基于機器學習機床機械加工特征信息與加工材料關聯性研究

郎永存，李積元，鄭佳昕

(青海大學機械工程學院，青海西寧 810016)

0 前言

隨著機床智能化程度的不斷提高，數控機床工作過程封閉式全閉環控制逐步得到了實現。通過對機床工作過程中主軸系統輸出的振動、溫度、電流等特征信息進行精確分析與判斷，建立不同切削工件材料與主軸系統特性數據之間的關系模型，可實現機床在柔性加工生產線上的智能判斷，并對加工材料進行切削參數的優化，使機床在加工過程中始終處于一個良好的加工狀態，減少因為不良切削導致的機床故障的發生。

由于機床復雜的工作環境，采用單一信號分析的處理方法不能全面地對運行狀態進行解釋，利用多傳感器信息采集和多信息融合技術，可以提高評估結果的置信度，多信息融合技術已經成為目前研究的熱點之一。因此，文中以健康狀態的機床對不同工件材料進行切削加工，同時采集不同工作狀態下的機床主軸振動信號和負載電流信號，并對數據信息進行處理、特征提取和特征識別，分析特征數據信息與工件材料力學性能之間的關聯關系，從而判斷材料類型，為后續開展的機床健康診斷和故障判斷分析研究提供基礎數據。

由于采集的數據信息為2種不同類型的數據信息，為了對2種原始信號進行特征信息的提取，文中使用變分模態分解(Variational Mode Decomposition，VMD)的方法進行特征提取。變分模態分解在信號處理與特征提取的應用中適應性強、分解效率高，可有效避免端點效應與模態混疊現象。對特征信息進行識別和判斷過程中，支持向量機算法是針對有限的樣本訓練和分類的機器學習方法，其核函數參數以及懲罰因子的選擇對于預測分類精度的高低有很大的影響。為了提高SVM模型的識別判斷精度，采用灰狼優化(Grey Wolf Optimization,GWO)算法對傳統支持向量機算法進行優化。因此，本文作者將VMD與WMPE相結合進行信號的特征提取，應用灰狼優化的支持向量機對機床加工材料進行判別，通過對試驗數據進行處理，結果表明該方法具有較好的特征提取與分類判別精度，有一定的工程研究價值。

1 基于變分模態分解與多尺度加權排列熵的特征提取方法

1.1 變分模態分解

VMD方法可實現信號的自適應分解，將信號分解過程轉化為變分模型，構造一個約束變分問題并進行求解，有效避免在信號處理過程中出現虛假分量與模態混疊等問題，具體過程如下:

將原始輸入信號分解為個離散的本征模態分量，將其重新定義為一個調幅-調頻信號記為()，其表達式為

()=()cos()

(1)

式中：()為非遞減的相位函數；()為包絡函數。

對分解后的模態函數進行Hilbert變換，得到解析信號單邊頻譜：

(2)

對預估中心頻率進行調制，可以得到如下約束變分模型：

(3)

({},{},)=

(4)

(5)

(6)

(7)

1.2 多尺度加權排列熵

多尺度加權排列熵在排列熵的基礎上不僅考慮了幅值的特性，而且解決了單尺度分析的缺陷，可對復雜的時間序列進行多尺度的全面表征，具體過程如下：

設有初始長度為的一維時間序列={,=1,2,…,}，對它進行多尺度粗粒化處理,得到的時間序列為

(8)

式中：為多尺度因子。當=1，粗粒化序列為原始序列，[]表示對取整。

粗粒化后的序列{,=1,2,…,}進行維相空間重構可得：

(9)

式中：為嵌入維數；為第個重構時間分量；為延遲時間。

為了考慮時間序列的幅值信息，設置一個加權系數：

(10)

將由相空間重構后的時間序列按升序排列可以得到：

()=(,,…,),=1,2,…,(≤!)

