CN110598299B - 一种基于传感器融合与深度学习的表面完整性评价方法 - Google Patents

Abstract

本发明涉及机械加工领域，具体涉及基于多传感器融合与深度学习算法的表面完整性表征参数评价方法，本发明包括设置在铣床工作台上的测力仪传感器、压板、振动传感器、夹具、立铣刀、测温传感器和工件，所述测力仪传感器通过压板设置在铣床工作台上，所述铣床工作台设有T型槽，本发明能同时进行直线铣削、凸圆弧铣削、凹圆弧铣削以及槽铣削，能够获得不同的工艺特征与表面完整性表征参数之间的影响规律；本发明利用灰色关联分析将表面完整性多个表征参数转换为用灰色关联值表示的单个表征参数，从总体上，实现了表面完整性的评价。

Description

一种基于传感器融合与深度学习的表面完整性评价方法

技术领域

本发明涉及机械加工领域，具体涉及基于多传感器融合与深度学习算法的表面完整性表征参数评价方法。

背景技术

表面完整性是表征、评价和控制加工制造过程中被加工零件表面层内可能发生的各种变化及其对最终成品使用性能影响的一个综合指标。在机械加工领域，材料的强度及疲劳寿命准则是机械加工航空零件、车辆悬挂系统的设计依据，而零件的表面完整性表征参数是影响其疲劳寿命的最关键因素。通过控制零件的表面完整性来提高航空零件、车辆结构件的疲劳寿命成为近年来的研究重点。目前大多数有关表面完整性以及表面完整性对疲劳寿命影响的研究还停留在切削参数、刀具参数等基本的切削试验上，实际上在切削过程中产生的切削力、切削热、弹塑性变形才是影响表面完整性表征参数的本质原因。另外，对表面完整性表征参数的评价及控制大多集中在表面粗糙度参数的研究以及残余应力变化趋势的预测上，国际期刊《Materiali in Tehnologije》在2018年52卷第3期公开了“Evaluation of the surface integrity in the milling of a magnesium alloyusing an artificial neural network and a genetic algorithm”一文通过基本的切削试验和切削参数，基于人工神经网络实现了表面粗糙度的预测，实现了表面完整性的评价。由于在实际零件加工时，往往包含工艺特征，而不是简单的直线铣削。如果要实现表面完整性的评价，仅仅通过切削参数是远远不够的，而且表面完整性的表征参数众多，不止表面粗糙度这一种参数。由此可见，目前对表面完整性表征参数的评价存在着诸多的局限性，给机械加工表面评价造成不利影响。

发明内容

本发明所要解决的技术问题是提供一种考虑多种工艺特征，在切削参数的基础上，充分考虑切削力、切削热和振动耦合作用对表面完整性表征参数的影响，基于深度学习算法实现表面完整性等多个表征参数的预测。

为解决以上技术问题，本发明采用如下的技术方案，本发明采用如下步骤：

①建立X-Y-Z坐标系，并搭建传感器切削信号采集系统；

所述的传感器切削信号采集系统包括设置在铣床工作台上的测力仪传感器、压板、振动传感器、夹具、立铣刀、测温传感器和工件，所述测力仪传感器通过压板设置在铣床工作台上，所述铣床工作台设有T型槽；

还包括六角螺母和T型螺钉，所述T型螺钉穿过铣床工作台的T型槽和压板并通过六角螺母固定；所述夹具设置在测力仪传感器上，所述振动传感器沿X方向设置在夹具上，所述夹具内设有工件，所述测温传感器设置在工件内；

