一种切削过程中针对多源能效状态的识别方法

摘要

本发明涉及一种切削过程中针对多源能效状态的识别方法，主要运用于在有切削力传感器、功率传感器、声发射传感器设备的情况下，基于已经取得的切削信号，对于切削过程的能效状态进行识别和分析。该方法包括以下步骤：步骤一：样本数据的采集和原始处理；步骤二：基于切削信号的隐马尔科夫识别模型的构建；步骤三：基于切削比能公式的经验规则库系统构建；步骤四：隐马尔科夫和经验规则库的结合识别方法。使用该方法，能够对复杂切削系统进行能效状态的无建模识别，从而指导人们更好得使用切削加工机床，达到绿色生产的目的。

说明书

技术领域

本发明涉及一种能效状态的识别方法，尤其涉及一种切削过程中针对多源能效状态的识别方法。

背景技术

切削加工过程的能效问题是绿色制造领域的重要研究课题与研究热点之一。由于实际的切削过程千变万化，目前即使是基于高能效设计的切削加工系统，也无法在线提供定量的实时能效评价指标；此外，即便经过能效优化设计的切削加工系统，由于各部件(主轴、进给驱动系统等)的性能衰退是不同步的，这也会使得加工系统整体能效不可能永远保持在预期的高能效状态。

事实上，能效是建立在系统固有的能耗条件下的一个动态的变量，很难在设计和工艺规划的阶段通过离线的方法进行准确建模和分析。采用机器学习的方法是一个可行的解决思路，但是机器学习过程中，需要先对大量的离线信号进行分析学习，在训练中调整相关算法中的参数，再而支持在线分析。其中，这些离线信号需要涵盖多种评价指标，这就需要采用多个传感器对多个信号源进行采样，然而目前还没有基于机器学习的方法对切削过程中的多源能效状态进行识别和分析的理论依据和技术解决方案。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是，如何在无建模条件下基于多个信号源已经取得的切削信号，采用机器学习的方法对切削过程中的多源能效状态进行识别和分析。

为实现上述目的，本发明提供了一种切削过程中针对多源能效状态的识别方法，其特征在于，包括以下步骤：

步骤1、设置多个不同切削参数的切削过程，在每一个所述切削过程中采用传感器组对主要评价指标对应的信号分别采样，得到多组信号观测值数据，接着对所述信号观测值数据进行标准化处理和原始分类处理得到观测状态序列数据；

步骤2、建立隐马尔科夫识别模型，通过最大似然估计的算法，以所述观测状态序列数据为样本，通过训练得到所述隐马尔科夫识别模型中的第一参数组；

步骤3、建立规则库专家系统模型，以获得实时能效并以切削比能模型计算的原始数据为样本，通过训练获得所述规则库专家系统模型中的第二参数组；

步骤4、综合所述隐马尔科夫识别模型和所述规则库专家系统模型，以曲线拟合方式赋予所述隐马尔科夫识别模型识别的能效状态以能效参数值，从而得到综合评价的能效指标。

进一步地，所述主要评价指标包括：切削力、切削功率和声发射；对应地，所述传感器组包括：切削力传感器、功率传感器和声发射传感器。

进一步地，所述标准化处理为：

其中，所述主要评价指标在s取值1、2、3时分别为切削力、切削功率、声发射，为在t时刻对应第s个所述主要评价指标的标准化信号观测值，x_s(t)为在t时刻对应该所述主要评价指标的信号观测值，μ为对应该所述主要评价指标的所有样本信号观测值的均值，σ为对应该所述主要评价指标所有样本信号观测值的标准差。

进一步地，所述原始分类处理为：

对于在t时刻的信号观测值，得到对应于所述主要评价指标的三维信号观测向量

采用聚类分析的方法，以欧氏距离为度量：

将样本中所述欧氏距离集中的向量视为同一类别，从而将原本连续的观测向量离散为M个不同的观测状态{X_m，m＝1….M}；

依据所述观测状态将随时间连续的所述信号观测值数据离散为所述观测状态序列数据。

进一步地，所述步骤2中建立所述隐马尔科夫识别模型进一步包括以下步骤：

步骤2A、建立所述隐马尔科夫识别模型中的隐含状态向量，所述隐含状态即能效状态的高、中、低，对应θ₁，θ₂，θ₃三个状态，即N＝3个隐含状态，记t时刻马尔科夫链所处的隐含状态为q_t，q_t∈{θ₁，θ₂，θ₃}；

