阅读说明：本技术 空心钻磨削砂轮状态智能监测方法 (Intelligent monitoring method for grinding wheel state of hollow drill ) 是由 迟玉伦 江欢 李郝林 王赟 于 2020-06-28 设计创作，主要内容包括：本发明涉及一种空心钻磨削砂轮状态智能监测方法,首先,传感器安装及信号监测,监测磨削过程中的声发射信号、功率信号和振动信号,再进行信号特征参数提取,提取声发射信号和功率信号的时域参数以及振动信号的高频特征信息作为特征参数,然后对这些特征参数进行归一化处理并提取主要成分作为SA-SVM模型的输入样本,然后,运用模拟退火算法优化支持向量机参数的选择,并对样本进行训练学习；最后,采用SA-SVM模型智能预测,将系统分析结果与砂轮实际磨削状态做对比,判断模型的预测性能。(The invention relates to a method for intelligently monitoring the state of a grinding wheel of a hollow drill, which comprises the steps of firstly, installing a sensor and monitoring signals, monitoring an acoustic emission signal, a power signal and a vibration signal in the grinding process, then extracting characteristic parameters of the signals, extracting time domain parameters of the acoustic emission signal and the power signal and high-frequency characteristic information of the vibration signal as the characteristic parameters, then carrying out normalization processing on the characteristic parameters, extracting main components as input samples of an SA-SVM model, then optimizing the selection of parameters of a support vector machine by using a simulated annealing algorithm, and training and learning the samples; and finally, intelligently predicting by adopting an SA-SVM model, comparing the system analysis result with the actual grinding state of the grinding wheel, and judging the prediction performance of the model.)

空心钻磨削砂轮状态智能监测方法

技术领域

本发明涉及一种空心钻磨削砂轮状态智能监测方法，尤其是一种模拟退火优化支持向量机的空心钻磨削砂轮状态智能监测方法。

背景技术

随着科学技术的发展，对工程材料提出了越来越高的要求，各种高强度、高硬度、耐腐蚀和耐高温的工程材料越来越多的被采用，它们中的大多数都属于难加工材料。为了适应难加工材料和新型材料的加工需求，保证优质、高效地完成加工任务，对刀具的耐磨性、可靠性、精度、尺寸等方面都提出了更高的要求。空心钻主要由刀刃和刀柄两部分组成，且都为空心结构，为了保证其装夹精度，需要对刀柄部分进行磨削加工，但空心钻这种类似薄壁件的结构，大大增加了磨削加工的难度。而且，为了提高高速钢的耐磨性、耐热性及强度，在高速钢中加入W、Mo、Cr、V等多种合金元素，但同时也降低了高速钢的可磨削性。相比于磨削普通材料的刀具，在磨削高速钢空心钻的过程中，磨削力更大，磨削温度更高，砂轮更易发生磨损。砂轮的磨损状态直接影响磨削加工产品的质量和效率，为了保证加工产品的质量，需要定期对砂轮进行修整。频繁地对砂轮进行修整必定影响加工效率，且降低了砂轮的利用率，但不及时地修整也会导致产品加工表面粗糙度不达标，甚至出现振纹和烧伤。因此，如何有效预测砂轮磨损状态并适时对砂轮进行修整，对改善工件加工表面质量、提高加工效率，优化过程能力问题具有重要意义。

因此，需要针对磨削高速钢空心钻时的高难度和高要求以及砂轮修整时机的难以把控问题，提出基于小波包和模拟退火优化支持向量机(Simulated annealing-supportvector machine,SA-SVM)的砂轮状态监测方法。该方法提取声发射和功率信号的时域特征参数并通过小波包分解提取振动信号的高频特征信息作为支持向量机的样本输入。针对传统支持向量机经验参数难以确定的问题，提出采用模拟退火算法来优化参数的选择，该优化算法适用于求解各种非线性问题，且具有较强的鲁棒性、全局收敛性及广泛的适应性，为智能监测磨削高速钢空心钻时砂轮的磨损状态提供了有效的解决办法，具有重要实际工程应用价值。

发明内容

本发明提出一种空心钻磨削砂轮状态智能监测方法，采用模拟退火优化支持向量机的空心钻磨削砂轮状态智能监测方法，利用模拟退火法对支持向量机核心参数进行寻优，可避免陷入局部最优的陷阱，达到全局最优。