②对基于步骤①采集的信号进行预处理；

③基于步骤②，对切削信号进行特征提取与选择；

④确定表面完整性总体评价指标；

⑤建立表面完整性总体评价指标预测模型。

步骤②包括：

201对切削过程中测力仪传感器、振动传感器和测温传感器采集的时间序列信号进行降噪处理；

202通过希尔伯特变换，得到每个模态函数u_k(t)的解析信号，并得到其单边频谱，对各模态解析信号混合一个预估中心频率

将每个模态的频谱调制到相应的基频带：

203计算以上解调信号梯度的平方L²范数，估计出各模态信号带宽，受约束的变分表达式如下：

其中，{u_k}:＝{u₁,...,u_K}代表所有的模态函数，{w_k}:＝{w₁,...,w_k}代表模态函数的中心频率；

204引入二次惩罚因子α和拉格朗日乘法算子λ(t)，将约束性变分问题变为非约束性变分问题，扩展的拉格朗日表达式如下：

205采用乘法算子交替方向法，通过交替更新

和λⁿ⁺¹寻求扩展拉格朗日表达式的‘鞍点’，将中心频率的取值问题转换到频域：

其中

为当前模态函数功率谱的重心；对

进行傅里叶逆变换，其实部则为{u_k(t)}；

206利用粒子群优化算法对变分模态分解算法中的参数进行寻优；

207根据已分解的切削力信号和振动信号中的各阶信号的幅值与频率特性，将其与原始信号进行比较排除随机特征的干扰，利用相关性与信息熵作为信号筛选的依据，对同时满足两种条件的模态分量进行保留，其中相关性和信息熵的表达式分别为：

步骤③包括：

301将切削力信号、振动信号、温度信号从波形图中提取出来，进行均值、标准差、均方根值、偏度、峰态系数时域特征量的提取；

302将切削信号通过傅里叶变换得到相应的频谱，根据维纳-辛钦公式，得到切削信号的功率谱密度函数，在此基础上加矩形窗计算得到切削信号的功率谱，最后进行频段能量、方差、均方频率频域特征量的提取；

303对一维时间序列信号进行分形分析，提取切削信号的盒维数和关联维数分形特征量；

304利用R语言中的Caret包对提取到的特征量进行排序，确定特征集。

步骤④包括：

401将表面粗糙度、轴向残余应力、径向残余应力作为表面完整性表征参数，利用灰度关联分析将表面完整性的三个表征参数转换为用灰度关联值表示的单个表征参数，作为表面完整性的总体评价指标；

402将表面完整性表征参数形成如下矩阵：

其中m表示指标的个数，n表示表面完整性表征参数测得的组数；

403利用均值化法对402中指标数据进行无量纲化处理，其表达式为：

404确定参考序列，将表面完整性各个表征参数的最优值作为参考序列，计算每个被评价对象指标序列与参考序列对应元素的绝对差值，即|x₀(k)-x_i(k)|(k＝1,...,m,i＝1,...,n,n为被评价对象的个数)，确定

分别计算每个比较序列与参考序列对应元素的关联系数，关联系数表达式为：

405对各评价对象分别计算各个指标与参考序列对应元素的关联系数的均值，表达式为：

步骤⑤包括：

501搭建基于深度置信网络的总体评价指标预测模型，使用无监督学习方式训练受限波尔兹曼机(RBM)，并使用最后的BP(反向传播)网络接受最后一层RBM(受限玻尔兹曼机)的输出，采用有监督的方式训练整个网络；

502将选择后的特征送达输入层之前进行正则化处理，处理方法如下：

其中，X_i,j表示第j个特征量的第i组数据值，

表示第j个特征量的均值，σ_i表示第j个特征量的方差；

503利用受限波尔兹曼机对输入层的特征向量进行学习，学习规则采用粒子群优化算法，由已知的可视层节点得到隐含层节点的值:

由于RBM(受限玻尔兹曼机)是对称网络，因此得到隐含层节点得到可视层节点的值:

式中，v_i是可视层第i个节点的值，h_j是隐含层第j个节点的值，b和c分别表示可视层和隐含层的偏置值，w_ji为可视节点i和隐藏节点j之间的权值；

504可视层的特征向量与隐含层的特征向量的联合概率分布为：

其中E表示能量函数，θ⁰＝{W⁰ _ij,b⁰ _i,c⁰ _j}是该模型参数的参数集合，n表示可视层的节点数，m表示隐含层的节点数；

505使用CD(对比散列)准则训练RBM(受限玻尔兹曼机)模型，确定RBM(受限玻尔兹曼机)模型隐含层的节点个数m，学习率ε和最大迭代次数T₁，并且对RBM(受限玻尔兹曼机)的网络参数集θ⁰＝{W⁰ _ij,b⁰ _i,c⁰ _j}进行初始化；进行吉布斯采样，令可见层的状态向量V⁰的值为输入层的值，利用公式计算出隐含层各节点的状态H⁰以及重构后的可见层和隐含层的状态V¹和H¹，参数的更新过程如下：

506将最后一层的RBM(受限玻尔兹曼机)的输出作为BP(反向传播)网络的输入，经过BP(反向传播)计算得到表面完整性总体评价指标的预测值，BP(反向传播)网络的计算过程如下：

其中y_prei表示预测值，w_i表示BP(反向传播)网络每个神经元连接的权重，b_i表示BP网络每个神经元的偏置，H_i表示最后一层的RBM(受限玻尔兹曼机)的输出值；

507选取最优模型，对预测模型进行训练，选取误差最小和决策系数最大的模型作为最优的预测模型，预测模型的目标函数为均方误差函数(MSE)和决策系数(R²)，如下：

其中y_i和y_prei分别表示表面完整性总体评价指标的观测值和预测值，n表示总的样本数。

当工件为圆弧工件时，所述测温传感器设置在圆弧工件内；当工件为铣槽工件时，所述测温传感器从铣槽工件底部插入孔内。

本发明的积极效果如下：本发明利用测力仪传感器、振动传感器、测温传感器搭建了一套多传感器融合切削信号测量装置，不仅考虑了切削参数和刀具参数对表面完整性表征参数的影响，同时也考虑了切削加工过程中切削力、振动、切削温度对表面完整性表征参数的影响；本发明同时对采集到的切削力和振动时间序列信号进行降噪重构处理，增强了数据的鲁棒性；本发明对预处理后的信号不仅进行了时域、频域方面的特征提取，还从分形的角度对预处理信号进行了特征提取，并且利用了R语言中的Caret包进行了特征选择，这不仅确定了与表面完整性表征参数相关性较高的特征量，而且还能够对提取到的特征量进行重要性排序；本发明能同时进行直线铣削、凸圆弧铣削、凹圆弧铣削以及槽铣削，能够获得不同的工艺特征与表面完整性表征参数之间的影响规律；本发明利用灰色关联分析将表面完整性多个表征参数转换为用灰色关联值表示的单个表征参数，从总体上，实现了表面完整性的评价；本发明利用深度学习算法中的深度置信网络对表面完整性总体评价指标进行预测，基于表面完整性总体评价指标的预测结果能够及时进行反馈，便于后续切削参数的调整。

