经过N次循环一共得到2×K×N个IMF模态分量。然后对分解得到的{IMF1,…,IMFK}各层子信号进行集成平均，再将得到的均值结果相加组成重构信号，使用VMD对重构信号进行分解得到最后的IMF子信号集合。MVMD的信号重构过程中需要根据具体信号设置算法循环次数N和噪声幅值Nstd。添加的白噪声幅度Nstd设为原始信号标准差Std的0.1～0.2倍。如果Nstd取值过小，则无法达到平均极值点尺度的效果；如果Nstd取值过大，虽然能够减少白噪声信号的干扰，但会增加计算负担。所以为均衡降噪效果和计算时间，所选用的幅值参数Nstd为0.15倍Std，循环次数N为100次。MVMD的信号重构过程如下：1)设定循环次数N和所添加白噪声的幅值Nstd。选用的白噪声幅值Nstd为0.15Std，循环次数N选定为100。2)向原始信号x(t)中添加一对符号相反、均值为0、幅值为Nstd的白噪声对noisea(t)，得到两个待分解信号xa1(t),xa2(t)。3)分别对xa1(t),xa2(t)进行VMD分解，得到两组模态分量IMF。其中imf1ab(t)表示信号xa1(t)第a次分解后得到的第b个IMF模态分量；imf2ab(t)表示信号xa2(t)第a次分解后得到的第b个IMF模态分量。4)重复步骤2)～3)，直至循环次数到N次。5)经过N次循环，将得到的2×K×N个IMF分量进行求和并求均值。其中imfb(t)表示所有分解结果中第b层IMF分量的平均结果。6)基于上一步计算得到的集成平均值结果进行信号重构，得到重构后的信号X0(t)。7)采用VMD变分模态分解算法对重构信号X0(t)进行分解，得到最后的分解结果K个IMF模态分量，作为MVMD算法的最终输出。步骤一的重构信号以及再分解子信号将作为下一步骤的特征优化提取的基础。步骤二使用皮尔逊相关系数法进行信号优化提取在使用步骤一完成信号的重构和分解后，由于采集到的信号多是非平稳信号，如果直接分析初始信号，很难发现其与刀具磨损之间的联系，作为预测模型的输入也不现实，所以需要对初始信号数据进行处理，提取到与刀具磨损状态具有某种关联信号特征。研究表明一些时域特征可以用来表征刀具的磨损情况。表1中详细介绍了这些时域特征的数学计算公式。本文档来自技高网...

【技术保护点】
1.一种基于变分模态分解和LS-SVM的刀具磨损状态检测方法，包括采用瞬时频率均值法对VMD变分模态分解算法的模态数量进行最佳取值、使用降噪变分模态分解算法MVMD进行信号重构和再分解、对分解得到的子模态信号提取时域和能量比特征、使用皮尔逊相关系数法进行特征优化提取、构建均衡自适应回溯搜索算法、构建基于均衡自适应回溯搜索算法的LS-SVM多状态识别模型；/n其特征在于：/n本方法的实施步骤如下，/n步骤一使用基于瞬时频率均值法的降噪变分模态分解算法进行信号分解/n步骤1.1瞬时频率均值法确定最佳分解模态数量/n假设原始信号第a个模态分量IMF共有T个数据采样点，计算得到其第d个采样点的瞬时频率为f

【技术特征摘要】
1.一种基于变分模态分解和LS-SVM的刀具磨损状态检测方法，包括采用瞬时频率均值法对VMD变分模态分解算法的模态数量进行最佳取值、使用降噪变分模态分解算法MVMD进行信号重构和再分解、对分解得到的子模态信号提取时域和能量比特征、使用皮尔逊相关系数法进行特征优化提取、构建均衡自适应回溯搜索算法、构建基于均衡自适应回溯搜索算法的LS-SVM多状态识别模型；
其特征在于：
本方法的实施步骤如下，
步骤一使用基于瞬时频率均值法的降噪变分模态分解算法进行信号分解
步骤1.1瞬时频率均值法确定最佳分解模态数量
假设原始信号第a个模态分量IMF共有T个数据采样点，计算得到其第d个采样点的瞬时频率为fad；使用VMD算法对原始信号进行预分析，将K＝2～10分解到的模态子信号经希尔伯特变换得到解析信号，再采用公式(1)求解IMF分量的瞬时频率均值fa：



