基于传感器布置与数据融合的制造过程状态监测研究

摘要

作为《国家战略性新兴产业发展“十二五”规划》中重点发展方向之一的智能制造装备是一种深度融合了智能技术的产物。作为智能信息系统“神经末梢”的传感器类型和数目随着制造系统的日趋复杂而急剧增多，不同类型、个数和空间组合的传感器网络虽然提供了充足的数据，但是由于制造过程本身的复杂性，变量间信号传递关系的耦合性，以及传感器安装位置受限等，如何合理选择传感器类型、判断传感器安装位置优劣以及分析传感器布置与系统监测性能之间的关系成为制造过程状态监测的关键。作为一种特例，表面质量监测是确保工件表面质量的重要手段，但是传统的监测方法较少考虑传感器所拾取信息的关联性，从而使其难以反映切削过程中工件表面形貌形成的全面状态信息。由于传感器网络所采集到的状态信息中存在着冗余性和互补性，因此有必要对这些信息做进一步更为有效的融合处理，从而得到更加准确可靠的表面质量监测结果。论文主要工作如下:
　　(1)在考虑到传感器和故障不同程度量化特征的基础上，对切削过程状态监测的同类和异类传感器布置方法进行了探讨。对于同类传感器布置，通过将遗传算法的搜索过程描述为一个有限状态的马尔科夫链用于循环次数估计，设定自适应交叉算子并采用变群体策略，给出了一种新的自适应进化算法用于多目标和约束条件下的传感器布置优化;对于异类传感器布置，首先基于所构建的连续多工步信息传递模型推导出了相关参数用来表征不同测点传感器的监测能力，其次将传感器和故障特性进行了量化表示，并基于属性层次模型构建了传感器，故障以及系统检测能力之间的因果关系，设定了优化目标和约束条件，最后采用两种不同的智能算法进行了优化比较分析，为后续优化算法选择提供了理论指导。
　　(2)针对复杂的单工位多工步制造过程状态监测，提出了一种新的异类传感器布置方法。首先建立了单工位多工步故障信息流模型，并据此给出了相关特征参数用于指导传感器初始布置。其次为了对监测系统进行可靠性评估和表征系统本身的不确定程度，推导并定义了一个平稳因子用来表征传感器-故障对对于监测系统稳定性的影响。基于此，提出了一个量化因果图模型用来模拟传感器测量和系统故障集之间的因果关系。最后，以系统故障不可观测性，系统稳定性以及系统成本为优化目标，以系统可检测性，平稳性为约束条件，基于不同传感器优化布置方法的对比分析表明了该传感器布置策略的有效性。
　　(3)针对工件表面形貌形成及其监测信号随机性的特点，将隐马尔科夫模型(HiddenMarkov Model，HMM)和动态贝叶斯网(Dynamic Bayesian Network，DBN)引入到工件表面质量监测中。基于车削过程工件表面粗糙度和圆度(Surface Roughness and Roundness，SRR)与刀尖振动位移几何空间位置关系的分析，确定了监测特征，给出了HMM用于SRR同步质量监测的具体步骤和理论框架，并进行了实验验证。在详细分析了车削振动对工件表面形貌影响的基础上，采用奇异谱和小波分析提取了刀具沿工件坐标三个方向的振动融合特征。并给出了一个新的DBN模型-离散和高斯混合的隐马尔科夫模型(Discrete andGaussian Mixture Hidden Markov Model，DGMHMM用于工件表面粗糙度精度等级监测。与相关模型的实例比较分析表明，基于DGMHMM DS的决策融合识别策略能够有效的用于工件表面质量监测。
　　(4)针对当前硬车削工件表面质量监测研究中可能存在的样本缺失问题，以独立成分分析和奇异谱分析提取的多方向切削振动融合特征为输入，提出了基于贝叶斯推理的HMM-SVM模型用于工件表面粗糙度监测。其利用HMM小样本分类的优势，将测试样本根据国标所评定的精度等级进行等级分类识别，然后采用最小二乘支持向量机(LS-SVM)对工件表面粗糙度值进行估计。为了有效解决由于HMM误判所造成的监测精度下降和样本缺失情况下训练数据不足的问题，给出了一种五步迭代算法用于选择和优化训练集。与多元线性回归(MLR)和LS-SVM监测精度的比较分析表明了其有效性。
　　(5)针对当前制造过程状态监测中的信号选择、特征提取以及监测对象单一等方面存在的缺陷和不足，将耦合隐马尔科夫模型(Coupled Hidden Markov Model，CHMM)引入到多方向传感器数据融合的切削过程状态监测中，用以分析传感器空间布置对于系统监测精度的影响。在详细分析了车削振动对于工件表面形貌的影响以及铣削刀具磨损对于切削力影响的基础上，基于奇异谱和小波分析提取了监测特征，并采用智能算法对特征进行了二次选择。基于CHMM的多方向传感器数据融合分析表明，不同测点传感器布置对于系统监测精度具有显著影响，融合了三方向传感器数据的模型具有较高的识别精度。

