(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110806541.3 (22)申请日 2021.07.16 (65)同一申请的已公布的文献号 申请公布号 CN 113408182 A (43)申请公布日 2021.09.17 (73)专利权人 山东大学 地址 250199 山东省济南市历城区山大南 路27号 (72)发明人 江铭炎　韩宗鑫　袁东风　 (74)专利代理 机构 济南金迪知识产权代理有限 公司 37219 专利代理师 杨树云 (51)Int.Cl. G06F 30/25(2020.01) G06F 30/27(2020.01) G06F 119/04(2020.01) (56)对比文件 CN 112247673 A,2021.01.2 2 CN 109571 141 A,2019.04.0 5CN 109571 141 A,2019.04.0 5 CN 109033730 A,2018.12.18 US 6105015 A,20 00.08.15 CN 107378641 A,2017.1 1.24 CN 111791090 A,2020.10.20 刘宇.数控机床刀具状态监测与诊断系统的 研究. 《中国优秀硕士学位 论文全文数据库信息 科技辑》 .2017, 宗姝.振动钻削钻头 状态监测技 术研究. 《中 国优秀硕士学位 论文全文数据库信息科技 辑》 .2020, 霍鹏程.基 于切削加工中音频信号分析的刀 具状态监测系统研究. 《中国优秀硕士学位 论文 全文数据库信息科技 辑》 .2017, 黄鹤翔.基 于深度学习的刀具磨损检测系统 的设计与实现. 《中国优秀硕士学位 论文全文数 据库信息科技 辑》 .2020, 关山.基于声发射信号多特 征分析与融合的 刀具磨损分类与预测技 术. 《中国优秀博士学位 论文全文数据库信息科技 辑》 .2012, 审查员 袁爽 (54)发明名称 一种基于多重小波最优特征和神经网络的 刀具生命 全周期磨损诊断方法、 设备及存 储介质 (57)摘要 本发明涉及一种基于多重小波最优特征和 神经网络的刀具生命全周期磨损诊断方法、 设备 及存储介质， 从刀具振动信号中提取出小波能 量、 小波系数幅值分布等特征向量， 并利用智能 群优化算法降维 融合后的特征向量， 最后结合非 线性多映射神经网络对刀具信号训练分类建立 模型。 本发 明的优异之处在于用多种小波方法提 取刀具信号特征后， 通过群智能优化算法来降低 特征矩阵维度， 结合机器学习来训练样本建立模 型。 权利要求书4页 说明书12页 附图3页 CN 113408182 B 2022.05.06 CN 113408182 B 1.一种基于多重小波最优特征和神经网络的刀具生命全周期磨损诊断方法， 其特征在 于， 包括步骤如下： 1)采集刀具生命全周期信号， 刀具生命全周期信号是指刀具从完好到损害的整个生命 周期的刀具振动信号， 刀具生命全周期信号采集完后， 对刀具磨损值进 行测量， 刀具磨损值 包括每个主后刀面最大磨损宽度、 1/2ap处磨损宽度和磨损面积， 副后面的最大磨损宽度和 磨损面积； ap为背吃刀量， 背吃刀量 为垂直于给进速度方向的切削层最大尺寸； 2)对采集的刀具生命 全周期信号进行 预处理； 将采集的每段刀具生命全周期信号统一数量级， 以全部刀具生命全周期信号的幅值的 平均值为阈值， 去除每段刀具生命 全周期信号 开始采集与结束采集时掺入的噪声； 3)对步骤2)预处理后的刀具生命全周期信号分成若干段， 每段刀具生命全周期信号中 信号的个数为 n， 对每段刀具生命 全周期信号标注标签进行分类； 4)使用小波变换结合能量计算、 概率统计、 傅里叶变换方法， 计算出小波系数幅值特 征、 小波多重能量特 征以及小 波频域特 征； 步骤4)中， 计算小 波系数幅值特 征， 是指： 对步骤3)处理后的刀具生命全周期信号进行小波变换， 得到小波系数， 对得到的小波 系数进行归一化处理， 并分为多个不同的区间， 统计各个区间中小波系数的概率， 以此作为 小波系数幅值特 征； 步骤4)中， 计算小 波多重能量特 征， 是指： 对步骤3)处理后的刀具生命全周期信号用多级小波对信号进行分解， 得到信号在细节 空间与逼近空间的表示， 通过给定的小波对振动信号进行多尺度小波分析， 