關(guān)于一種數(shù)控銑刀磨損量監(jiān)測(cè)識(shí)別新算法研究

1、    關(guān)于一種數(shù)控銑刀磨損量監(jiān)測(cè)識(shí)別新算法研究    doi：10.19392/ki.16717341.201720167摘要：目前，歐美及日本等國(guó)學(xué)者針對(duì)各種刀具磨損現(xiàn)象提出了比較多的刀具磨損監(jiān)測(cè)理論與方法，這些刀具磨損監(jiān)測(cè)方法與理論其核心思想是建立刀具磨損識(shí)別關(guān)鍵在于刀具磨損量特征值的模式識(shí)別所采用算法。本文通過(guò)對(duì)數(shù)控銑刀特征值的處理上，采用了一種支持向量機(jī)的模式識(shí)別方法，并結(jié)合目前一種最新的蝙蝠算法，對(duì)其特征值進(jìn)行參數(shù)優(yōu)化，并對(duì)比采用蝙蝠算法的支持向量機(jī)刀具磨損識(shí)別方法與不采用蝙蝠算法支持向量機(jī)的刀具磨損模式識(shí)別方法，兩者在識(shí)別效果上前者識(shí)別有效

2、性有了較大的提高。關(guān)鍵詞：數(shù)控銑刀；支持向量機(jī)；蝙蝠算法；模式識(shí)別在數(shù)控銑削加工中，其過(guò)程是通過(guò)銑刀切除多余材料來(lái)完成零件的加工，其切削特點(diǎn)為一種不連續(xù)切削過(guò)程，切削用量較大，因此銑刀極易發(fā)生破損而影響加工過(guò)程甚至導(dǎo)致零件廢品。而數(shù)控銑刀磨損的發(fā)生過(guò)程是一個(gè)動(dòng)態(tài)、細(xì)微過(guò)程，人工監(jiān)測(cè)刀具磨損很難實(shí)現(xiàn)較好的效果。為此，國(guó)內(nèi)外眾多學(xué)者對(duì)于數(shù)控銑刀具磨損量動(dòng)態(tài)實(shí)時(shí)監(jiān)測(cè)采用了多種現(xiàn)代化監(jiān)測(cè)手段來(lái)完成刀具的磨損量實(shí)時(shí)監(jiān)測(cè)來(lái)判斷刀具的磨損狀態(tài)。如國(guó)內(nèi)學(xué)者西南交通大學(xué)的劉芽車刀磨損量監(jiān)測(cè)中采用了多傳感器信息融合算法，分別應(yīng)用了bp神經(jīng)網(wǎng)絡(luò)、rbf神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)三種方法分別對(duì)刀具磨損量特征值數(shù)據(jù)進(jìn)行識(shí)別1

3、；李敏在神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上利用粒子群對(duì)神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行了優(yōu)化完成了刀具磨損量特征值數(shù)據(jù)進(jìn)行識(shí)別；聶鵬等利用elman神經(jīng)網(wǎng)絡(luò)對(duì)于刀具磨損量特征值數(shù)據(jù)進(jìn)行識(shí)別，均取得了一定的成果。特別是學(xué)者劉芽在車刀磨損量特征值數(shù)據(jù)整合中對(duì)比bp神經(jīng)網(wǎng)絡(luò)、rbf神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)三種典型的融合算法，從診斷精度、訓(xùn)練時(shí)間長(zhǎng)短、對(duì)于核函數(shù)選擇的難易性及依賴程度上進(jìn)行了對(duì)比分析，發(fā)現(xiàn)在刀具磨損量特征值數(shù)據(jù)融合眾多方法中，支持向量機(jī)診斷精度最高、訓(xùn)練時(shí)間最短、對(duì)于核函數(shù)的依賴性低，因此本文是基于支持向量機(jī)融合算法，另外國(guó)內(nèi)學(xué)者嘗試用遺傳算法、粒子群優(yōu)化算法等算法對(duì)神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行了優(yōu)化，如學(xué)者李敏通過(guò)bp神經(jīng)網(wǎng)絡(luò)與

