Vol. 26 No. 11Nov. 2 0 2 0
第26卷第11期2 0 2 0年11月
计"机集成制造系统
Computer Integrated Manufacturing Systems
DOI 10. 13196/j. cims. 2020. 11. 013
基于核主成分和灰狼优化算法的刀具磨损状态识别
廖小平13，黎宇嘉X陈超逸X张振坤X鲁 娟12+，马俊燕1，薛 斌2
(1广西大学机械工程学院，广西 南宁530004；
2•广西船舶数字化设计与先进制造工程技术研究中心(北部湾大学)，广西 钦州535011；
3.广西大学广西制造系统及先进制造重点实验室，广西南宁530004)
摘 要：为了提高刀具磨损状态实时监控的准确性和泛化能力，提出一种基于切削力特征间接识别刀具磨
损 状态的方法。该方法建立了切削力信号与刀具磨损的非线性映射关系，并进行刀具生命周期内的性能试验，采集
切削力信号，提取信号的时域、频域和小波域特征，采用核主成分分析法进行数据降维，利用灰狼优化的支持向量
机得到刀具磨损的分类等级。最后与其他文献中的方法进行对比，结果表明该模型能够更准确地反映刀具的磨损 状态，具有较高的泛化能力。
关键词：刀具状态识别；核主成分分析；切削力特征；支持向量机；灰狼优化算法
中图分类号:TH17；TG547
文献标识码：A
Tool wear condition recognition bad on kernel principal component and
grey wolf optimizer algorithm
LIAOXa ”ng 1 , LIYujia 1 , CHEN Chaoyi 1 , ZHANGZhenkun 1 , LUJuan 1Z+ , MAJunyan 1 , XUEBin 2
(1. College of Mechanical Engineering , Guangxi University, Nanning 530004, China ；
2. Guangxi Engineering Technology Rearch Center of Marine Digital Design and Advanced Manufacturing
(Beibu Gulf University ) , Qinzhou 535011, China ；
3. Guangxi Key Laboratory of ManufacturingSystems and Advanced ManufacturingTechnology #
Guangxi University, Nanning 530004, China)
Abstract ：To improve the accuracy and generalization ability of real-time monitoring of tool wear state, a method
badoncu t ingforcecharacteristicstoindirectlyidentifytoolwearstatewaspropod #whichestablishedanon-lin- earmappingrelationshipbetweencu t ingforcesignalandtoolwear.Toolperformancetestintoollifecyclewasop-
eratedtoco l ectcu t ingforcesignals #andthetimedomain #frequencydomainandwaveletdomainfeaturesofsignals wereextracted.Thedimensionalityreductionfe
aturesofthedatawithkernelprincipalcomponentanalysisweree- valuated #andtheclassificationgradeoftoolwearwasobtainedbyusingthesupportvectormachineclassifieropti-
mizedofgreywolfoptimizationalgorithm.Comparedwithothermethodsintheliteratures #theexperimentalresults
showedthatthepropod modelcouldreflectthetoolwearstatemoreaccuratelyandhadhighergeneralizationability. Keywords :tool wear state recognition ； kernel principal component analysis ； cutting force characteristics ； support
vectormachine ； greywolfoptimizeralgorithm
收稿日期：2019-03-06 ；修订日期：2019-05-23" Received 06 Mar. 2019 ； accepted 23 May 2019.
基金项目：国家自然科学基金资助项目$1665005%广西研究生教育创新计划资助项目(YCBZ2017015)广西高校临海机械装备设计制造及控
制重点实验室资助项目(GXLH2016ZD06)广西制造系统与先进制造技术重点实验室(幵放基金或基金)
资助项目(17-259- 05S008)；广西自然科学基金资助项目(2016GXNSFBA380214)。Foundation items ： Project supported by the National Natural Science
FoundaMion ,China (No.51665005),MheInnovaMionProgramofGuangxiGraduaMeEducaion ,China (No.YCBZ2017015),MheGuan-
gxi Colleges and Universities Key Laboratory Breeding Ba of Coastal Mechanical Equipment Design, and Manufacturing and Con trol , China(No. GXLH2016ZD-06) , the Key Laboratory of Manufacturing System dAdvanced Manufacturing Technology , China (NO.17-259-05S008)#andtheNaturalScienceFOundatiOnOfGuangxiPrOvince #China (NO.2016GXNSFBA380214).