并返回在各层 的分解向量以及记录向量， 根据分解向量以及记录向量提取出各个尺度的细节空间表示以 及逼近空间表示； 用快速傅 立叶变换对信号在 细节空间与逼近空间的表示向量进行变换； 通过公式(I I)利用近似信号计算各层的能量： 式(II)中， j表示对应的尺度， k代表某一尺度下第k个小波系数， J表示小波分解的尺 度， 表示在j刻度上第k个小波系数， Ej为尺度j对应的能量， n为当前尺度下小波系 数的 总个数， E为所有尺度的总能量； 通过公式( Ⅲ)计算出总能量： 求出各层的能量的占比， 以此作为小 波多重能量特 征； 步骤4)中， 计算小 波频域特 征， 是指： 首先， 对步骤1)2)3)处 理后的刀具生命 全周期信号进行希尔伯特变换 得到解析信号； 然后， 对解析信号利用公式( Ⅹ Ⅰ)进行快速傅里叶变换； 最后， 对快速傅里叶变换得到的结果进行离散小波变换， 得到小波系数， 小波系数中的 近似系数包 含刀具的磨损信息， 将近似系数作为小 波频域特 征；权　利　要　求　书 1/4 页 2 CN 113408182 B 25)设定小波系数幅值特征的维度为a1， 小波多重能量特征的维度为a2， 小波频域特征 的维度为a3； 将每段信号提取出的小波系数幅值特征、 小波多重能量特征以及小波频域特征三种特 征融合成总的特 征集合， 总的特 征集合的维度为d,d＝a1+a2+a3； 6)总的特征集合中每个维度的特征进行二进制处理， 得到二进制特征， 使特征的解限 于{0,1}之间， 1代 表选用该 特征， 0代表未选用， 将选用的特 征输入到神经网络模型训练； 在神经网络模型中， 将每种分类数据中的2/3的数据以及相对应的磨损程度类别作为 训练集D1， 剩余的1/ 3的数据以及对应的磨损程度类别作为测试集D2； 将总的特征集合输入到粒子群优化算法， 通过寻优找到最合适的特征子集， 寻找到的 最合适的特征子集的维度为e,e<＝d， 并将最终得到的特 征与每段信号对应的类别相匹配； 步骤6)中， 使用粒子群算法搜索二进制特 征， 选择出最优的特 征子集， 包括 步骤如下： 第一步、 根据种群规模以及参数产生初始化种群， 初始化参数有迭代次数T、 种群数量 N、 适应度函 数的权重α和β， 权重ω以及常数c1和c2， 将位置和速度随机赋值， 且位置x每 一维 度的解限于{0,1}之间； 第二步， 根据位置x每一维度的解， 从每一段振动信号的小波特征向量将解为1相对应 的特征值提取出来形成特 征子集D， 并统计选用特 征的数量R； 第三步， 利用提取出的特征子集D与其对应的标签输入到神经网络模型中， 其中2/3的 数据作为训练集， 1/3的数据作为测试集， 得到测试错误率γR(D)， 利用式( Ⅳ)计算出当前 位置处的适应度值， 更新个 体历史最优位置和更新种群最优位置； 第四步， 如果迭代次数小于最大迭代次数， 更新 位置以及速度； 第五步， 重复第二步至第四步， 直到达到最大迭代次数， 得到种群最优位置， 根据种群 最优位置将相应的特征子集提取出来， 并将其输入到神经网络模型中进行训练， 得到训练 好的神经网络模型； 步骤9)中求取适应度值以及分类错 误率的公式： γR(D)＝1‑Accurary(Ⅹ) 式(Ⅸ)、 式(Ⅹ)中， α 为分类精确性， β 为所选特征重要性， R为所选特子集的长度， N为特 征总数， D为所选特征子集， γR(D)为当特征为D时的分类错误率， Accurary是分类的准确 率， Fitnes s为适应度值级包 含准确度特性 也包含维度特性； 通过式(Ⅹ Ⅰ)， 用快速傅 立叶变换对信号在 细节空间与逼近空间的表示向量进行变换： 式(ⅩⅠ)中， 用于对有限长离散信号进行傅立叶变换f(n)为有限长的离散时间信号； k 为频率； N 为根据有限长时间信号构建的周期信号的周期， n 为信号序列数； 7)当采集刀具生命全周期信号 时， 每n个信号作为一组待检测信号， 并将待检测信号依 次进行所述步骤2)、 所述步骤4)的操作， 计算出该待检测信号的特征值， 即包括小波系数幅 值特征、 小波多重能量特征以及小波频域特征； 再通过步骤5)的操作得到最 终的特征， 将该 最终的特 征输入步骤6)训练好的神经网络模型， 输出分类结果。权　利　要　求　书 2/4 页 3 CN 113408182 B 3