(11)

式中：!為不同符號序列在嵌入維數下最大的排列數。

計算任意一個()出現的概率(=1,2,…,),計算任意符號序列的香農熵值即可得到序列的多尺度加權排列熵值：

(12)

1.3 特征提取方法

主軸振動信號和主軸負載電流信號包含主軸在切削過程中不同狀態空間的信息，將兩類信息進行融合利用可實現異類信息之間的互補。只是將兩類信息進行數據級融合并提取特征信息構建特征向量進行識別判斷，將帶來信息冗余和維數爆炸等負面效果。因此文中使用VMD與MWPE相結合的方式分別提取振動信號與電流信號的特征信息進行特征級信息融合。圖1所示為特征提取方法的流程，具體步驟如下：

圖1 特征提取流程

(1)對主軸原始振動信號與負載電流信號進行VMD分解，分別得到個IMF；

(2)計算分解后的每一個IMF的多尺度加權排列熵(MWPE)，進一步提取特征信息；

(3)將2種信號的MWPE并行組合進行特征級信息融合，構造高維特征向量；

(4)利用t-SNE流行學習算法對高維特征集進行維數約簡，去除冗余特征。

2 基于GWO算法優化的SVM

2.1 GWO算法

灰狼優化(GWO)算法通過模擬大自然中狼群的等級制度與捕食活動，進行迭代尋優的智能算法。設有狼群集合={,,…,}，狼群數量為。將狼群組合分割為θ、β、σ、ω 4組，其中θ組是個體適應度最大的狼群，代表最優解；β、σ組狼群個體適應度次之，代表次優解；其余狼群個體為ω組。由θ、β、σ 3組狼開展捕食活動，ω組則進行跟蹤圍剿。所要求解的適應度函數為=()，狼群中第只狼在空間搜索為的位置可以表示為={1,2,…,}。求出每一個灰狼的適應度值，適應度前三的個體為θ、β、σ。以它們的位置作為基準更新迭代下一個位置，從而實現對獵物的捕獲，個體與獵物之間的距離為

=|·()-()|

(13)

式中：為個體與獵物之間的距離；為隨機系數向量；代表獵物位置；代表灰狼個體的位置。

灰狼個體更新的方式為

(+1)=p()-·

(14)

=2·-

(15)

=2

(16)

=2-2()

(17)

式中:與為隨機系數向量；和為[0,1]內的隨機向量；為最大迭代次數；為收斂因子。

ω組狼群則可由距離食物最近的θ、β、σ組狼群的位置推算出獵物的位置，其數學表達如下：

(18)

式中：、、分別為θ、β、σ組狼群的當前位置；()表示當前灰狼的位置；、、為θ、β、σ的系數矢量。

通過不斷地迭代更新，又按照對最終狼群的自適應度重新分配了等級。最終，全局最優解為輸出θ狼的位置。

2.2 基于GWO算法優化的SVM

SVM具有出色的學習能力，針對有限樣本、非線性以及高維數等問題時，其決策分類具有更強的泛化能力與較好的魯棒性。基于GWO方法在全局搜索方面具有效率高、收斂性好等優勢，文中將它用于對SVM懲罰因子與核函數參數的優化。基于GWO的SVM參數優化過程如圖2所示。

圖2 GWO優化SVM流程

3 試驗與結果分析

3.1 信號采集

該研究試驗平臺為某企業生產的XK7145型數控銑床。通過華中數控的SSTT采集系統與機床主軸上加裝的三向加速度傳感器分別測量機床主軸在空轉和銑削過程中的主軸負載電流信號與振動信號，試驗現場如圖3所示。機床銑削加工的3種金屬分別為：6061-T6鋁、銑削45鋼和銑削HT250灰口鑄鐵。

圖3 試驗現場

此次銑削試驗采用4因素4水平的正交試驗，4個因素分別為主軸轉速、進給量、背吃刀量和徑向切深，水平因素如表1所示。

表1 各金屬銑削水平因素

通過上述試驗方案對機床加工常用的3種金屬在各自最佳切削方案下完成試驗，并獲取切削狀態下主軸振動信號和負載電流信號。4種銑削狀態下主軸的振動信號與負載電流信號部分時域波形如圖4所示。