步骤2B、建立所述隐马尔科夫识别模型中的观测向量，总共包含M个观测状态{X_m，m＝1….M}；

步骤2C、建立所述隐马尔科夫链中的初始概率分布向量Π＝(π_i)，π_i＝P(q_t＝θ_i),1≤i≤N；

步骤2D、建立状态转移矩阵A＝(a_ij)_N×N，a_ij＝P(q_t+1＝θ_j|q_t＝θ_i),1≤i，j≤N，a_ij表示从t时刻到t+1时刻，能效状态从θ_i变为θ_j的概率；

步骤2E、建立观测值概率矩阵B＝(b_jk)_N×M，b_jk＝P(C_t＝X_k|q_t＝θ_j),1≤j≤N，1≤k≤M，记t时刻马尔科夫链所处的观测状态为C_t，C_t∈{X_m，m＝1….M}，b_jk表示t时刻能效状态为θ_j的情况下，观测状态为X_k的概率。

进一步地，所述第一参数组为Π,A,B。

进一步地，所述步骤3中建立所述规则库专家系统模型以获得实时能效进一步包括以下步骤：

步骤3A、建立规则库，这里用到的规则主要是切削比能的经验公式：

，式中F_c为切削力，f为进给量，a_p为背吃刀量，η_s为机床传动效率；

规则库为矩阵O＝(o_l,n)_L×N，其中，L为规则数总数，N为输出结果的类别总数，所述输出结果记为{D_n，n＝1,2,3}，n取值1、2、3时分别代表所述输出结果为所述能效状态的高、中、低三个状态，o_l,n为第l条规则对第n个输出的影响，这将由专家赋予初值，并在接下来的训练中进行调整；

步骤3B、计算输入信息对各条规则的激活权重：

其中第k条规则的激活权重通过下式计算：

表示在第k条规则中第i个输入参数Z_i对参考值的置信度。该置信度通过匹配函数确定，在该程序中，依照已有的规律采用了正态分布函数。将一个输入的X_i通过与各个参考值进行匹配，后归一化处理，得到该输入对应的

其中，u、δ均为无实际物理意义的未知量；

步骤3C、依据所述激活权重，利用推理算法进行推理，将每条所述规则输出部分的所述置信度转化为基本概率质量，再通过对L条规则的迭代，使用登普斯特准则获得各个所述输出结果的概率，再通过设定高能效为1，中能效为0.5，低能效为0，并设定每一种所述输出结果的概率符合正态分布，通过计算期望及置信度获得最终结果。

进一步地，存储所述第二参数组，在需要计算时调用训练所得的所述第二参数组。

进一步地，所述第二参数组为u，δ，O。

进一步地，如权利要求1所述的方法，其特征在于，在每组所述切削过程中，使用所述隐马尔科夫识别模型计算出这一段时间内处于高、中、低能效的概率P₁,P₂,P₃，定义每种能效的量化参数分别为e₁,e₂,e₃,则通过所述隐马尔科夫识别模型识别的能效结果为：E₁＝e₁P₁+e₂P₂+e₃P₃；

对比所述规则库专家系统模型得到的识别结果E₂，不断调整e₁,e₂,e₃的值，使E₁关于不同所述切削过程的曲线和E₂关于不同所述切削过程的曲线达到最大重合，此时的e₁,e₂,e₃即为理想值，带入E₁＝e₁P₁+e₂P₂+e₃P₃中，从而得到综合评价的所述能效指标。

本发明的有益效果在于：

在无建模条件下基于机器学习的能效状态识别算法，为切削加工系统的能效状态在线监测提供理论依据和技术解决方案，从而更好地指导人们对于切削过程的操作和控制。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1是本发明的切削过程中针对多源能效状态的识别方法的硬件设备图；

图2为本发明的切削过程中针对多源能效状态的识别方法的结构流程图；

图3为本发明的切削过程中采取的29组切削参数；

图4为本发明的隐马尔科夫识别模型的分类结果图；

图5为本发明的经验规则库系统的能效识别结果图；

图中，1-计算机，2-数据采集卡，3-铣床，4-刀具，5-切削工件，6-切削力传感器，7-切削功率传感器，8-声发射传感器。

具体实施方式

如图1所示，本发明的切削过程中针对多源能效状态的识别方法的硬件包括：计算机1，用于信号的分析和处理；数据采集卡2，用于将切削力传感器6，切削功率传感器7，声发射传感器8采集到的信号送到计算机1中；铣床3，刀具4和切削工件5三者共同构成了切削过程的切削系统。