其中m表示当前IMF分量中瞬时频率的个数；
通过观察对比瞬时频率均值曲线出现弯曲特征即可确定分解层数K的最优取值；
步骤1.2使用降噪变分模态分解算法进行信号分解
在步骤1.1确定好最佳参数K的基础上，为了进一步降低信号中包含的噪声，均布信号极值点，抑制模态混淆现象的出现，采用一种基于VMD的噪声辅助方法，即降噪变分模态分解MVMD算法；
MVMD算法同样向原始信号中加入幅值相同、符号相反的白噪声对，得到2个待分解的信号，然后再使用VMD算法对待分解信号分别进行处理，每次循环两个待分解信号会分别生成2×K个IMF模态分量，经过N次循环一共得到2×K×N个IMF模态分量；然后对分解得到的{IMF1,…,IMFK}各层子信号进行集成平均，再将得到的均值结果相加组成重构信号，使用VMD对重构信号进行分解得到最后的IMF子信号集合；MVMD的信号重构过程中需要根据具体信号设置算法循环次数N和噪声幅值Nstd；添加的白噪声幅度Nstd设为原始信号标准差Std的0.1～0.2倍；如果Nstd取值过小，则无法达到平均极值点尺度的效果；如果Nstd取值过大，虽然能够减少白噪声信号的干扰，但会增加计算负担；所以为均衡降噪效果和计算时间，所选用的幅值参数Nstd为0.15倍Std，循环次数N为100次；
步骤一的重构信号以及再分解子信号将作为下一步骤的特征优化提取的基础；
步骤二使用皮尔逊相关系数法进行信号优化提取
在使用步骤一完成信号的重构和分解后，由于采集到的信号多是非平稳信号，如果直接分析初始信号，很难发现其与刀具磨损之间的联系，作为预测模型的输入也不现实，所以需要对初始信号数据进行处理，提取到与刀具磨损状态具有某种关联信号特征；
此外，对每个IMF子信号分别求其能量：



式中k是信号经步骤1.1确定的信号的最佳分解模态数，T为采样点数；按照公式(7)将每个IMF所具有的能量占每次走刀信号总能量Etotal的比例作为输入特征；



采用皮尔逊相关系数法以确定各信号特征与铣刀磨损量的关联程度；另外在进行相关性分析之前，为了消除信号特征之间不同数量级之间的影响，首先对所有的信号特征量进行归一化处理，使得所有特征量分布在[-1,1]之间；
由于皮尔逊相关系数|ρ|＞0.7表示两个变量之间具有高度相关性，即|ρ|＞0.7的特征对刀具的磨损状态更加敏感，所以筛选|ρ|＞0.7的特征组成刀具多种磨损状态识别模型的输入特征向量；
步骤三构建基于均衡自适应回溯搜索算法的LS-SVM多状态识别模型
步骤3.1构建均衡自适应回溯搜索算法MBSA
首先BSA在进化过程中使用两个种群，在搜索新范围的同时也能够记忆并利用迭代过的种群信息；其次在变异过程中,BSA不倾向于利用适应度较好的个体，而是利用当前种群和迭代过的种群信息之间的差异产生搜索方向，使得产生更加丰富的种群；此外，BSA采用了不同于其他DE优化算法的交叉策略；最后在选择-Ⅱ部分，BSA凭借贪婪选择机制将实验种群中性能更优的个体添加到能够参与下次迭代的种群中；
标准BSA迭代寻优的过程总体可概括为初始化、选择-Ⅰ、变异、交叉、选择-Ⅱ共5个操作流程，BSA独创地采用新颖的变异、非均匀的交叉策略以及选择-Ⅱ步骤生成实验种群；
历史种群具有存储先前迭代过种群的历史经验的功能，在标准BSA算法的Selection-Ⅰ部分中，历史种群是以整体的形式进行更新的；以提高历史种群的搜索能力，在Selection-Ⅰ部分，历史种群中的个体逐个更新，并最终完成整体更新；
在标准BSA算法中，种群的变异mutant是根据公式(8)实现的；
mutant＝P+F×(oldP-P)(8)
式中，P为当前种群，oldP为历史种群，F为搜索方向矩阵幅度系数，且F的值是固定不变的，为了进一步提高变异的丰富性，本方法...

【专利技术属性】
技术研发人员：杨聪彬，李海波，刘志峰，赵永胜，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11