4、粒子群優(yōu)化后的bp神經(jīng)網(wǎng)絡(luò)對(duì)同一個(gè)刀具磨損量特征值融合的兩種方法比較，發(fā)現(xiàn)兩種方法均能正確的反映刀具磨損狀態(tài)，但是兩種方法在測(cè)試樣本上的均方誤差是有差別的，粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)誤差更小，識(shí)別準(zhǔn)確率更高2。1 支持向量機(jī)方法簡(jiǎn)介支持向量機(jī)是統(tǒng)計(jì)學(xué)中用于機(jī)器學(xué)習(xí)的比較新的形式，由統(tǒng)計(jì)學(xué)中的結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則提出的，其處理核心要解決兩方面的問(wèn)題：一方面在于最優(yōu)超平面的構(gòu)造，另外一方面在于非線性問(wèn)題的處理。1.1 最優(yōu)超平面的構(gòu)造最優(yōu)分類面示意圖線性可分的最優(yōu)平面的構(gòu)造是基于這樣的定義：設(shè)兩類樣本集xi，yi，xirn，yi-1，+1，i=1，l，式中：l樣本總數(shù)；n樣本空間的維數(shù)；y為樣本的類別標(biāo)志；

5、如上圖所示，描述為二維兩類線性可分，圖中實(shí)心點(diǎn)為一類，空心點(diǎn)為另一類，并設(shè)多維空間中點(diǎn)、直線、平面，以及超平面，統(tǒng)一作為超平面，記作h，用法向量表示其方向。另外h1、h2為通過(guò)兩類樣本中離超平面最近的直線，直線與h的距離稱之為分類距離。h的表達(dá)式為：w·x+b=0（公式1）在線性可分情況下，其訓(xùn)練樣本集t=x1，y1，xl，ylx×yl，xix=rn，yiy=-1，1，i=1，l；構(gòu)造求出變量w和b的最優(yōu)化問(wèn)題：minw，b12w2（公式2）yiw·xi+b1，i=1，l求得最優(yōu)解w和b；構(gòu)造分劃超平面w·x+b=0，由此求得決策函數(shù)：fx=sgnw&#

6、183;x+b（公式3）1.2 核函數(shù)核函數(shù)方法可以解決將線性不可分的分類問(wèn)題，n維空間中的線性不可分的隨機(jī)矢量x映射到某一高維特征空間，并使高維特征空間具有對(duì)應(yīng)的線性算法，核函數(shù)不同，則支持向量機(jī)算法不同，目前核函數(shù)使用比較多的有三種。表41 常用的核函數(shù)常用的核函數(shù)公式q次多項(xiàng)式函數(shù)kx，xi=x·xi+1q徑向基函數(shù)核函數(shù)kx，xi=exp-x-xi22sigmoid函數(shù)kx，xi=tanhvx·xi+a就刀具多傳感器支持向量機(jī)研究而言，無(wú)法確定什么樣的函數(shù)為最好，因?yàn)閷?duì)于上述三種核函數(shù)甚至其他如小波函數(shù)等作為核函數(shù)，對(duì)向量機(jī)而言結(jié)果都極為相似，所以選擇哪一種核函數(shù)對(duì)

7、于向量機(jī)并不重要。1.3 支持向量機(jī)一對(duì)多分類器構(gòu)造方法考慮到本文銑刀磨損量監(jiān)測(cè)系統(tǒng)的實(shí)際情況，應(yīng)該選用一對(duì)余類算法。一對(duì)余類算法，對(duì)于k（k2）類svm分類問(wèn)題，構(gòu)造了k個(gè)兩類分類器，自然地將k分類問(wèn)題轉(zhuǎn)化為k個(gè)兩類svm分類問(wèn)題。設(shè)有l(wèi)個(gè)訓(xùn)練數(shù)據(jù)為（x1，y1），（xi，yj），其中，xird，yj1，k為xi的類別標(biāo)號(hào)，i=1，2，l。第i個(gè)svm需要解決下面的最優(yōu)化問(wèn)題：minwi，bi，i12witwi+c1j=1ij（公式4）其約束條件為：witxj+bi1-ij，yj=iwitxj+bi-1+ij，yji其中ij0；j=1，l（公式5）得到k個(gè)決策函數(shù)：w1tx+b1，wktx+