目录

声明

摘要

符号说明

第1章 绪论

1．1 课题研究意义

1．2 制造过程状态监测的传感器优化布置技术研究现状

1．2．1 单一优化目标的传感器布置优化

1．2．2 多目标多监测需求环境下的传感器布置策略

1．3 制造过程状态监测技术研究现状

1．3．1 基于人工智能的状态监测方法

1．3．2 基于统计学习的状态监测方法

1．3．3 基于多传感器数据融合的状态监测方法

1．4 文献总结

1．5 主要内容安排

第2章 基于智能算法的传感器优化布置研究

2．1 引言

2．2 智能算法

2．2．1 智能算法描述

2．2．2 遗传算法

2．2．3 混合蛙跳算法

2．3 切削过程状态监测的同类传感器布置

2．3．1 基于AEA的传感器优化布置方法

2．3．2 应用实例研究

2．4 切削过程状态监测的异类传感器布置

2．4．1 基于属性层次模型(AHM)的传感器布置方法

2．4．2 应用实例研究

2．5 本章小结

第3章 基于量化因果图的传感器优化布置研究

3．1 引言

3．2 问题描述

3．3 基于量化因果图的传感器布置方法

3．3．1 QCEG的概念

3．3．2 传感器集和故障集的因果表示

3．4 单工位多工步制造过程状态监测的传感器布置方法

3．4．1 故障信息流(SFI)模型

3．4．2 基于SFI模型的传感器初始布置方法

3．4．3 多目标和多约束条件下的传感器布置优化

3．5 应用实例研究

3．5．1 机械手装配工位状态监测的传感器优化布置

3．5．2 切削过程状态监测的传感器优化布置

3．6 本章小结

第4章 基于贝叶斯动态模型的表面质量监测研究

4．1 引言

4．2 隐马尔科夫模型和动态贝叶斯网

4．2．1 HMM的概念及算法描述

4．2．2 DBN的概念及算法描述

4．3 基于HMM的工件表面综合质量监测方法

4．3．1 工件表面质量监测特征提取的理论分析

4．3．2 基于MoG-HMM的监测策略

4．3．3 应用实例研究

4．4 基于DBN的工件表面质量监测方法

4．4．1 传感器测点选择及监测特征提取方法

4．4．2 基于DGMHMM-DS的决策融合识别策略

4．4．3 应用实例研究

4．5 本章小结

第5章 基于贝叶斯推理的HMM-SVM硬车削工件表面粗糙度监测研究

5．1 引言

5．2 问题描述

5．3 工件表面粗糙度(Ra)的理论模型

5．4 基于ICA和SSA的融合特征提取方法

5．5 基于贝叶斯推理的HMM-SVM模型

5．6 附加训练集选择的五步迭代算法

5．7 应用实例研究

5．7．1 实验装置及其数据获取

5．7．2 基于HMM的工件表面粗糙度精度等级监测分析

5．7．3 基于MLR和LS-SVM的工件表面粗糙度监测方法

5．7．4 监测结果比较分析

5．8 本章小结

第6章 传感器布置对于状态监测精度的影响研究

6．1 引言

6．2 问题描述

6．3 监测特征分析与获取

6．3．1 车削时切削振动对工件表面形貌的影响

6．3．2 铣削加工时刀具磨损对切削力的影响

6．3．3 基于奇异谱和小波分析的特征提取方法

6．4 基于DBN的多方向传感器数据融合模型

6．4．1 基于HMM的多方向传感器数据融合方法的不足

6．4．2 基于CHMM的多方向传感器数据融合方法

6．5 二次特征选择及状态监测框架

6．6 应用实例研究

6．6．1 传感器布置对于铣削刀具磨损状态监测精度的影响

6．6．2 传感器布置对于车削工件表面质量监测精度的影响

6．7 本章小结

第7章 总结与展望

7．1 全文工作总结

7．2 研究展望

参考文献

攻读博士学位期间发表的学术论文

攻读博士学位期间参与的科研项目

致谢