基于多源信息融合的贝叶斯网络刀具磨损监测方法与流程

本发明涉及加工过程刀具磨损监测领域，尤其涉及一种基于多源信息融合的贝叶斯网络用于刀具磨损监测

背景技术：

1、在现代智能制造领域，刀具磨损监测是确保加工过程高效和产品质量稳定的重要环节。传统的刀具磨损监测方法通常依赖于单一的传感器数据，振动、温度或声发射信号。这些方法虽然在一定程度上能够反映刀具的磨损状态，但在复杂的加工环境下，其准确性和可靠性往往难以满足实际需求。

2、传统监测技术的主要缺陷在于其单一信息源的局限性。具体来说，单一振动信号虽然能提供刀具运行状态的一些信息，但很难区分磨损程度和其他因素引起的异常，当机床的其他部件故障或加工材料的变化。单一的力信号和声发射信号也存在类似的问题。这些传统方法在数据分析上通常采用简单的统计分析或阈值判断，缺乏复杂算法的支持，在处理多维度、非线性的加工数据时显得力不从心。这导致了监测结果的不准确性，不能为制造过程提供可靠的决策支持。

3、近年来，随着人工智能和机器学习技术的发展，数据驱动的刀具磨损监测方法开始受到广泛关注。这些方法通过分析大量的历史和实时加工数据，能够建立更为复杂的数据模型来预测刀具的磨损状态。然而，这些技术仍然面临一些挑战：首先，数据驱动的方法高度依赖于数据质量和数量，对于数据采集和处理的要求极高；其次，这些方法通常需要大量的训练数据来训练模型，而在实际制造环境中，获得充足且精确标注的训练数据是一大难题，这些模型的泛化能力和适应性仍然有限，当加工条件发生变化时，模型的预测性能可能会大幅下降。

4、因此，如何提供基于多源信息融合的贝叶斯网络刀具磨损监测方法是本领域技术人员亟需解决的问题。

技术实现思路

1、本发明的一个目的在于提出基于多源信息融合的贝叶斯网络刀具磨损监测方法，本发明旨在解决现有刀具磨损监测技术在复杂多变加工环境中面临的挑战，主要目的是提高刀具健康状态监测的可靠性和准确性。现有的监测方法通常依赖单一信息源，难以全面捕捉加工过程中复杂的失效模式。本发明提出了基于多源信息融合的贝叶斯网络刀具磨损监测方法，通过结合数据驱动和机理模型，综合利用振动信号、力信号、声发射信号多种信息源，克服了单一方法的局限性。基于优化相关峭度准则进行工况敏感性评估，识别并筛选出对刀具磨损最敏感的工况参数；通过对多源信息进行序列相关性分析，提取关键敏感特征，消除噪声冗余干扰，提高监测精度；从概率估计的角度创新性地融合多源数据特征和物理退化模型，构建贝叶斯网络模型，实现对刀具磨损的精准监测，并为监测结果提供可靠性描述。该方法有效地解决了加工过程中刀具损伤特征复杂、多样化的问题，验证了其在实际加工过程中的应用效果，具有较高的实用价值和应用前景。通过这一方法，可以显著提高刀具健康监测的效率，减少加工时间浪费，提高生产率和产品质量，并降低因刀具磨损导致的机床损坏风险。

2、根据本发明实施例的基于多源信息融合的贝叶斯网络刀具磨损监测方法，包括如下步骤：

3、s1、在机床主轴上安装布置三向振动传感器，从三向振动传感器上采集到振动信号，在工作台上布置三向力传感器，从三向力传感器上采集到力信号，在工作台上布置声发射传感器，从声发射传感器上采集到声发射信号；