本发明的技术方案是：一种空心钻磨削砂轮状态智能监测方法，首先，传感器安装及信号监测，监测磨削过程中的声发射信号、功率信号和振动信号，再进行信号特征参数提取，提取声发射信号和功率信号的时域参数以及振动信号的高频特征信息作为特征参数，然后对这些特征参数进行归一化处理并提取主要成分作为SA-SVM模型的输入样本，然后，运用模拟退火算法优化支持向量机参数的选择，并对样本进行训练学习；最后，采用SA-SVM模型智能预测，将系统分析结果与砂轮实际磨削状态做对比，判断模型的预测性能。

进一步，所述传感器安装及信号监测具体方法：采用功率传感器、声发射传感器和振动传感器对砂轮磨损状态进行监测，将功率传感器串联于主轴电机和变频器之间，声发射传感器利用其自身带有强磁的特性，吸附在尾架外壳左端面上，用于监测磨削加工过程中的声发射信号；振动传感器采用三向振动传感器，监测相互垂直的三个方向上的振动信号；所述功率传感器、声发射传感器和振动传感器采集的信号通过信号线经由放大器、采集卡传输到计算机中的数据采集软件中进行信号监测。

进一步，所述三向振动传感器自身具有强磁性，将三向振动传感器吸附在尾架顶尖上，使三向振动传感器上表面平行于水平面，用于监测磨削加工过程中尾架顶尖振动变化情况。

进一步，所述信号特征参数提取的具体方法：

1)时域特征参数

通过对功率、声发射和振动信号的波形、幅值和时域特征参数的计算分析，反映出砂轮磨损状态的变化；

2)小波包分解

小波包分解的关系式：

S＝LLL3+HLL3+LHL3+HHL3+LLH3+HLH3+LHH3+HHH3 (1)

式(1)中，S代表原始信号，L代表低频，H代表高频，末尾的数字代表小波包分解的层数；三层小波包分解最终将原始信号分解成8个频率段，当小波包分解层数为n时，共可分解成2ⁿ个频率段，且每个频率段的频率区间完全相同。假设采样频率为f_s，则第i个频率段的频率区间为

由上述小波包分解理论可知，对原始信号进行n层小波包分解，经过分解后可以得到2ⁿ个频率段的子信号序列。每个子序列的小波包能量值为

式中，x_i(t)为小波包分解后的第i个子信号的重构系数。

2ⁿ个子信号可以得到对应数量的不同频段的能量向量对能量值进行归一化处理，将能量数据映射到(0,1)之内，得到能量比

式中，为总能量，且有

进一步，所述运用模拟退火算法优化具体步骤如下：

(1)初始化：设定初始温度T＝T₀，任取一个初始解E₁，确定Metropolis链长L，即每个T时的迭代次数；

(2)令T为冷却进度表中的下一个值T_i，i＝1，2，…，L，重复步骤(3)～(6)；

(3)对当前解E₁进行随机扰动，产生一个新解E₂；

(4)计算增量ΔE＝E₂-E₁；

(5)根据Metropolis准则判断是否接受新解，具体规则为：如果ΔE<0，则当前解E₁由新解E₂取代，即E₁＝E₂；如果ΔE>0，则计算exp(-ΔE/T_i)，同时随机产生(0,1)区间上的随机数rand，若exp(-ΔE/T_i)>rand，当前解E₁也由新解E₂取代，E₁＝E₂，否则保留当前解E₁；

(6)如果连续若干个Metropolis链中的新解E₂都没能取代当前解E₁，或达到了所设定的结束温度，则当前解E₁即为最优解，程序结束；否则返回步骤(2),继续按步执行。

进一步，所述SA-SVM模型智能预测结合采用支持向量机和模拟退火优化算法建立SA-SVM分类预测模型，SA-SVM模型参数优化过程：首先，设定模拟退火算法的初始参数及寻优参数的上下限。然后，随机生成一组解(C₁,g₁)构成原始SVM，利用训练样本对模型进行训练，并用测试样本检验模型分类预测正确率。其次，在第一组解(C₁,g₁)的基础上产生随机扰动，进行参数更新，对更新后的模型进行训练和分类预测，得到正确率结果。按照Metropolis准则，判断是否接受新参数。重复执行，判断参数是否满足要求，若满足，则优化结束，输出优化参数及分类结果；若不满足，则逐步降低退火温度，直至满足收敛条件，获得最优参数。