3032计算机集成制造系统第26卷
0引言
作为切削过程的执行者，刀具在加工过程中不可避免地存在磨损和破损，统计表明，刀具失效导致的换刀时间占整个停机时间的20%'1（，这与低成本、高效率、高质量的现代加工理念不符。因此，准确快速地识别刀具的磨损状态，对调整加工参数和及时更换刀具意义重大。
目前刀具状态识别常用的方法有基于图像处理法2和基于数据模型法［3］…关于基于图像处理的方法，Daddona等⑷基于车削刀具的标准图像，利用误差反向传播神经网络对刀具磨损状态进行评估。然而，刀具在铳削过程中做高速旋转运动，实时获取刀具磨损图像存在一定困难，因此基于图像处理法具有局限性。属于间接监测的基于数据模型法更适用于不同工况下的识别。库祥臣等5通过振动信号，用误差反向传播神经网络完成了刀具磨损监测；李聪波等考虑加工参数对切削功率的影响，提出一种实时更新切削功率阈值的刀具磨损状态在线监测方法，成功监测了刀具磨损情况）Kong等⑴用核主成分降维和支持向量机（Support Vector Machine，SVM）回归成功建立了切削力特征和车刀后刀面磨损之间的非线性映射关系，精确实现了车刀磨损的回归预测。
通过上述文献可知，基于数据模型的刀具状态识别方法主要通过采集与刀具磨损相关的信号（如振动、电流功率和切削力等）对数据进行分析处理，并采用机器学习算法（如神经网络、SVM等）预测刀具磨损情况。在监测刀具磨损的传感器信号中，用于测量振动的加速度传感器因布线不方便而会影响机床工作台运动和安全门关闭；主轴电流功率信号虽然容易测量且不易受加工过程影响，但是其信号与刀具磨损的相关程度不高。相比前两种信号，切削力信号对切削过程的微细变化更敏感，可以为所建立的刀具磨损识别模型提供相关性很强的辅助信息间。对监测的信号特征进行降维处理是刀具磨损识别的关键，若不对输入预测模型的信号特征进行降维处理，则容易引起信息冗余，导致模型预测不准确。谢楠等'9（和赵帅等'10（将主成分特征降维与分类模型结合，精确获取了刀具磨损分类等级；
戴稳等'11（用深度学习特征降维与SVM结合，准确预测了刀具磨损；高智勇等'12（和Kong等'13（分别提出基于集成爛的核主成分分析（Kernel Principal Com-ponentAnalysis，KPCA）基于向基数的核主成分分析，实现电的刀磨损状态的准确识别，相比于其他降维方法，KPCA可以更好地对非线性特征进行降维，因此广泛应用于非线性数据降维。目前常用的状态识别模型有SVM和神经网络模型，SVM是一种基于最小化结构准则的机器学习方法［14］，相比神经网络模型在训练效率、测试效率、过拟合和算法参数调整4个方面具有优势，因此被广泛用于刀具磨损状态识别。SVM中的惩罚系数c和核参数g决定着模型的识别精度，然而目前尚无统一的理论或标准来指导选择，常用智能优化算法对具体问题行进寻优求解。在目前的优化算法中，网格搜索（Grid Search，GS）、基因遗传和人工蜂群等算法在优化SVM参数上的应用比较广泛。灰狼优化算法（Grey Wolf Optimizer algorithm，GWO）是一种新兴的智能算法，其原理简单、控制参数少、容易实现且全局性能好，因此在优化参数方面有很好的应用［15］，将其应用于SVM参数寻优是一种有益的尝试。
基于上述分析，本文提出一种基于KPCA与GWO的SVM的刀具状态识别方法，分析了核主成分将削征降维的成分与刀磨损的相关性，并与其他文献的方法进行对比来验证其效果。首先通过加工过程中的刀具性能试验采集刀具有效生命周期过程的切削力信号，提取信号样本的主要时域、频域和小波域特征，通过KPCA进行降维处理，避免了高维非线性特征数据的复杂性，弱化了信号中的噪声分量特征。为了识别刀具磨损状态，采GWO化的SVM分类刀磨损
型，对测试数据的降维特征进行评估，得到刀具磨损的等级。最后对比了GS优化算法和基因遗传、PCA降维方法SVM分类的与文KP-CA-GWO-SVM在时精度上的果，证明了本文KPCA-GWO-SVM模型的优越性。
1刀具磨损状态识别流程
刀磨损的实现1示，首先基于时域、频域、小波分析提取所采集的三向切削力信号的84个信号特征并进行核主成分分析，获得与磨损关联度高的信号特征，最后使用基于灰狼优化的SVM对刀具状态进行识别。本文主要研究模型中基于KPCA的特征提取和灰狼优化的SVM状态识别。