附图说明

图1为实现表面完整性评价总体流程图

图2为多传感器融合切削信号测量装置图

图3为铣削工艺特征时测温示意图

图4为切削信号预处理过程流程图

图5为深度置信网络实现流程图

图6为采集的切削信号原始数据示意图

图7为粒子群算法寻优结果示意图

图8为切削信号分解重构过程示意图

图9为表面完整性总体评价指标预测结果示意图

在图中：1铣床工作台、2测力仪传感器、3压板、4振动传感器、5夹具、6四刃立铣刀、7凹圆弧工件、8六角螺母、9 T型螺钉、10铣槽工件、11测温传感器。

具体实施方式

下面结合附图和具体的切削实例对本发明进行详细说明。如图1所示，为实现表面完整性评价的总体流程图，其主要步骤如下：

①建立X-Y-Z坐标系，搭建多传感器切削信号采集装置；

如图2所示，所述的多传感器切削信号采集系统包括设置在铣床工作台1上的测力仪传感器2、压板3、夹具5、振动传感器4、测温传感器11，所述测力仪传感器2通过压板3固定在铣床工作台1上；还包括T型螺钉9和六角螺母8，所述T型螺钉9穿过铣床工作台1的T型槽和压板3的腰型孔，通过六角螺母8固定压板3，从而压紧测力仪传感器2；所述的夹具5通过内六角沉头螺钉固定在测力仪传感器2上，所述振动传感器4沿X方向设置在夹具(5)上，所述夹具5内设有工件，所述测温传感器11设置在工件内。如图3所示，所述的测温传感器11固定在圆弧工件7事先钻好的孔内，铣削平面时的测温方式和加工圆弧工件时相同；铣削槽类工件时，测温传感器从底部插入孔内。之后使用所述的四刃立铣刀6铣去事先留出的切削余量，在铣削的过程中，完成了切削力、振动、切削温度的采集和收集。

②切削信号预处理过程；

201切削过程中所采集的切削力信号、振动信号属于时间序列信号，时间序列信号往往会受到噪声的干扰，其成分不纯，因此需要对时间序列信号进行降噪处理，为此利用变分模态分解算法实现切削力信号和振动信号的分解重构。

202首先进行变分问题构造，通过Hibert(希尔伯特)变换，得到每个模态函数u_k(t)的解析信号，得到其单边频谱。对各模态解析信号混合一预估中心频率

将每个模态的频谱调制到相应的基频带：

203计算以上解调信号梯度的平方L2范数，估计出各模态信号带宽，受约束的变分问题如下：

其中，{u_k}:＝{u₁,...,u_K}代表所有的模态函数，{w_k}:＝{w₁,...,w_k}代表模态函数的中心频率。

204引入二次惩罚因子α和拉格朗日乘法算子λ(t)，将约束性变分问题变为非约束性变分问题，其中二次惩罚因子可在高斯噪声存在的情况下保证信号的重构精度，拉格朗日算子使得约束条件保持严格性，扩展的拉格朗日表达式如下：

205之后采用乘法算子交替方向法，通过交替更新

和λⁿ⁺¹寻求扩展拉格朗日表达式的‘鞍点’，所谓“鞍点”是指既不是最大值也不是极小值点的临界点。根据同样的过程，首先将中心频率的取值问题转换到频域：

其中

为当前模态函数功率谱的重心；对

进行傅里叶逆变换，其实部则为{u_k(t)}。

206由于要事先确定变分模态分解算法中的模态分解个数K和惩罚因子α，为此利用粒子群优化算法对变分模态分解算法中的参数进行寻优，其模态分解个数的范围事先被设定为[2,20],惩罚因子的范围事先被设定为[200,10000]。

207已分解的切削力信号、振动信号中含有多阶信息，根据各阶信号的幅值与频率特性，将其与原始信号进行比较可以排除随机特征的干扰，故而可以选择使用相关性与信息熵作为信号筛选的依据，对同时满足两种条件的模态分量进行保留。其中相关性和信息熵的表达式为：

其切削信号的预处理过程如图4所示，利用粒子群优化算法找到最优的参数组合后，基于这组最优的参数组合利用变分模态分解算法实现切削力和振动信号的分解；如果分解后的分量与原信号的相关性系数在0.6～0.9且信息熵满足3σ准则，则该分量被保留用于完成切削力、振动信号的重构，其余的分量被摒弃。

③切削信号的特征提取与选择；

301时域信号能准确、直观地反映切削过程各个瞬间信号的变化情况，将切削力信号、振动信号、温度信号从波形图中提取出来，进行均值(M)、标准差(RMS)、均方根值(P)、偏度(Skew)、峰态系数(Kurt)等时域特征量的提取。