8、bk。測(cè)試x屬于決策函數(shù)輸出值最大的那一類，即x的類屬為：argmaxi=1，2，kwitx+bi（公式6）2 優(yōu)化支持向量機(jī)參數(shù)蝙蝠算法介紹2.1 支持向量機(jī)算法缺陷支持向量機(jī)方法雖然在解決小樣本問(wèn)題方面、解決維數(shù)災(zāi)難問(wèn)題方面、避免出現(xiàn)局部極小值方面體現(xiàn)了較好的泛化性，但因?yàn)榭拷?jīng)驗(yàn)選擇核函數(shù)、懲罰因子，因此工作量較大，且很難找到函數(shù)全局最優(yōu)值，使得精度方面很難提升。對(duì)于支持向量機(jī)的核函數(shù)、懲罰因子參數(shù)優(yōu)化方法的研究上，國(guó)內(nèi)外的學(xué)者主要通過(guò)一些智能方法進(jìn)行上述兩者參數(shù)的優(yōu)化，如王克奇、陸梓端等利用遺傳算法的全局尋優(yōu)、搜索能力強(qiáng)等優(yōu)點(diǎn)對(duì)核函數(shù)、懲罰因子參數(shù)進(jìn)行優(yōu)化，取得了較好的精度、優(yōu)化了計(jì)算時(shí)

9、間；國(guó)內(nèi)一些學(xué)者利用粒子群算法優(yōu)化核函數(shù)、懲罰因子參數(shù)，相比較支持向量機(jī)方法在正確性上得到了提升，因此通過(guò)各種智能算法優(yōu)化核函數(shù)、懲罰因子成為改善支持向量機(jī)分類效果的較為有效的途徑，本文基于此種方法為基本出發(fā)點(diǎn)，結(jié)合當(dāng)前比較有效的蝙蝠算法，優(yōu)化了核函數(shù)、懲罰因子，并驗(yàn)證了這種方法的可行性和更好的分類準(zhǔn)確性、穩(wěn)定性。32.2 蝙蝠算法簡(jiǎn)介蝙蝠算法誕生于2010年，是一種元啟發(fā)式優(yōu)化算法 ，簡(jiǎn)稱ba，此算法假設(shè)條件如下：每個(gè)位置xi上的蝙蝠的隨機(jī)飛行速度為vi，其頻率、響度、脈沖發(fā)射率分別為fi、ai、ri，如發(fā)現(xiàn)獵物，則對(duì)應(yīng)的fi、ai、ri會(huì)產(chǎn)生變化，從而得到獵物的方向、速度和距離。（1）蝙蝠

10、速度和位置更新公式在高維搜索空間中，xti表示t時(shí)刻第i只蝙蝠的位置，vti表示此時(shí)刻的速度，則在下一時(shí)刻蝙蝠xt+1i和vt+1i更新公式如下：fi=fmin+fmax-fmin×rand（公式7）vt+1i=vti+xti-xbest×fi（公式8）xt+1i=xti+vt+1i（公式9）式中：fi聲波的頻率；xtit時(shí)刻第i只蝙蝠的位置；vti此時(shí)刻的速度rand0，1由隨機(jī)產(chǎn)生的最佳位置，為當(dāng)前全局最優(yōu)解。（2）響度和脈沖速率a（i）和r（i）若在更新過(guò)程中發(fā)生更新迭代。a（i）趨近于零時(shí)，意味著蝙蝠i剛剛發(fā)現(xiàn)一只獵物，在接近獵物的過(guò)程中，a（i）不斷降低而r（i）

