基于隐马尔可夫模型的钻头状态检测

本资料包含pdf文件1个，下载需要1积分

Monitoring of Drilling Tool Status Based on HMMAO Yinhui(School of Mechanical and Electrical Engineering，Guangdong University of Technology，Guangzhou Guangdong 510090，China)Abstract：Driling is a common machining method in machiner)r. On line detection of signals related to the drill wear conditionwas needed in time to judge the weal"status of dril bit and prevent the breakage and chipping of drill bit to appear，and tools changingwere reminded in time.Whereas the spindle motor current was closely related to the cuting force，and could be easily obtained at low-er cost in characteristics，after using curent sensor to detect the spindle curent，the filtering of Wavelet Transform was carried out，and then after decomposing again，the energy features of each node were extracted，and by using the Hidden Markov Mode(HMM)，the status of tool bit was detected. Experimental results show that the present method can efectively detect excessive wear and remindtools changing in time，SO as to ensure norm al machining process。

Keywords：Drilling；Hidden Markov Model；Wavelet transform作为最常使用的机械加工方法之-，钻孔加工的质量如孔径和孔壁光洁度很大程度上受到钻头磨损状态的影响。目前检测刀具磨损程度的方法分为直接检测和间接检测两种。直接检测即为直接测量磨损量，那种将刀具从夹具中取下后进行离线检测的方法需要中断加工过程，不能实现自动生产。目前也有利用机器视觉技术通过对钻头照像后进行图象处理的方法来识别钻头磨损程度，但受到经济性、准确性的制约，该方法尚不实用 。间接检测是通过检测加工过程中的其他物理量变化来间接判断磨损程度。切削力和主轴力矩与切削过程紧密关联 。当刀具磨损增加时，切削力会随之增加。但是在工业生产现巢装力传感器成本较高，并可能影响加工性能 (需要专用夹具，改变了整体装夹结构)。振动和声发射 AE(AcousticEmision)也被用于状态检测，但振动对机器加工过程的噪声过于敏感，AE方法也有信号衰减和安装困难等问题。主轴电流信号在大多数加工中心上都很容易获得，许多学者也对使用电流检测进行了-定的研究 。 。使用电流信号的时间域特征 在磨损量变化较大时不能及时反映出来，因此需要结合频率域特征进行分析，如文献 [1，3，6]。小波变换 WT(Wavelet Transform)可用来进行时-频域特征分析，以诊断刀具断裂故障 。Louis ALFONSO研究了-种利用小波变换处理电流信号的方法 ，但其变换阶是主观设定的，直接使用相关特征进行判别，只能给出磨损量的大致变化。

在状态识别中，另-个重要的步骤就是在提取特征的基础上建立可靠的状态分类系统。隐马尔可夫模型HMM作为-种对信号变化的统计特性进行描述的数学工具，具有较强的时间序列建模能力。HMM基于概率来描述-个随机过程，其学习与分类的可解释性远胜于神经网络 。作者提出采用小波变换提扔工过程电流信号特征，结合HMM对小波信号能量特征进行识别，从而实时推断刀具磨损状态的方法。利收稿日期：2011-01-04基金项目：国家自然科学基金资助项 目 (51275093)作者简介：敖银辉 (1973-)，男，博士，副教授 ，主要研究方向为机械动力学和故障诊断，机电设备及 自动化控制系统等。E-mail：yinhuiok###tom.com。

第5期 敖银辉：基于隐马尔可夫模型的钻头状态检测 ·19·用电流传感器获得主轴电流信号，并经过小波滤波和变换后，应用更鲁棒的wT系数信号的能量 作为识别特征，并输入到经过训练的三类退化程度的HMM模型，输出概率最大的模型所代表的状态即为钻头所处的状态。实验结果表明，基于小波变换的电流检测数据处理和HMM模式识别方法能有效地诊断出钻头的磨损状态。

1 小波变换与特征提取利用电流传感器信号检测到的主轴电流信号包含有机器环境的噪声。首先使用-个低通滤波器滤除掉高频噪声。低通滤波器不能消除所有的噪声部分，因此可使用小波变换对数据进-步滤波处理，增强真实切削所对应的电流信号部分。

小波变换已被应用于许多信号处理领域。小波系数代表了不同时间-频率处的信号强度。 的基础是小波基函数 (t)以及对 (t)进行时间平移和尺度放大而得到的小波函数族 。. (t)：(f)砂f ) (1) √口 、 Ⅱ其中：a是尺度参数；b是时间平移参数。

信号 (t)的小波变换定义为：(口，b)I (t) (t) (2)其中 (t)是 (t)的复共轭函数。当固定尺度。时，小波系数 W(a，b)可看作平移参数 b的函数。因此 o，b同时变化时，小波系数构成了信号(f)在时间-频率域上的强度图谱。由于WT可提取信号的时间-频率域的特征，因此可用于多分辨率分析。

在用计算机计算 W(o，b)前，需要对参数 (o，b)进行离散化。这里使用常用的 Dyadic离散化方法，即融2 ，bk2J，，k∈Z。则得离散小波变换：cmI ( ) ： (t) (3)MALLAT 证 明对 于 (t)，存 在 唯- 函数(t)，使得2 ( )，二 l (t) (4)其中d 是尺度系数，可看作原信号 (t)的-个采样近似，它保留了原信号 (t)的低频成份，小波系数cj 代表了信号 (t)的细节部分 (高频成份)。

