基于机器学习机床机械加工特征信息与加工材料关联性研究

郎永存，李积元，郑佳昕

(青海大学机械工程学院，青海西宁 810016)

0 前言

随着机床智能化程度的不断提高，数控机床工作过程封闭式全闭环控制逐步得到了实现。通过对机床工作过程中主轴系统输出的振动、温度、电流等特征信息进行精确分析与判断，建立不同切削工件材料与主轴系统特性数据之间的关系模型，可实现机床在柔性加工生产线上的智能判断，并对加工材料进行切削参数的优化，使机床在加工过程中始终处于一个良好的加工状态，减少因为不良切削导致的机床故障的发生。

由于机床复杂的工作环境，采用单一信号分析的处理方法不能全面地对运行状态进行解释，利用多传感器信息采集和多信息融合技术，可以提高评估结果的置信度，多信息融合技术已经成为目前研究的热点之一。因此，文中以健康状态的机床对不同工件材料进行切削加工，同时采集不同工作状态下的机床主轴振动信号和负载电流信号，并对数据信息进行处理、特征提取和特征识别，分析特征数据信息与工件材料力学性能之间的关联关系，从而判断材料类型，为后续开展的机床健康诊断和故障判断分析研究提供基础数据。

由于采集的数据信息为2种不同类型的数据信息，为了对2种原始信号进行特征信息的提取，文中使用变分模态分解(Variational Mode Decomposition，VMD)的方法进行特征提取。变分模态分解在信号处理与特征提取的应用中适应性强、分解效率高，可有效避免端点效应与模态混叠现象。对特征信息进行识别和判断过程中，支持向量机算法是针对有限的样本训练和分类的机器学习方法，其核函数参数以及惩罚因子的选择对于预测分类精度的高低有很大的影响。为了提高SVM模型的识别判断精度，采用灰狼优化(Grey Wolf Optimization,GWO)算法对传统支持向量机算法进行优化。因此，本文作者将VMD与WMPE相结合进行信号的特征提取，应用灰狼优化的支持向量机对机床加工材料进行判别，通过对试验数据进行处理，结果表明该方法具有较好的特征提取与分类判别精度，有一定的工程研究价值。

1 基于变分模态分解与多尺度加权排列熵的特征提取方法

1.1 变分模态分解

VMD方法可实现信号的自适应分解，将信号分解过程转化为变分模型，构造一个约束变分问题并进行求解，有效避免在信号处理过程中出现虚假分量与模态混叠等问题，具体过程如下:

将原始输入信号分解为个离散的本征模态分量，将其重新定义为一个调幅-调频信号记为()，其表达式为

()=()cos()

(1)

式中：()为非递减的相位函数；()为包络函数。

对分解后的模态函数进行Hilbert变换，得到解析信号单边频谱：

(2)

对预估中心频率进行调制，可以得到如下约束变分模型：

(3)

({},{},)=

(4)

(5)

(6)

(7)

1.2 多尺度加权排列熵

多尺度加权排列熵在排列熵的基础上不仅考虑了幅值的特性，而且解决了单尺度分析的缺陷，可对复杂的时间序列进行多尺度的全面表征，具体过程如下：

设有初始长度为的一维时间序列={,=1,2,…,}，对它进行多尺度粗粒化处理,得到的时间序列为

(8)

式中：为多尺度因子。当=1，粗粒化序列为原始序列，[]表示对取整。

粗粒化后的序列{,=1,2,…,}进行维相空间重构可得：

(9)

式中：为嵌入维数；为第个重构时间分量；为延迟时间。

为了考虑时间序列的幅值信息，设置一个加权系数：

(10)

将由相空间重构后的时间序列按升序排列可以得到：

()=(,,…,),=1,2,…,(≤!)

