基于ELM的刀具磨损量及剩余寿命预测.docxVIP

? ? 基于ELM的刀具磨损量及剩余寿命预测 ? ? Summary：由于刀具磨损状态对加工质量影响较大，提出了一种基于单隐含层前馈神经网络——ELM的刀具磨损状态在线监测方法。根据铣削刀具的实时工况数据，采用统计分析、快速傅里叶变换和小波变换多种特征提取方法，提取出34个对刀具磨损敏感的时域、频域、时频域混合特征。将提取的特征与磨损量输入极限学习机网络框架中进行训练得到ELM模型，把测试集特征放入ELM模型进行预测评估，得到对应的预测刀具磨损量及剩余走刀次数。通过与SVR和遗传算法优化BP神经网络的预测结果比较发现，ELM具有学习速度快、预测精度高、泛化能力强的显著优势，能实现刀具磨损状态的在线监测。 Keys：刀具磨损 小波变换 ELM 遗传算法优化BP 1、引言 刀具是数控机床中关键的执行部件，它的状态直接影响着产品加工质量和设备运行效率。以往，现场工人凭借丰富的经验判断刀具的使用情况，根据加工过程中的现象及声音来判别刀具的磨损状态以此来把握最佳的换刀时间。随着数控机床自动化的到来，机床设备不仅仅要提高生产效率，还要能检测刀具状态，实现快速自动换刀功能。刀具磨损监测评估技术能够实时监测刀具磨损状态，尽早发现刀具使用过程中的问题并采取相应措施。这一技术具有延长刀具使用寿命，避免刀具磨损带来的损失，节省加工成本，减少机床故障停机时间，提高加工效率的重大意义。 本文提出了一种基于单隐含层前馈神经网络——ELM的刀具磨损状态在线监测方法，用于拟合预测刀具磨损量与剩余使用寿命评估。极限学习机算法中输入层与隐含层间的连接权值和隐含层神经元的阈值是随机产生的，在训练过程中仅设置隐含层的神经元个数一个参数，不需要对随机产生的权值和阈值再加以迭代调整便可以获得全局唯一的最优解。这一网络学习训练速度快、获得的解为全局最优解，另一大优点是泛化能力强。本文通过与其他方法的对比实验分析，从拟合预测的准确度、模型的普适性等方面验证极限学习机在刀具磨损预测及剩余寿命评估的有效性。 2、特征提取 本文所用铣削刀具工况数据为2010 年PHM Society数据竞赛公开的刀具磨损数据集。实验在R9ders Tech RFM760数控机床上进行，加工刀具为三刃球头铣刀。本文只采用了具有三个槽向真实磨损值的两组数据集c1、c4作为实验数据，每组数据为315×7。下图1为实验数据采集系统图。 图1实验数据采集系统 首先，采样频率为50KHz，刀具每次走刀采集得来的数据约有二十几万个，数据量过大，对后期特征提取造成困难，因此对数据进行降采样处理。降采样比例为1:10，即降采样后得到的数据频率为5KHz，每次铣削走刀数据约两万个。 数据集中给出的磨损值为每次铣削走刀对应一个真实测量的磨损值，即1把刀一个槽向对应315个磨损值。时域统计分析常提取的特征参数有：平均值、标准差、均方根、方根幅值、峭度、余隙因子、峭度因子等。频域上采用的处理手段是对时间序列铣削力和振动信号进行快速傅里叶变换转为频域，继而提取幅值谱、相位谱和功率谱的相关特征。时频域联合特征提取采用小波变换对铣削力和振动信号进行特征提取。对时域、频域、时频域提取的大量混合特征进行特征评估和择优选择，选取其中与磨损值有较强关系的34个特征构成最终的特征空间。经过择优选择特征达到了减少了特征空间的大小与模型训练时间，提升模型拟合性能的目的。 经过特征提取，每把刀的样本集转换为315×34的输入特征空间，每把刀的对应磨损量只选用第一个槽向的flute1值作为输出，以此组成模型的输入输出进行训练、预测和评估。 3、ELM原理 极限学习机是一种典型的单隐含层前馈神经网络，由输入层、隐含层和输出层组成，输入层与隐含层、隐含层与输出层神经元间全连接。其中，输入层有n个神经元，对应n个输入变量；隐含层有l个神经元；输出层有m个神经元，对应m个输出变量。 具体地，ELM的学习算法主要有以下几个步骤： ①确定隐含层神经元个数，随即设定输入层与隐含层间的连接权值w和隐含层神经元的偏置b ②选择一个无限可微的函数作为隐含层神经元的激活函数，进而计算隐含层输出矩阵H ③计算输出层权值 4、仿真验证与方法比较 本文将2010年PHM Society提供的铣削刀具中的刀具1作为训练集，刀具4作为测试集进行仿真验证。首先，按照上文提到的数据预处理和特征提取方法，对两组数据进行降采样和特征提取操作。 ELM模型 创建ELM模型，设置ELM所必须的参数。ELM在训练前可以随机产生权值和偏差，因此只需确定隐含层神经元个数及隐含层激活函数(无限可微)即可。当隐含层神经元个数与训练集样本个数相等时，网络可以零误差逼近训练样本，所以设置隐含层神经元个数为315，激活函数选择sigmoid函数。然后将得到的刀具1的特征空间315×34归一化后