圖4 信號時域波形圖

3.2 特征提取

首先，對4種狀態銑削時的主軸電流信號與主軸、、3個方向的振動信號進行VMD分解。其中，振動信號每種狀態選取60組，電流信號每種狀態選取40組，每組數據長度為2 048。選取不同的值進行VMD分解，通過觀察分解后各IMF的中心頻率，確定2種信號VMD分解層數=4最為合適，設置懲罰因子為2 000。振動信號與電流信號VMD分解后得到的4個模態分量如圖5所示。

圖5 模態分解結果

其次，為進一步提取各IMF之中的特征信息，計算振動信號與電流信號VMD分解后各IMF的多尺度加權排列熵，構建新的特征向量。根據文獻[15-16]的查閱,多尺度加權排列熵預設嵌入維數為3，尺度因子為16。將對應的主軸負載電流信號各IMF的多尺度加權排列熵與對應的振動信號各IMF多尺度加權排列熵并行疊加進行融合，得到高維特征向量集。

最后，為消除高維特征向量中的冗余特征，對新構造的特征向量使用t-SEN降維的方法進一步處理，將高維特征向量將至三維，實現特征向量的降維與特征信息的有效融合，降維結果如圖6所示。

圖6 基于t-SNE的特征向量降維

3.3 模式識別

進一步對特征向量進行分類，從而實現根據機床主軸輸出的特征數據信息識別判斷所加工工件材料類型。將構建的特征向量分為訓練集與測試集，輸入GWO-SVM模型進行訓練和測試，對機床4種加工狀態及材料類型進行識別判斷，各銑削狀態標簽作為輸出，如表2所示。

表2 工作狀態類別標簽

運用GWO優化算法對SVM中最優懲罰因子和最優核參數進行參數尋優，最大迭代次數為100，種群規模為10，懲罰因子取值范圍為[0,100]，核參數的取值范圍為[0,5]，尋優過程如圖7所示。

圖7 基于灰狼優化尋優圖

由圖7可以看出:當核參數的取值越靠近5尋優精度越高，越靠近0尋優精度越低。因此在此次試驗中選擇=4.881 2，=93.595 6。整體試驗預測精度最高可以達到98%以上，分類結果如圖8所示。

圖8 基于信息融合測試分類

為了驗證GWO-SVM分類方法的優越性，分別建立BPNN、SVM和GA-SVM 3種模型，對4種樣本數據進行測試與分類，分類結果如表3所示。綜合對比發現:無優化SVM模型識別精度高于無優化神經網絡模型；GA優化SVM模型識別精度相較于無優化SVM模型有2.57%的提升；GWO優化SVM模型的識別精度與無優化SVM模型相比提高了6.84%。從對比結果可以看出，在加工機床常用工件材料自動識別的問題中，基于信息融合特征提取降維與GWO-SVM相結合的算法能夠有效識別出機床加工狀態和正在加工的材料種類。

表3 基于不同分類方法的分類精度比較

4 結論

文中提出了一種根據機床加工過程中主軸輸出的特征信息對機床加工材料類型進行判斷的方法。該方法通過VMD與MWPE相結合的方法提取機床主軸振動信號與主軸負載電流信號特征信息，進行特征級的信息融合構建特征向量；采用基于GWO優化方法對傳統的支持向量機算法進行懲罰參數和核函數參數的優化，優化后的支持向量機算法相較于原始支持向量機算法的準確率有大幅度提升，驗證了文中所提出的方法在分類精度上有較大優勢。

建立不同切削工件材料與主軸系統特性數據之間的關系模型，隨著關系模型的不斷完善，通過機床的切削狀態就可以對機床主軸系統的健康進行實時的監測，在主軸系統發生故障之前發出預警，對后續機床主要部件的實時健康狀態監測提供了基礎。

但是，在實際加工過程中，機床加工的材料種類很多，文中僅使用了3種常用的不同材料金屬進行判斷，未能對不銹鋼、鈦合金等多種金屬進行試驗并做判斷。并且使用的3種金屬材料物化性能差異較大，并未對同種類不同牌號金屬進行更為細節的分類判斷。在后續工作中可對工件振動信號、噪聲信號等信號進行更加全面的信息特征提取，以達到更加精準的判斷。