在每个分辨率，小波系数和尺度系数可由式 (5)得到：fcjl1 ∑g En-2 (5)I ∑h En-2其中h和g是对应于函数 及西的序列。

信号 可分解成小波系数和尺度系数，反过来说，信号也可以由这些系数重构而来。如果在重构前，我们按照-定阈值规则，修改某些系数值，从而削减或消除某些信号成份 (如噪声)在重构后的信号中的比重，则可以达到降低噪声，提高信噪比的作用。利用wT进行滤波的步骤可概括为：(1)选择最大变换阶 Ⅳ，计算各系数值 dⅢcj 1， ，Ⅳ。

(2)对于细节性系数cm，应用阈限方法调整各cj 1，，Ⅳ(小于阈值的系数将被赋于零值)。

(3)信号重构，利用第 (1)步得到的逼近系数dm， 1，，Ⅳ和第二步的细节系数c 重构信号。

经过了低通滤波和基于WT的二次滤波后，就得到了-个信噪比较高的电流信号序列。为了获得钻头的磨损和断裂的信息，需要从该时间序列中提认适的特征来表示当前钻削加工的状态。

将平滑去噪后的时间序列再次进行1到 阶的小波变换。鉴于小波系数的能量更能反映信号的特征 ，使用式 (6)节点能量作为指示状态的特征：(6)节点能量测量包含了特定频率带上的信号能量信息。由于刀具状态变化的有效信号主要包含在高频段，因此取最能反映磨损特征的前四级 (ej√1，2，3，4)作为识别特征。

2 利用 HMM识别刀具磨损原理隐 Markov模型 (HMM)是在 Markov链 的基础上发展而来的。它可以描述-个真实状态不可观测的随机过程。系统输出的可观测值与状态之间依某种统计规律相联系，状态之间的变迁服从马尔可夫过程。

- 个 HMM模型可以记为 A (仃，A， ，Ⅳ， )，其中Ⅳ表示模型中Markov链的状态数目；M表示每个状态对应的可能的观测值数目；仃表示初始概率分布矢量；A表示状态转移概率矩阵；B表示观测值概率矩阵。

HMM 3个基本问题的求解方法有如下3种算法：(1)前向-后向算法：解决计算观测序列 OO。，O：，，O 在给定模型A下的概率P(O/A)，即HMM的概率推理问题 ；(2)Viterbi算法：解决给定-个模型A和观测序列OO，，O：，，O ，在最佳意义上确定此观测序列对应的状态序列，即HMM的解码问题；(3)Baum-Welch算法：用于解决 HMM的训练问题，即HMM的参数估计问题。

首先将刀具状态定义为新刀、-般磨损刀、过度磨损· 2O· 机床与液压 第 4l卷刀3种状态，分别对应于 HMM 模型的 3个状态(N3)。为简单起见，将观测出的特征值抑为 3类 (M 3)，分别对应刀具的3个状态。对每种状态都建立-个单独的 HMM模型 A (i1，2，3)，其参数使用 Baum-Welch算法通过多个已知对应状态的特征序列进行训练估算。训练完成后，将未知状态的特征序列输入模型 A ( 1，2，3)，则可利用前向-后向算法计算各模型输出的概率 P(O/A )，具有最大输出概率的模型所对应的状态即可判定为刀具的磨损状态。

小信 低 波 特号- 频 - 变 - 征采 滤 换 提集 波 滤 取波图 1 HMM识别刀具磨损状态的原理3 实验与数据分析实验在 Mori Seiki TV30立式加工中心上进行。安装 Honeywel闭环电流传感器 (应用了霍尔元件)检测主轴电流，数据采集系统使用 NI的Labview虚拟仪器系统。这里使用其中的两次实验来互相验证文中所述方法：实验1中，钻头在钻250个孔后出现过度lO·80·60·4螽仉O- 0·2-0·4-O·6.0.82l510.5《媛 0- 0.5- 1- 1.5. 20 100 200 300 400 500数据采样点(Ii)正常刀具加工时的原始信号0 100 200 300 400 500数据采样点(c)刀具磨损后获得的原始信号磨损，并在钻280个孔后断裂。实验2的钻头则在钻150个孔后就出现了豁口，在钻 180个孔后断裂。

在线检测系统应能够在无人工干预条件下 自动获取数据，计算出相关特征，然后识别出当前钻头状态。采样获得的原始数据中包含有大量非加工过程的信息 (如手动停机、装卸工件等过程)，为正确识别出磨损状态，必须首先从原始数据中提取出有用的加工过程信息。对于固定的采样频率 (250Hz)，工件厚度 (如 18 mm)和已设定的进给速度(24 min/min)，可计算出在-次钻孔过程中有效钻1 o削时的采集数据长度 IO×250×6011 250。通常真二叶 实加工过程的力或消耗的电流量要大于机器闲置时的采样数值，因此可以利用-个宽度为 11 250的滑动窗 口自动搜寻加工起始和终止点。当窗 口内的数值点的RMS均方根值达到局部最大时，可认为窗口内的数据点包含了本次钻孔的真实记录，然后对此有效数据可采取低通及 wT滤波处理。图2(a)是正常刀具加工获得的信号，图2(C)是经过了150个孔后的刀具获得的信号～这两个原始信号进行低频滤波和wT滤波，可分别得到图2(b)和图2(d)的信号。

0·50·40·3O·2螽0脚 0- O·1 0·2 0·3. 0.40 100 200 300 400 500数据采样点(b)对正常刀具下的原始信号进行wT滤波后的信号1.510.5≤避 0- 0.5- 1. 1.50 100 200 300 400 500数据采样点(d)磨损后的信号经过WT滤波后信号图2 主轴电流信号