[發明專利]一種基于圖像特征和LLTSA算法的刀具磨損狀態監測方法

有效

• 申請號: 201710729304.5
• 申請日: 2017-08-23
• 公開（公告）號: CN107378641B
• 公開（公告）日: 2019-02-01
• 發明（設計）人: 關山;宋偉杰;崔金棟
• 申請（專利權）人: 東北電力大學
• 主分類號: B23Q17/09
• 分類號: B23Q17/09
• 代理公司: 吉林市達利專利事務所 22102
• 代理人: 陳傳林

本發明涉及一種基于圖像特征與LLTSA算法的刀具磨損狀態監測方法，該方法將圖像紋理特征提取技術引入到刀具磨損故障診斷領域中，結合“信號降噪”、“特征提取及優化”、“模式識別”三個流程，實現刀具磨損狀態監測。首先通過聲發射傳感器采集刀具切削過程中的聲發射信號，通過EEMD算法進行信號降噪處理；然后采用S變換對降噪信號進行時頻分析，將時頻圖像轉換為等高線灰度圖，通過灰度共生矩陣算法提取圖像紋理特征，再進一步采用散布矩陣與LLTSA算法對提取的特征向量進行維數約簡及優化，獲得融合特征向量；最后采用融合特征向量訓練刀具磨損狀態的離散隱馬爾科夫模型，建立分類器，從而實現刀具磨損狀態的自動監測與識別。

技術領域

本發明涉及刀具磨損狀態監測技術領域，具體地說，是一種基于圖像特征與LLTSA算法的刀具磨損狀態監測方法。

背景技術

刀具是金屬加工過程中使用最廣泛的切削工具之一，刀具磨損程度直接影響加工零件的精度，刀具磨損嚴重時，繼續使用會造成工件超差或廢加工，使機床產生振動、刺耳噪聲或被迫停機，甚至造成整個加工系統的運行故障，帶來安全隱患和經濟損失，因此刀具磨損狀態監測是保證機床正常運行的一項不可避免的工作。

刀具磨損狀態監測的關鍵在于從監測信號中準確的故障特征提取，目前大多數特征提取方法都是通過分析切削信號的各種參數來構建特征向量，如時域或頻域參數、能量、幅值等；而圖像特征提取技術在刀具磨損故障診斷中應用較少。近年來圖像特征提取技術逐漸被引入到軸承、柴油機、齒輪等機械故障診斷領域，通過偽威格納-維爾分布、連續小波變換、S變換等方法將一維監測信號轉換為圖像，利用圖像特征統計量來構建故障特征向量，充分提取信號中包含的故障信息。然而提取的圖像特征往往存在維數大、特征選擇規則模糊的問題，導致特征向量中存在冗余信息或者很多重要信息沒有得到充分應用。迄今為止，尚未見與本發明所述方法相關的文獻報道和實際應用。

發明內容

為了避免現有方法的不足，本發明的目的在于提出一種基于圖像特征和LLTSA算法的刀具磨損狀態監測方法，將圖像處理技術引入到刀具磨損狀態監測領域，提取信號的圖像特征，結合“信號降噪”、“特征提取及優化”、“模式識別”三個流程，實現刀具磨損狀態的高精度及自動化監測，解決刀具磨損狀態監測目前存在的問題。

為達到上述目的，本發明采用的技術方案為：一種基于圖像特征和LLTSA算法的刀具磨損狀態監測方法，其特征是，包括以下步驟：

第一步，將聲發射傳感器通過磁力座安裝在車床刀架上，利用聲發射傳感器采集刀具不同磨損狀態切削過程中的聲發射信號；

第二步，采用EEMD算法對采集的聲發射信號進行降噪處理，將信號分解為不同個數IMF分量，結合互相關系數與峭度組成的聯合準側篩選有效的IMF分量，重構信號獲得降噪信號；

第三步，采用S變換對降噪后信號進行時頻分析，通過時頻圖分析刀具磨損過程中信號頻率及能量變化，將S變換時頻圖像轉換為等高線灰度圖，通過灰度共生矩陣算法提取圖像紋理特征，構建原始特征向量；

第四步，進行敏感特征選擇及優化，采用基于散布矩陣評估方法選擇出對刀具磨損狀態變化敏感的特征，再通過LLTSA算法將篩選的敏感特征進行融合降維，獲得能與刀具磨損狀態建立良好映射關系的融合特征向量；

第五步，特征向量標量化，利用Lloyds算法對融合特征向量進行標量化處理，獲得標量量化后的特征序列；

第六步，利用第三步至第五步處理后獲得的不同磨損狀態樣本的特征序列分別構建初期磨損狀態離散隱馬爾可夫模型、中期磨損狀態離散隱馬爾可夫模型、后期磨損狀態離散隱馬爾可夫模型，構建一個刀具磨損狀態模型庫；