本发明的有益效果是：

本发明针对磨削加工高速钢空心钻时的高难度和高要求以及砂轮修整时机的难以把控，提出了基于小波包和SA-SVM的空心钻磨削砂轮状态智能监测方法。利用模拟退火法对支持向量机核心参数进行寻优，可避免陷入局部最优的陷阱，达到全局最优。针对于磨削加工高速钢空心钻，SA-SVM模型能有效判断砂轮磨损状态，因此，本发明对推动磨削工艺优化技术发展和提高机床加工技术水平有着重要意义。

附图说明

图1是砂轮磨损监测系统总体结构及流程图；

图2是功率传感器接线示意图；

图3是传感器安装位置图；

图4是小波包分解树；

图5是模拟退火优化算法示意图；

图6是SA-SVM参数优化流程图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

一种空心钻磨削砂轮状态智能监测方法，采用的砂轮磨损状态监测系统主要分为三个部分：信号监测与特征参数提取、SA-SVM模型和模型预测结果。第一部分，监测磨削过程中的声发射信号、功率信号和振动信号，并提取声发射信号和功率信号的时域参数以及振动信号的高频特征信息作为特征参数，然后对这些特征参数进行归一化处理并提取主要成分作为SA-SVM模型的输入样本。第二部分，运用模拟退火算法优化支持向量机参数的选择，并对样本进行训练学习。第三部分，将系统分析结果与砂轮实际磨削状态做对比，判断模型的预测性能。如图1所示，该砂轮磨损监测系统的总体结构和流程。当SA-SVM模型训练学习稳定后，即可实时将特征参数输入到SA-SVM模型中，根据模型的预测结果，判断是否要对砂轮进行修整。通过该方法，可及时监测出砂轮的磨损状态，适时地对砂轮进行修整，提高加工效率的同时也保证了产品的质量。

该方法的具体步骤如下：

一、传感器安装及信号监测

本发明采用功率传感器、声发射传感器和振动传感器对砂轮磨损状态进行监测。将功率传感器1串联于主轴电机2和变频器3之间，功率传感器接线示意图如图2所示。声发射传感器4利用其自身带有强磁的特性，吸附在尾架外壳6左端面上，用于监测磨削加工过程中的声发射信号。振动传感器5为三向振动传感器，可以监测相互垂直的三个方向上的振动信号。该三向振动传感器5自身也具有强磁性，将振动传感器5吸附在尾架顶尖7上，使其上表面平行于水平面，用于监测磨削加工过程中尾架顶尖7振动变化情况，声发射传感器4及震动传感器5安装位置如图3所示。传感器采集的信号通过信号线经由放大器、采集卡传输到计算机中的数据采集软件中进行信号监测。

二、信号特征参数提取

1)时域特征参数

通过对功率、声发射和振动信号的波形、幅值和时域特征参数的计算分析，可以反映出砂轮磨损状态的变化。常用的时域特征参数有均值、峰值、极差、标准差、方差、均方根、偏斜度、峭度指标、波形因子、峰值因子、脉冲因子、裕度因子等，表1列出了这些特征参数及其计算公式。

表1时域特征参数

2)小波包分解

小波包分解是小波变换的延伸，它不仅能像小波变换那样对信号的低频部分做进一步分解，还能对小波变换不能分解的高频部分实施再分解，是一种更加精细的信号时频分析方法。应用如图4所示三层小波包分解树对小波包分解做进一步说明。

图4中，S代表原始信号，L代表低频，H代表高频，末尾的数字代表小波包分解的层数。分解具有关系式：

由图4可知，三层小波包分解最终将原始信号分解成8个频率段，当小波包分解层数为n时，共可分解成2ⁿ个频率段，且每个频率段的频率区间完全相同。假设采样频率为f_s，则第i个频率段的频率区间为

由上述小波包分解理论可知，对原始信号进行n层小波包分解，经过分解后可以得到2ⁿ个频率段的子信号序列。每个子序列的小波包能量值为

式中，x_i(t)为小波包分解后的第i个子信号的重构系数。

2ⁿ个子信号可以得到对应数量的不同频段的能量向量对能量值进行归一化处理，将能量数据映射到(0,1)之内，得到能量比

式中，为总能量，且有

三、模拟退火优化支持向量机基本原理

1)支持向量机

支持向量机是一种机器学***面来对样本进行分割，将问题转化为凸二次规划问题求解。当分类样本线性不可分时，通过高维空间变换，将非线性分类变成高维空间的线性分类问题。假设集合{(x_i,y_i),i＝1,2,…,l}为一个训练样本集合，其中，x_i(x_i∈R^d)是第i个训练样本的输入列向量，