第11期廖小平等：基于核主成分和灰狼优化算法的刀具磨损状态识别3033机床加工信号采集特征提取状态识别
丫厂7(走刀方向) Jz
工控机时域分析
数据采集卡
天津新东方泡泡英语电荷放大器
频域分析万宝路英文
小波分析
特征降维
灰狼优化的
支持向量机
(GWO-SVM)
刀具磨损
状态信息
图1刀具磨损状态检测流程
2刀具磨损状态识别方法
2.1核主成分分析的数据降维方法
KPCA是一种对非线性数据的特征进行降维的手段「16(，该方法的数理是先将低维线性可分①投影到高维特征F使性可分，对高维特征主成分分析，筛除方差贡献小的特征来完成降维。假设特征
好听的儿童歌曲中心化，则特征F方差:
C=丄%((#2)((#,)T。(1)
i=1
协方差矩阵分解得到特征向量V和特征值A，满足A V=C V且有V=引入n阶核矩
i=1
阵K，其i行j列个元素=〈①(#i),((#j)〉，对于在核空间的征(C#k)，有nAa=Ka。最，新的点#征F的特征向量V 得，即
<v((x t)>+%几〈((#),((忑)〉+K o
i=1k=1
(2)
特征空间的样本信号很难满足中心化条件，因此对特征中心化处理，中心化后核映得到的核K的第i行第j列元素「17(
K好+&—=—"j+"=(3)若A2为中心化后核K分解的特征值，则将A*降序排列，假设前k个主成分所包含的全信息的为累积方差贡献率ratio，则有
在d维的一列数中#k征大于后d—k征值，则数据可以投到前k个特征向量来精达，其中k取决于贡献率设置的阈值。
2.2GWO-SVM的状态识别方法
2.2.1支持向量机分类
C-SVM被于二分类问题，该识别方法通过将样本特征到一维立一平面到征点的最大，其目标函数为式(5)，分类为式(6)，导可参考文献［14(。
min1''+C%!。(5)
2n i=1
<&('t((#2)+0)31—!,
!3°,i=1,…,n;
f(x)=sgn(［%y z a K(x z,x))+0)。(6)
i=1
其中：惩罚参数c((0,k)控制分类间隔大小和分类误差之间的平衡［18(，对 的建立有重要的;K(x t,x)为核函数，核函数中的核参数g影响与的速度。，为较好的识，需对C-SVM的数(c,g)化。2.2.2灰狼优化算法
GWO算法最早由Mirjalili等［19(于2014年提出，具有原理、控制参数少、容易实现且全局性能好等优点，本文采算法确定C-SVM参数c和g的。GWO算法的主要步骤包括计算狼之的(式(7))和更新子代狼(式(8))：
D=C・X”t—X⑺；(7)
X(t+1)+X”(t)—A・D"(8)式中：C=2厂1,1为［0,1(之间的随机数；A=2a・q2—a,a为收敛因子,a=2—2(t/Itrr^x),I t rr；ax为最大迭代次数，厂为［0,1(之间的数。狩猎I 包括狼群靠拢、捕食(式(9)〜式(11))和更代位置(式(12)〜式(15))：
D=\C1・X a(t)—X(t)；(9)
D a=\C2・X$⑺一X⑺；(10
)
3034计算机集成制造系统第26卷
D#=C3・X s tt)-Xtt)o(11)个刀具磨损样本经过KPCA降维处理后得到的样X1=X#—A1•D#；(12)#i(R1X k@i为刀具磨损的第i个标签。SVM
X2=X$—A2・D$；(13)的分类精度为GWO的适应度指标，根应度值
X3=X!—A3・D!；(14)划分狼群等级(#,$,!,.)o适应度Ft91—，
y t+y f
rohypnol其中y t为分类正确的个数,y f为分类错误的个数。
X(+1)=X1十―o(15)
式中X分别表示狼###的当前位置;C1, C2C3分别表示对###的随机扰动；X1,X2,X3分别表示###对其他狼.指导后更新的位置;x$+
1)表示子代灰狼最终的。
2.2.3灰狼优化支持向量机模型的构建
本文采用GWO算法寻找C-SVM中最优的内部参数定C-SVM，从而准刀具磨损。基于KPCA的特征降维，获得GWO的SVM(GWO-SVM)分类的变量，并将数据集划分为训练集和测试集，训练集用于得GWO-SVM分类，测试集用于分类。GWO-SVM 的述如下：