(11)

式中：!为不同符号序列在嵌入维数下最大的排列数。

计算任意一个()出现的概率(=1,2,…,),计算任意符号序列的香农熵值即可得到序列的多尺度加权排列熵值：

(12)

1.3 特征提取方法

主轴振动信号和主轴负载电流信号包含主轴在切削过程中不同状态空间的信息，将两类信息进行融合利用可实现异类信息之间的互补。只是将两类信息进行数据级融合并提取特征信息构建特征向量进行识别判断，将带来信息冗余和维数爆炸等负面效果。因此文中使用VMD与MWPE相结合的方式分别提取振动信号与电流信号的特征信息进行特征级信息融合。图1所示为特征提取方法的流程，具体步骤如下：

图1 特征提取流程

(1)对主轴原始振动信号与负载电流信号进行VMD分解，分别得到个IMF；

(2)计算分解后的每一个IMF的多尺度加权排列熵(MWPE)，进一步提取特征信息；

(3)将2种信号的MWPE并行组合进行特征级信息融合，构造高维特征向量；

(4)利用t-SNE流行学习算法对高维特征集进行维数约简，去除冗余特征。

2 基于GWO算法优化的SVM

2.1 GWO算法

灰狼优化(GWO)算法通过模拟大自然中狼群的等级制度与捕食活动，进行迭代寻优的智能算法。设有狼群集合={,,…,}，狼群数量为。将狼群组合分割为θ、β、σ、ω 4组，其中θ组是个体适应度最大的狼群，代表最优解；β、σ组狼群个体适应度次之，代表次优解；其余狼群个体为ω组。由θ、β、σ 3组狼开展捕食活动，ω组则进行跟踪围剿。所要求解的适应度函数为=()，狼群中第只狼在空间搜索为的位置可以表示为={1,2,…,}。求出每一个灰狼的适应度值，适应度前三的个体为θ、β、σ。以它们的位置作为基准更新迭代下一个位置，从而实现对猎物的捕获，个体与猎物之间的距离为

=|·()-()|

(13)

式中：为个体与猎物之间的距离；为随机系数向量；代表猎物位置；代表灰狼个体的位置。

灰狼个体更新的方式为

(+1)=p()-·

(14)

=2·-

(15)

=2

(16)

=2-2()

(17)

式中:与为随机系数向量；和为[0,1]内的随机向量；为最大迭代次数；为收敛因子。

ω组狼群则可由距离食物最近的θ、β、σ组狼群的位置推算出猎物的位置，其数学表达如下：

(18)

式中：、、分别为θ、β、σ组狼群的当前位置；()表示当前灰狼的位置；、、为θ、β、σ的系数矢量。

通过不断地迭代更新，又按照对最终狼群的自适应度重新分配了等级。最终，全局最优解为输出θ狼的位置。

2.2 基于GWO算法优化的SVM

SVM具有出色的学习能力，针对有限样本、非线性以及高维数等问题时，其决策分类具有更强的泛化能力与较好的鲁棒性。基于GWO方法在全局搜索方面具有效率高、收敛性好等优势，文中将它用于对SVM惩罚因子与核函数参数的优化。基于GWO的SVM参数优化过程如图2所示。

图2 GWO优化SVM流程

3 试验与结果分析

3.1 信号采集

该研究试验平台为某企业生产的XK7145型数控铣床。通过华中数控的SSTT采集系统与机床主轴上加装的三向加速度传感器分别测量机床主轴在空转和铣削过程中的主轴负载电流信号与振动信号，试验现场如图3所示。机床铣削加工的3种金属分别为：6061-T6铝、铣削45钢和铣削HT250灰口铸铁。

图3 试验现场

此次铣削试验采用4因素4水平的正交试验，4个因素分别为主轴转速、进给量、背吃刀量和径向切深，水平因素如表1所示。

表1 各金属铣削水平因素

通过上述试验方案对机床加工常用的3种金属在各自最佳切削方案下完成试验，并获取切削状态下主轴振动信号和负载电流信号。4种铣削状态下主轴的振动信号与负载电流信号部分时域波形如图4所示。