y_i∈R为对应输出样本。SVM回归用核函数将数据映射到高维特征空间，再在高维特征空间中进行线性回归，依据结构风险最小化原则，将其学习过程转化为凸优化问题，即：

式中：Φ(x)为非线性映射函数；ε为线性不敏感损失函数；ξ_i，

为松弛变量；C为惩罚因子。

由于计算的复杂性，根据Lagrange对偶理论将式转化为对偶问题，即

求解上述问题可得到回归方程最终表述为：

式中：K(X_i,X_j)＝Φ(X_i)Φ(X_j)为满足Mercer条件的核函数；a_i为二次规划中Lagrange乘子。

式中：N_nsv为支持向量机个数。

常用核函数有线性核函数、多项式核函数、径向基核函数和Sigmoid核函数。一般情况下，线性核函数和Sigmoid核函数对应的训练集和测试集的正确率较低，径向基核函数和多项式核函数对应的训练集预测正确率相当，但径向基核函数对测试集的预测正确率优于多项式核函数，具有良好的泛化能力，径向基核函数表达式为:

K(x,x_i)＝exp(-g||x-x_i||²) (8)

式中：g>0。

根据上述SVM算法原理，SVM性能主要受惩罚因子C、核函数参数g的影响。惩罚因子C起着控制错分样本惩罚程度的作用，实现错分样本的比例与算法复杂度间的折中。当惩罚因子C较小时，对误分类样本惩罚减小，训练误差就增大；当惩罚因子C较大时，对误分类样本惩罚增大，学习精度提高。核函数参数g越小，拟合误差越小，训练时间延长，过小的g会导致模型过拟合而降低泛化能力。一般来说，这两个参数都是依据经验选取的，不利于支持向量机发挥其实际效果，因此，本发明专利选用模拟退火算法来实现这些参数选择的最优化。

2)模拟退火算法

模拟退火(Simulated Annealing,SA)思想是一种基于蒙特卡罗迭代求解策略的随机寻优算法，算法在迭代更新可行解时，以一定的概率接受一个比当前解要差的解，因此有可能跳出这个局部的最优解，达到全局的最优解。以图5为例，假设初始解为左边蓝色点A，模拟退火算法会快速搜索到局部最优解B，但在搜索到局部最优解后不会就此结束，而是会以一定的概率接受到右边的移动。经过几次这样的跳出局部最优点后，最终搜索到全局最优点D。

模拟退火算法的整体步骤如下：

(1)初始化：设定初始温度T＝T₀，任取一个初始解E₁，确定Metropolis链长L，即每个T时的迭代次数。

(2)令T为冷却进度表中的下一个值T_i，i＝1，2，…，L，重复步骤(3)～(6)。

(3)对当前解E₁进行随机扰动，产生一个新解E₂。

(4)计算增量ΔE＝E₂-E₁。

(5)根据Metropolis准则判断是否接受新解，具体规则为：如果ΔE<0，则当前解E₁由新解E₂取代，即E₁＝E₂；如果ΔE>0，则计算exp(-ΔE/T_i)，同时随机产生(0,1)区间上的随机数rand，若exp(-ΔE/T_i)>rand，当前解E₁也由新解E₂取代，E₁＝E₂，否则保留当前解E₁。

(6)如果连续若干个Metropolis链中的新解E₂都没能取代当前解E₁，或达到了所设定的结束温度，则当前解E₁即为最优解，程序结束。否则返回步骤(2),继续按步执行。

3)SA-SVM模型智能预测

结合采用上述支持向量机和模拟退火优化算法建立SA-SVM分类预测模型。SA-SVM模型参数优化过程如图6所示。

首先，设定模拟退火算法的初始参数及寻优参数的上下限。然后，随机生成一组解(C₁,g₁)构成原始SVM，利用训练样本对模型进行训练，并用测试样本检验模型分类预测正确率。其次，在第一组解(C₁,g₁)的基础上产生随机扰动，进行参数更新，对更新后的模型进行训练和分类预测，得到正确率结果。按照Metropolis准则，判断是否接受新参数。重复执行，判断参数是否满足要求，若满足，则优化结束，输出优化参数及分类结果；若不满足，则逐步降低退火温度，直至满足收敛条件，获得最优参数。

利用模拟退火优化算法优化支持向量机中的惩罚因子C和核函数参数g，使得优化结果趋于全局最优，从而有效解决了因依靠经验选取参数而导致的预测正确率不高的问题。