(1)设定狼群数n和最大迭代次数Iter^x，将SVM的数c和核参数g作为狼群彳
的二维坐标，化c,g。
(2)采用训练集D9{(#1，Y1)，・・・，(#n，Y n)3
missyou是什么意思
$)计算收敛因子a，狼群经过式(9)〜式(15)靠拢猎物、进行捕食并更代，计算更'的适应度值，记录当前代数的最优适应度值Ft et若Ft bet〉Ft$狼的适应度位置)，则将#狼的适应度值更新为Fi bs，并记录相应的；若FfFi best'Fi#，则将Ft best赋值给$，同时也将相应的位置更新给$狼；若Ft V Ft best V Ft$，则将Ft best和相应的更新给!狼。可见，#狼的位置为迭代到当前代数、种群搜索到的。
(4)达到最大迭代次数或全局时得到最优
核数将为C-SVM的数集D建立相应的，并集I
GWO-SVM分类2的
部分所示，为文方便表示，将外KPCA特征降维与GWO-SVM的方法称为
(R n X k X&)训练SVM，其中：#i为特征提取后第i KPCA-GWO-SVM
o
第11期廖小平等：基于核主成分和灰狼优化算法的刀具磨损状态识别3035
韦博英语培训怎么样3试验设计与数据处理
3.1试验设备介绍
本试验选用VDL-600A数控加工中心、JR-YDCL-(05B电式三、金相显微镜等设备搭建试验平台，如图3所示。加工中心的主轴电机功率为7.5kW/11kW，最大标准扭矩为47.7N・m/70.5N・m o采用型号为AXIO SCOPE A1的金相显微镜测量刀具磨损情况，记录H刀两个刀刃后刀面的磨损值，并将磨损为刀具的当前磨损量o
图3试验平台图
本试验中使用的刀具为V钢涂层整体硬质合金铳刀，工件材料为AISI1045，尺寸为80X50X40
(mm)，所用的切削参数为：主轴转速K947.12m/ min，进给速度f90.2mm/r，轴向切深a p91.0 mm，径向切深a e95.0mm。每次走刀结束，将铳刀从下观察后刀面，对其拍照并测量和记录后刀面磨损值。数据采集卡的通信方式为USB/PCI/I，加工时器安装在台上。
3.2试验数据的处理
进行完108组铳削加工后，得到刀具生命周期的三向削数刀刀面磨损数#为
诉诸
海量的数经理到分类
会增加运算时间，不相关信号还会精度，所以需要对数理。数理主要包括磨损标签分类、提削力信征、特征提的归一化和标准化、测试集集分组，以及对应分组数据集的降维。
分类标签于记录分类。对刀磨损状态的划分以后刀面B区的平均磨损宽度V；9 0.3mm为界，当VB>0.3mm时为刀损，VB V0.3mm时为正常磨损囚，一次走刀80mm，每次走完测量一次磨损值。刀具磨损经常磨损到损的#将常磨损记为第一类#标签
为1，破损记为第二类，标签为一1。
为提取较全面的切削力信征，根据文献［20］提削力3个方向的时域、频域和小信即、均方根值、峰值、方根、方差、偏度、X度、峰9个时域信征，重心频率、均方频率和频率方差*个频征，以及采用db1小波包进行4层分解提取的S401〜S416共16个小征，上述统计量的表达1所示。
表1时频域的统计参数和表达式
征达
波形S9/丄十
S—#m n%
C9#peak/
峰值_
重心
FC9
rich4"
0f=(f)d f
频率*s(f)d f
方f=(f)
d f
MSF90
*0
频
频
I"(f—FC)=(f)d f
方差
VF—j0
4"
=(f)d f
购物愉快
小波包
S4&1〜S416
特征
特征达
均值
n
<91%#
均方根
9槡槡%#
峰
1m
#peak9%#j
j=1
方根
幅值
#严(4%槡
方差*91%(#-<)
偏度
1n(#—<)
X度
“n%
(#z—<)4/#6s
在提取84组特征后，对所提取的特征在［0,1(上一化处理。标签的奇数次的样本数据为集(54组)，偶
数次为集(54组)，为信息冗余，以降低GWO-SVM的输入征，减少算法的时间，采用KPCA程序对提并分的数降维，此时涉及到KPCA中数的降维的设置。斯径向基核数(RadialBasisFunction RBF)为
数，表达式为&,#j)9exp0—(8#i—#j82/ 2/))，其中核参数"对降维信息的性和分类结果的容忽视，通过更数多次运行程序，当2/3106或2/&102时，
surgery用降维后的数