11、增加。具體更新公式如下：at+1i=×ati（公式10）rt+1i=r0i×1-expt（公式11）其中：0<0，都為常數(shù)。2.3 蝙蝠算法的支持向量機(jī)參數(shù)優(yōu)化（1）以銑刀磨損量特征值數(shù)據(jù)根據(jù)三因素正交表及新刀狀態(tài)、輕微磨損量狀態(tài)、穩(wěn)定磨損量狀態(tài)、急劇磨損狀態(tài)各按0.5：0.5設(shè)置為學(xué)習(xí)樣本集a、測(cè)試樣本集b。（2）設(shè)置算法各項(xiàng)參數(shù)如下表所示：表2 設(shè)置初始參數(shù)表參數(shù)名稱最大迭代次數(shù)n蝙蝠種群大小sol脈沖的響度a發(fā)射速率r實(shí)驗(yàn)次數(shù)ni參數(shù)值500200.250.510（3）根據(jù)經(jīng)驗(yàn)設(shè)置懲罰參數(shù)c設(shè)置范圍為10，1000，rbf核參數(shù)為0.01，10。（4）通過(guò)公式x

12、min+rand1，d×xmax-xmin初始化種群，種群維數(shù)為d=33。（5）以參數(shù)組合（c，）在訓(xùn)練樣本a上訓(xùn)練，將測(cè)試樣本在訓(xùn)練樣本a訓(xùn)練出來(lái)的模型上測(cè)試，以分類準(zhǔn)確率為適度值。（6）以下表3公式進(jìn)行脈沖頻率更新、蝙蝠飛行速度更新、蝙蝠個(gè)體的更新，從而產(chǎn)生新的蝙蝠個(gè)體。表3 更新公式1脈沖更新公式飛行速度更新公式蝙蝠個(gè)體的更新fi=fmin+fmax-fmin×randvt+1i=vti+xti-xbest×fixnewi=xold+×at（7）當(dāng)rand1>ri，rt+1i=r0i×1-expt。式中0<0，對(duì)蝙蝠最優(yōu)個(gè)體x

13、best進(jìn)行擾動(dòng)，以新個(gè)體替換當(dāng)前蝙蝠；當(dāng)rand2fxoldi時(shí)，則用蝙蝠個(gè)體替換當(dāng)前位置的舊蝙蝠個(gè)體。并用下表4中公式進(jìn)行 r（i）和a（i）更新。表4 更新公式2脈沖頻度r（i）更新公式脈沖音強(qiáng)a（i）更新公式rt+1i=r0i×1-exptat+1i=×ati（8）當(dāng)?shù)竭_(dá)最大迭代次數(shù) n時(shí)，算法流程一個(gè)循環(huán)結(jié)束，輸出最優(yōu)參數(shù)；否則轉(zhuǎn)到（4）繼續(xù)執(zhí)行。3 基于蝙蝠算法支持向量機(jī)銑刀磨損量監(jiān)測(cè)系統(tǒng)效果分析通過(guò)上述流程，得到最優(yōu)參數(shù)xbest，在支持向量機(jī)用訓(xùn)練樣本上訓(xùn)練，用訓(xùn)練的模型在測(cè)試樣本上測(cè)試。參數(shù)優(yōu)化后的支持向量機(jī)在銑刀磨損量識(shí)別方面的效果從兩個(gè)方面即迭代收斂過(guò)程、對(duì)二種（默認(rèn)參數(shù)、蝙蝠算法優(yōu)化參數(shù)）支持向量機(jī)在銑刀磨損量特征值分類的最優(yōu)分類精度進(jìn)行評(píng)價(jià)：表5為默認(rèn)參數(shù)、蝙蝠算法優(yōu)化參數(shù)支持向量機(jī)在最優(yōu)分類精度效果評(píng)價(jià)。通過(guò)表5，可以看出在基于蝙蝠算法優(yōu)化的svm的銑刀磨損量監(jiān)測(cè)系統(tǒng)在分類精度上要高于默認(rèn)參數(shù)的svm的銑刀磨損量監(jiān)測(cè)系統(tǒng)，在蝙蝠算法優(yōu)化懲罰參數(shù)c=1000，rbf核參數(shù)=0.0218時(shí)在銑刀磨損量方面的分類精度最高，達(dá)到9870%，并且比默認(rèn)參數(shù)下的支