图4 信号时域波形图

3.2 特征提取

首先，对4种状态铣削时的主轴电流信号与主轴、、3个方向的振动信号进行VMD分解。其中，振动信号每种状态选取60组，电流信号每种状态选取40组，每组数据长度为2 048。选取不同的值进行VMD分解，通过观察分解后各IMF的中心频率，确定2种信号VMD分解层数=4最为合适，设置惩罚因子为2 000。振动信号与电流信号VMD分解后得到的4个模态分量如图5所示。

图5 模态分解结果

其次，为进一步提取各IMF之中的特征信息，计算振动信号与电流信号VMD分解后各IMF的多尺度加权排列熵，构建新的特征向量。根据文献[15-16]的查阅,多尺度加权排列熵预设嵌入维数为3，尺度因子为16。将对应的主轴负载电流信号各IMF的多尺度加权排列熵与对应的振动信号各IMF多尺度加权排列熵并行叠加进行融合，得到高维特征向量集。

最后，为消除高维特征向量中的冗余特征，对新构造的特征向量使用t-SEN降维的方法进一步处理，将高维特征向量将至三维，实现特征向量的降维与特征信息的有效融合，降维结果如图6所示。

图6 基于t-SNE的特征向量降维

3.3 模式识别

进一步对特征向量进行分类，从而实现根据机床主轴输出的特征数据信息识别判断所加工工件材料类型。将构建的特征向量分为训练集与测试集，输入GWO-SVM模型进行训练和测试，对机床4种加工状态及材料类型进行识别判断，各铣削状态标签作为输出，如表2所示。

表2 工作状态类别标签

运用GWO优化算法对SVM中最优惩罚因子和最优核参数进行参数寻优，最大迭代次数为100，种群规模为10，惩罚因子取值范围为[0,100]，核参数的取值范围为[0,5]，寻优过程如图7所示。

图7 基于灰狼优化寻优图

由图7可以看出:当核参数的取值越靠近5寻优精度越高，越靠近0寻优精度越低。因此在此次试验中选择=4.881 2，=93.595 6。整体试验预测精度最高可以达到98%以上，分类结果如图8所示。

图8 基于信息融合测试分类

为了验证GWO-SVM分类方法的优越性，分别建立BPNN、SVM和GA-SVM 3种模型，对4种样本数据进行测试与分类，分类结果如表3所示。综合对比发现:无优化SVM模型识别精度高于无优化神经网络模型；GA优化SVM模型识别精度相较于无优化SVM模型有2.57%的提升；GWO优化SVM模型的识别精度与无优化SVM模型相比提高了6.84%。从对比结果可以看出，在加工机床常用工件材料自动识别的问题中，基于信息融合特征提取降维与GWO-SVM相结合的算法能够有效识别出机床加工状态和正在加工的材料种类。

表3 基于不同分类方法的分类精度比较

4 结论

文中提出了一种根据机床加工过程中主轴输出的特征信息对机床加工材料类型进行判断的方法。该方法通过VMD与MWPE相结合的方法提取机床主轴振动信号与主轴负载电流信号特征信息，进行特征级的信息融合构建特征向量；采用基于GWO优化方法对传统的支持向量机算法进行惩罚参数和核函数参数的优化，优化后的支持向量机算法相较于原始支持向量机算法的准确率有大幅度提升，验证了文中所提出的方法在分类精度上有较大优势。

建立不同切削工件材料与主轴系统特性数据之间的关系模型，随着关系模型的不断完善，通过机床的切削状态就可以对机床主轴系统的健康进行实时的监测，在主轴系统发生故障之前发出预警，对后续机床主要部件的实时健康状态监测提供了基础。

但是，在实际加工过程中，机床加工的材料种类很多，文中仅使用了3种常用的不同材料金属进行判断，未能对不锈钢、钛合金等多种金属进行试验并做判断。并且使用的3种金属材料物化性能差异较大，并未对同种类不同牌号金属进行更为细节的分类判断。在后续工作中可对工件振动信号、噪声信号等信号进行更加全面的信息特征提取，以达到更加精准的判断。