如图2所示，本发明提供了一种切削过程中针对多源能效状态的识别方法，其特征在于，包括以下步骤：

步骤1、如图3所示，设置29个不同切削参数的切削过程，在每一个切削过程中采用传感器组对主要评价指标对应的信号分别采样，得到多组信号观测值数据，接着对信号观测值数据进行标准化处理和原始分类处理得到观测状态序列数据；

步骤2、建立隐马尔科夫识别模型，通过最大似然估计的算法，以观测状态序列数据为样本，通过训练得到隐马尔科夫识别模型中的第一参数组；

步骤3、建立规则库专家系统模型，以获得实时能效并以切削比能模型计算的原始数据为样本，通过训练获得规则库专家系统模型中的第二参数组；

步骤4、综合隐马尔科夫识别模型和规则库专家系统模型，以曲线拟合方式赋予隐马尔科夫识别模型识别的能效状态以能效参数值，从而得到综合评价的能效指标。

以下对上述每一个步骤做进一步描述：

1、信号采样及对信号观测值数据进行标准化处理和原始分类处理：

①信号采样：

通过切削力传感器，功率传感器和声发射传感器分别采集到切削过程中的切削力、切削功率、和声发射信号。

②标准化处理：

原始数据经过数据标准化处理后，各指标处于同一数量级，以消除不同评价指标不同的量纲和单位带来的影响，适合进行综合对比评价：

其中，主要评价指标在s取值1、2、3时分别为切削力、切削功率、声发射，为在t时刻对应第s个主要评价指标的标准化信号观测值，x_s(t)为在t时刻对应该主要评价指标的信号观测值，μ为对应该主要评价指标的所有样本信号观测值的均值，σ为对应该主要评价指标所有样本信号观测值的标准差。

③原始分类处理：

对于在t时刻的信号观测值，得到对应于主要评价指标的三维信号观测向量

采用聚类分析的方法，以欧氏距离为度量：

将样本中欧氏距离集中的向量视为同一类别，从而将原本连续的观测向量离散为M个不同的观测状态{X_m，m＝1….M}；

依据观测状态将随时间连续的信号观测值数据离散为观测状态序列数据。

2、建立隐马尔科夫识别模型，得到第一参数组：

①建立隐马尔科夫识别模型中的隐含状态向量，隐含状态即能效状态的高、中、低，对应θ₁，θ₂，θ₃三个状态，即N＝3个隐含状态，记t时刻马尔科夫链所处的隐含状态为q_t，q_t∈{θ₁，θ₂，θ₃}。

②建立隐马尔科夫识别模型中的观测向量，总共包含M个观测状态{X_m，m＝1….M}。

③建立隐马尔科夫链中的初始概率分布向量Π＝(π_i)，π_i＝P(q_t＝θ_i),1≤i≤N。

④建立状态转移矩阵A＝(a_ij)_N×N，a_ij＝P(q_t+1＝θ_j|q_t＝θ_i),1≤i，j≤N，a_ij表示从t时刻到t+1时刻，能效状态从θ_i变为θ_j的概率。

⑤建立观测值概率矩阵B＝(b_jk)_N×M，b_jk＝P(C_t＝X_k|q_t＝θ_j),1≤j≤N，1≤k≤M，记t时刻马尔科夫链所处的观测状态为C_t，C_t∈{X_m，m＝1….M}，b_jk表示t时刻能效状态为θ_j的情况下，观测状态为X_k的概率。

将切削过程采集到的信号经过上一步的处理得到从t＝1时刻到t＝r时刻离散的观测状态序列C＝C₁C₂...C_r(C_t∈{X_m，m＝1….M}，带入隐马尔科夫识别模型中，通过最大似然估计算法，得到Π，A，B，方法为：

首先，随机地给定参数Π，A，B；

然后，利用公式(这里的b_j(X_k)＝b_jk，因此b_j(C_t)表示：若C_t＝X_k,则b_j(C_t)＝b_jk)

i＝1,2….N；j＝1,2….N；k＝1,2….M:

其中，

i＝1,2….N；t＝1,2….r:α₁(i)＝π(i)*b_i(x₁)；β_r(i)＝1；

用新得到的Π′，A’，B’代替Π，A，B，重复上述过程。经过不断计算，使得Π，A，B收敛，保存第一参数组，得到所求的隐马尔科夫识别模型。

⑥利用得到的这个隐马尔科夫模型，对于一个观测状态序列，可以计算时间段(包含T个离散观测采样时刻)内处于高、中、低能效状态的概率：

对于一个观察序列C＝C₁C₂...C_T(C_t∈{X_m，m＝1….M})