302切削信号不仅与时间有关，其与频率和周期也存在关系。将切削信号通过傅里叶变换得到相应的频谱，根据维纳-辛钦公式，得到切削信号的功率谱密度函数，在此基础上加矩形窗计算得到切削信号的功率谱，最后进行频段能量(FBE)、方差(Var)、均方频率(MSF)等频域特征量的提取。

303分形理论常用来刻画对象的不规则性和自相似性，运用分形理论提取有用的特征信息，不仅可以定性，而且可以定量地分析系统的运动状态，从而实现机械系统的信号分析。在分形理论研究中，分形维数是一个重要的物理量，定量地描述了研究对象的复杂程度，因此对一维时间序列信号进行分形分析得到广泛地应用。为此提取切削信号的盒维数(DB)和关联维数(DC)分形特征量。

304在铣削过程中，采集了三个方向的切削力Fx、Fy、Fz，两个方向的振动Vx、Vy，一个方向的切削温度Tx。通过特征提取后形成特征集

X＝{M_i,RMS_i,P_i,Skew_i,Kurt_i,...,FBE_i,Var_i,MSF_i,D_Bi,D_Ci}，其中i＝1～6,表示三个方向的切削力，两个方向上的振动，一个方向上的切削温度。

305提取到的特征量具有较强的冗余性和相关性，不仅会加大算法的计算量，也会对算法的预测精度产生干扰，为此利用R语言中的Caret包对提取到的特征量进行重要性排序，通过分析计算确定各个特征量的重要程度，确定特征集。

④确定表面完整性总体评价指标；

401试验过程中测量表面粗糙度、轴向残余应力、径向残余应力作为表面完整性表征参数。为了能够实现表面完整性的总体评价，利用灰度关联分析将表面完整性的三个表征参数转换为用灰度关联度表示的单个表征参数，作为表面完整性的总体评价指标。

402对于测得的表面完整性表征参数形成如下矩阵：

其中m表示指标的个数，n表示表面完整性表征参数测得的组数。

403由于表面完整性的表征参数存在量纲上的不同，对指标数据进行无量纲化处理，其常见的无量纲化处理方法有均值化法、初始值法，这里采用均值化法。其表达式为：

404确定参考序列，将表面完整性各个表征参数的最优值(对于表面粗糙度和残余应力而言，其最优值等于最小值)作为参考序列，逐个计算每个被评价对象指标序列(比较序列)与参考序列对应元素的绝对差值，即|x₀(k)-x_i(k)|(n为被评价对象的个数)，确定

分别计算每个比较序列与参考序列对应元素的关联系数。其关联系数表达式为：

405计算关联序，对各评价对象(比较序列)分别计算各个指标与参考序列对应元素的关联系数的均值，以反映各评价对象与参考序列的关联关系，其表达式为：

通过灰度关联分析，将多个表征参数转换为一个表征参数。最后将求得的灰色关联度作为表面完整性的总体评价指标。

⑤建立表面完整性总体评价指标预测模型；

501为了实现表面完整性总体评价指标的预测，搭建基于深度置信网络的总体评价指标预测模型。深度置信网络属于深度学习算法中的一种，其有一系列的受限波尔兹曼机(RBM)和一层BP(反向传播)网络构成。深度置信网络的训练过程可以分为两步：首先，使用无监督学习方式训练RBM(受限玻尔兹曼机)；其次，使用最后的BP(反向传播)网络接受最后一个RBM(受限玻尔兹曼机)的输出，用有监督的方式训练整个网络，对其进行微调。本模型所用的深度置信网络由一个输入层、两层受限波尔兹曼机、一个BP(反向传播)网络(输出层)。

502由于选择后的特征存在量纲上的不同，为此将选择后的特征送达输入层之前需要进行正则化处理，处理方法如下：

其中，X_i,j表示第j个特征量的第i组数据值，

表示第j个特征量的均值，σ_i表示第j个特征量的方差。

503之后利用受限波尔兹曼机对输入层的特征向量进行学习。受限波尔兹曼机由一个可视层和一个隐含层组成，可视层与隐含层使用双向全连接，学习规则采用模拟退火算法。因此，由已知的可视层节点得到隐含层节点的值:

由于RBM(受限玻尔兹曼机)是对称网络，因此可以得到隐含层节点得到可视层节点的值

式中，v_i是可视层第i个节点的值，h_j是隐含层第j个节点的值，b和c分别表示可视层和隐含层的偏置值，w_ji为可视节点i和隐藏节点j之间的权值。

504则可视层的特征向量与隐含层的特征向量的联合概率分布为：

其中E表示能量函数，θ⁰＝{W⁰ _ij,b⁰ _i,c⁰ _j}是该模型参数的参数集合，n表示可视层的节点数，m表示隐含层的节点数。

505之后使用CD(对比散列)准则训练RBM(受限玻尔兹曼机)模型。利用CD(对比散列)准则能够提高计算速度，同时能够避免使用马尔科夫链蒙特卡罗法收敛速度无法保证的问题。使用CD(对比散列)准则训练RBM(受限玻尔兹曼机)模型时，首先确定RBM(受限玻尔兹曼机)模型隐含层的节点个数m，学习率ε和最大迭代次数T1，并且对RBM(受限玻尔兹曼机)的网络参数集θ⁰＝{W⁰ _ij,b⁰ _i,c⁰ _j}进行初始化；之后进行吉布斯采样，令可见层的状态向量V0的值为输入层的值，利用公式计算出隐含层各节点的状态H0以及重构后的可见层和隐含层的状态V1和H1。参数的更新过程如下：

参数的更新不会在所有样本接受训练之后进行，而是每6个或者8个样本对参数更新一次，这样可以大大减少计算量，加快更新速度。

506将最后一层的RBM(受限玻尔兹曼机)的输出作为BP(反向传播)网络的输入，经过BP(反向传播)计算得到表面完整性总体评价指标的预测值，BP(反向传播)网络的计算过程如下：

其中y_prei表示预测值，w_i表示BP(反向传播)网络每个神经元连接的权重，b_i表示BP(反向传播)网络每个神经元的偏置，H_i表示最后一层的RBM(受限玻尔兹曼机)的输出值。

507最优模型的选取。对预测模型进行训练，选取误差最小和决策系数最大的模型作为最优的预测模型。预测模型的目标函数为均方误差函数(MSE)和决策系数(R2)，如下：

其中y_i和y_prei分别表示表面完整性总体评价指标的观测值和预测值，n表示总的样本数。

本发明所述的测力仪传感器所采用的型号为Kistler 9057B，振动传感器型号为CT1050L ICP/IEPE，测温传感器为NANMAC快速响应热电偶，型号为E12-3-K-U。

实施例1

本部分主要基于上文所述开展铣削试验，在不同的切削参数下铣削不同特征的样件，在铣削过程中采集切削信号，并在试验结束之后采集样件的表面完整性表征参数。

本次试验所采用的材料为45CrNiMoVA,采用整体四刃立铣刀Z-CARB ZAP6x6x13x57进行切削试验，试验平台为DMU 80 mono BLOCK,分别利用型号为Kistler 9057B的测力仪采集切削力，型号为CT1050L ICP/IEPE的振动传感器采集切削振动，型号为E12-3-K-U的温度传感器采集切削温度，其采集的原始数据如图6所示。

切削信号采集完成之后，由于切削力信号与振动信号属于时间序列信号，时间序列信号往往会受到噪声的干扰，其成分不纯，因此需要对时间序列信号进行降噪处理，这里以第1个方向的切削力信号为例，说明切削信号的降噪过程。首先读取原始切削信号，利用粒子群优化算法基于峰态值的大小确定变分模态分解算法中最优的分解个数与惩罚因子组合，其寻优结果如图7所示。之后变分模态分解算法以最优的参数组合[953,13]对输入的切削力信号进行分解，并按照分解后的切削力信号分量与原始切削力信号的相关性程度与所含的信息熵范围，完成切削力信号的重构，如图8所示。