4、s2、对采集到的振动信号，力信号，声发射信号进行预处理，多次用截取公式截取构建数据样本集，得到的数据样本集；

5、s3、对s2中获取的数据样本集进行特征提取，分别提取其对应的时域特征、频域特征和时频域特征，提取特征集；

6、s4、基于优化相关峭度进行工况敏感性评估，根据评估结果对s3中的特征提取结果进行工况分割，并利用斯皮尔曼相关系数筛选敏感特征集；

7、s5、利用核主成分分析对s4中分隔好的工况进行降维压缩，并提取第一主分量作为表征刀具磨损状态的健康指标；

8、s6、将指数退化模型嵌入到贝叶斯推断中构建贝叶斯网络模型，并将s4和s5中获取的特征样本集和健康指标作为训练集输入到贝叶斯网络模型中用于模型训练；

9、s7、将s6中训练好的模型用于刀具磨损寿命预测，根据预设的失效阈值确定刀具剩余使用寿命，并输出概率预测结果。

10、可选的，所述s3具体包括，

11、我们对s2中获取数据样本集进行了特征提取，特征提取包括时域特征、频域特征和时频域特征，每类特征都对应不同的数学表达式，用于描述数据样本的特性：

12、s31、时域特征包括：

13、均方根值，在数据预处理中，首先提取时域特征，均方根值是计算信号能量的重要指标，表示信号在一定时间窗口内的总能量大小：

14、

15、其中，n表示数据点的数量，xi表示第i个数据点；

16、方差，方差用于衡量数据样本的离散程度，通过计算数据点与均值的偏离程度来反映信号波动的大小：

17、

18、其中，表示数据样本的均值；

19、最大值，提取数据样本的最大值，表示信号在时间窗口内的最高峰值，能反映出信号的极值特性：

20、max＝max(x1,x2,…,xn)；

21、偏斜度，偏斜度衡量数据分布的对称性：

22、

23、其中，σ表示数据样本的标准差，表示数据样本的均值；

24、峭度，峭度用于衡量数据分布的尖峰程度，通过计算数据点与均值的四次方差来反映数据的峰度特性：

25、

26、其中，表示数据样本的均值，xi表示第i个数据点；

27、峰峰值，峰峰值表示信号的波动范围，通过计算数据样本的最大值和最小值之差来反映信号的振幅：

28、p2p＝max-min(x1,x2,…,xn)；

29、s32、频域特征：

30、频谱偏斜度，在频域特征提取过程中，通过计算频谱偏斜度来衡量频谱分布的对称性：

31、

32、其中，xi表示第i个频谱点，μx表示频谱均值,σx表示频谱的标准差；

33、频谱峭度计算频谱峭度，用于衡量频谱分布的尖峰程度，通过计算频谱点与均值的四次方差来反映频谱的峰度特性：

34、

35、其中，σx代表频谱的标准差，xi表示第i个数据点；

36、频谱能量，通过计算频谱点的平方和来反映频谱的能量特性：

37、

38、其中，xi代表数据样本的频谱点；

39、s33、时频域特征：

40、小波包能量，在时频域特征提取过程中，通过计算小波包系数的平方和来反映信号的时频特性：

41、

42、其中，wi表示第i个小波包系数；

43、其中x表示数据样本均值，fi代表数据样本xi的频谱，μ表示频谱均值，σ代表频谱标准差，s(fi)表示能量谱密度，将提取的特征集记为f＝{f1,f2...,fn}；

44、s34、时频加权熵公式,用于计算信号的加权熵，通过结合时域、频域和时频域的特征来衡量信号的复杂度和不确定性：

45、

46、其中，hweighted表示时频加权熵，是一个衡量信号复杂度和不确定性的指标；表示对时域特征进行求和，范围是从第1个特征到第n个特征，wi,t表示时域特征的权重，i是特征的索引，t表示这个权重是针对时域特征的；pi,t表示第i个时域特征的概率分布，反映了这个特征在整体信号中的占比；表示对频域特征进行求和，范围是从第1个特征到第m个特征；wj,f表示频域特征的权重，j是特征的索引，f表示这个权重是针对频域特征的；pj,f表示第j个频域特征的概率分布，反映了这个特征在整体信号中的占比；表示对时频域特征进行求和，范围是从第1个特征到第l个特征；wk,tf表示时频域特征的权重，k是特征的索引，tf表示这个权重是针对时频域特征的；pk,tf表示第k个时频域特征的概率分布，反映了这个特征在整体信号中的占比。

47、可选的，所述s4具体包括:

48、利用相关峭度进行工况敏感性评估，根据最大相关峭度划分工况，相关峭度通过计算相关峭度，评估每个特征在不同工况下的敏感性：

49、

50、其中d表示相关峭度中的重复次数，ts代表主轴旋转周期，f为提取的特征集记为；

51、利用斯皮尔曼相关系数筛选敏感特征集：

52、

53、dt＝r(f)-r(t{1:t})；

54、其中t{1:t}代表时间序列，r()表示变量排序函数，sp是一种非参数统计量，用于测量两个变量之间的序列相关性，t表示的是数据的数量；

55、将筛选后的特征集构建为简约特征集，记为fm，其中m表示筛选的敏感特征集数量。

56、可选的，所述s5具体包括：

57、s51、选择适当的高斯核函数k(xi,xj)，将原始特征集fm映射到高维特征空间，核函数的形式为：

58、

59、其中，xi和xj为原始特征向量，σ为高斯核的带宽参数，c为多项式核的常数，d为多项式核的度数；

60、s52、构建核矩阵k，核矩阵的元素kij为核函数k(xi,xj)的值：

61、

62、其中，n为样本数量；

63、s53、对核矩阵k进行中心化处理，中心化后的核矩阵为：

64、k′＝k-1nk-k1n+1nk1n；

65、其中，1n为全1矩阵；

66、s54、对中心化后的核矩阵k'进行特征值分解，得到特征值λi和特征向量αi，特征值分解的形式为：

67、k′αi＝λiαi；

68、其中，λi为第i个特征值，αi为第i个特征向量；

69、s55、选择前k个特征值对应的特征向量构成特征向量矩阵αk：

70、αk＝(α1,α2,…,αk)；

71、其中，αi为第i个特征向量，k为选取的主成分数量；

72、s56、将原始特征集fm映射到核主成分空间，得到降维后的特征矩阵zk：

73、zk＝k′αk；

74、其中，zk为降维后的特征矩阵；

75、s57、提取第一核主成分作为表征刀具磨损状态的健康指标h。

76、可选的，所述s6具体包括，

77、构建状态空间模型，用于表征简约特征集与健康指标之间的相互关系：

78、

79、其中μ(fk-1,tk,θ)表示退化速率，δtk表示k时刻的时间差，ωk-1表示噪声干扰，a代表状态矩阵，表示简约特征集与健康指标之间的映射函数，ψ代表映射函数参数，w表示误差矩阵；

80、将刀具退化过程嵌入到贝叶斯推断中构建贝叶斯网络模型，并将s4和s5中获取的简约特征集fm和健康指标h作为训练集输入到贝叶斯网络模型中用于模型训练；

81、

82、其中h＝{h1,...,hm}表示健康指标，fm＝{f1,...,fm}代表简约特征集。

83、有益效果

84、1.提高监测精度：本发明通过整合振动、力和声发射多种传感器数据，克服了单一信息源监测的局限性，使得刀具磨损的监测精度大幅提高。不同传感器的数据互为补充，能够全面反映刀具的实际磨损状态，避免了单一信号可能出现的误判。

85、2.增强抗干扰能力：通过优化相关峭度和斯皮尔曼相关系数的方法，筛选出对刀具磨损最敏感的特征，并构建简约特征集，有效剔除了环境噪声和冗余信息的干扰。这种敏感特征的筛选和简约特征集的构建，保证了模型的稳定性和可靠性。

86、3.实现动态预测：本发明利用核主成分分析，对数据进行降维处理，提取出的健康指标能够动态反映刀具的磨损状态。结合贝叶斯网络模型，能够对刀具磨损进行实时监测和动态预测，确保生产过程中及时采取维护措施，避免因刀具磨损导致的突发故障。

87、4.提高预测准确性：将指数退化模型嵌入到贝叶斯推断中，构建贝叶斯网络模型，并对特征样本集和健康指标进行训练，使得模型能够准确预测刀具的磨损状况。通过模型的训练和应用，预测结果与实际值的平均误差保持在±5％以内，具有较高的预测准确性。

88、5.提供概率预测结果：贝叶斯网络模型天然具有概率输出特性，能够为刀具剩余使用寿命提供概率预测结果，而不仅仅是点估计结果。设置95％的置信区间，预测结果几乎完全包含在真实值的±20％区间内，进一步验证了预测结果的可靠性和实用性。

89、7.适应复杂工况：本发明的方法结合了数据驱动和机理模型，具备较强的适应性，能够应对不同工况下的刀具磨损监测需求。在复杂的加工环境中，依然能够提供稳定、可靠的监测和预测结果，为生产过程中的刀具管理提供有力支持。

90、综上所述，本发明通过多源信息融合和贝叶斯网络模型的创新应用，解决了传统刀具磨损监测方法的局限性，显著提高了监测的精度、可靠性和实时性，为现代智能制造提供了强有力的技术支持，具有广泛的应用前景和经济效益。本发明采用多源信息融合策略监测刀具磨损过程，克服了单一信息源所面临的监测瓶颈，充分利用了数据资源，提高了刀具磨损监测的精度。