首先，定义δ_t(i)为在t时刻，能效状态为θ_i，i＝1…N,并输出观察序列C＝C₁C₂...C_t的最大概率；ψ_t(θ_i)为当δ_t(i)取到最大概率时t-1时刻的能效状态q_t-1，初始化令δ₁(i)＝π_i*b_i(1),ψ₁(i)＝0，1≤i≤N；

然后，依序计算δ_t(i)＝max1≤j≤Nδ_t-1(j)*a_ji*b_i(C_t),2≤t≤T，1≤i≤N。对应地，ψ_t(θ_i)＝θ_arg1，arg1表示δ_t(i)＝max_1≤j≤Nδ_t-1(j)*a_ji*b_i(C_t)取最大值时下标j的值；

其次，q_T＝θ_arg2，arg2表示δ_T(i)取最大值时下标j的值，倒序计算：q_t＝ψ_t+1(q_t+1),t＝T-1,T-2...1，得到的隐含状态序列为q＝q₁q₂…q_T；

最后，在时间段内处于高、中、低能效的概率分别为P₁,P₂,P₃，P_i＝T_i/T，T_i为状态q₁q₂…q_T中θ_i出现次数。

对于29组不同切削参数下切削状态的识别结果如图4所示，纵坐标为该参数下切削过程中，处于高、中、低能效状态的概率。

3、建立规则库专家系统模型，以获得实时能效及第二参数组：

①建立规则库，这里用到的规则为两类，主要一类来自于切削比能的经验公式：

，

式中F_c为切削力，f为进给量，a_p为背吃刀量，η_s为机床传动效率；另一类来自于对切削过程获得的数据进行归纳后提取出的一组普遍规律；

规则库为矩阵O＝(o_l,n)_L×N，其中，L为规则数总数，N为输出结果的类别总数，输出结果记为{D_n，n＝1,2,3}，n取值1、2、3时分别代表输出结果为能效状态的高、中、低三个状态，o_l,n为第l条规则对第n个输出的影响，这将由专家赋予初值，并在接下来的训练中进行调整。

②计算输入信息对各条规则的激活权重：

其中第k条规则的激活权重通过下式计算：

表示在第k条规则中第i个输入参数Z_i对参考值的置信度。该置信度通过匹配函数确定，在该程序中，依照已有的规律采用了正态分布函数。将一个输入的X_i通过与各个参考值进行匹配，后归一化处理，得到该输入对应的其中，u、δ均为无实际物理意义的未知量，由训练产生。

③利用推理算法进行推理并获得评价结果：

将每条规则输出部分的置信度转化为基本概率质量后，通过对L条规则的迭代使用登普斯特准则获得各个评价结果的概率。即若某条规则被激活，该规则对应输出的某个评价结果的置信度大于0，那么整个经验规则库系统的输出相对于该结果有一定的置信度。

其中，利用登普斯特准则进行递归运算如下：

先计算基本概率质量：

m_j,k＝w_kp_j,k

再利用登普斯特准则对前k条规则的基本概率质量进行组合,得到D_j的基本概率设置，即所有可能结果的概率及其置信度。在此基本概率设置的前提下，通过L次迭代，得到第L次迭代后的基本概率设置，这就是评价结果D_j的概率，以及该评价结果的置信度。

④设定高能效为1，中能效为0.5，低能效为0，并设定每一种输出结果的概率符合正态分布，通过计算期望获得最终结果，即能效水平，记作E_o。

⑤将E_o与用切削比能模型计算所得并经归一化处理后的能效值E₂作差然后进行非线性规划求取最小值，并获得对应的u，δ，O，其中非线性规划时的限制条件为：

0≤u，δ，O≤1

⑥储存非线性规划所得的u，δ，O，作为训练结果。

对29组不同切削参数的切削过程，如图2所示，重复②③④步骤，获得能效水平E_o，结果如图5所示。纵坐标为能效水平，数值越大则说明能效等级越高。

4、综合隐马尔科夫识别模型和规则库专家系统模型，得到综合评价能效指标：

在每组切削过程中，使用隐马尔科夫识别模型计算出这一段时间内处于高、中、低能效的概率P₁,P₂,P₃，定义每种能效的量化参数分别为e₁,e₂,e₃,则通过隐马尔科夫识别模型识别的能效结果为：E₁＝e₁P₁+e₂P₂+e₃P₃；

对比规则库专家系统模型得到的识别结果E₂，不断调整e₁,e₂,e₃的值，使E₁关于不同切削过程的曲线和E₂关于不同切削过程的曲线达到最大重合，此时的e₁,e₂,e₃即为理想值，带入E₁＝e₁P₁+e₂P₂+e₃P₃中，从而得到综合评价的能效指标。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的所述切削过程可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。