按照上述对第1个方向的切削力分解重构过程，对其他方向的切削力与振动信号完成分解重构。之后便可以对分解重构的切削信号进行时域、频域特征量以及分形维数的计算。由于通过计算得到的特征量繁多，不仅会导致特征量的冗余，导致预测精度的下降，而且还会增大信息量，为此利用R语言中caret包基于随机森林算法实现特征量的选择。选择后前8个重要的特征包括：加工特征、Y方向的切削力方差(Var2)、切削力合力、Y方向的切削力均方差(Std3)、切削温度最大值(Max6)、X方向切削力偏度(Kurt1)、Y方向的切削力的重心频率(VF2)、进给量。

由于表面完整性表征参数众多，为了实现表面完整性表征参数的总体性评价，为此利用灰度关联分析算法将表面完整性多个表征参数转换为用灰度关联值(GRG)表示的总体评价指标，其部分转换结果如表1所示。

表1表面完整性灰度关联分析结果

经过上述切削信号的特征提取与表面完整性多个表征参数的转换之后，利用深度置信网络(DBN)对表面完整性表征参数的总体评价指标实现预测。利用选择后的特征量为输入向量，以表面完整性总体评价指标灰度关联值(GRG)作为输出量，在预测的过程中将数据集随机划分成训练集与测试集，在训练网络的过程中只使用训练集，测试集用于测试模型的好坏，其预测结果如图9所示。由预测结果可以看出，该表面完整性表征参数预测方法的可实施性。

以上所述实施方式仅为本发明的优选实施例，而并非本发明可行实施的穷举。对于本领域一般技术人员而言，在不背离本发明原理和精神的前提下对其所作出的任何显而易见的改动，都应当被认为包含在本发明的权利要求保护范围之内。

Claims (5)

1.一种基于传感器融合与深度学习的表面完整性评价方法，其特征在于，包括以下步骤：

①建立X-Y-Z坐标系，并搭建传感器切削信号采集系统；

所述的传感器切削信号采集系统包括设置在铣床工作台(1)上的测力仪传感器(2)、压板(3)、振动传感器(4)、夹具(5)、立铣刀(6)、测温传感器(11)和工件，所述测力仪传感器(2)通过压板(3)设置在铣床工作台(1)上，所述铣床工作台(1)设有T型槽；

还包括六角螺母(8)和T型螺钉(9)，所述T型螺钉(9)穿过铣床工作台(1)的T型槽和压板(3)并通过六角螺母(8)固定；所述夹具(5)设置在测力仪传感器(2)上，所述振动传感器(4)沿X方向设置在夹具(5)上，所述夹具(5)内设有工件，所述测温传感器(11)设置在工件内；

②对基于步骤①采集的信号进行预处理:

201对切削过程中测力仪传感器(2)、振动传感器(4)和测温传感器(11)采集的时间序列信号进行降噪处理；

202通过希尔伯特变换，得到每个模态函数u_k(t)的解析信号，并得到其单边频谱，对各模态解析信号混合一个预估中心频率

将每个模态的频谱调制到相应的基频带：

203计算以上解调信号梯度的平方L²范数，估计出各模态信号带宽，受约束的变分表达式如下：

其中，{u_k}:＝{u₁,...,u_K}代表所有的模态函数，{w_k}:＝{w₁,...,w_k}代表模态函数的中心频率；

204引入二次惩罚因子α和拉格朗日乘法算子λ(t)，将约束性变分问题变为非约束性变分问题，扩展的拉格朗日表达式如下：

205采用乘法算子交替方向法，通过交替更新

和λⁿ⁺¹寻求扩展拉格朗日表达式的‘鞍点’，将中心频率的取值问题转换到频域：

其中

为当前模态函数功率谱的重心；对

进行傅里叶逆变换，其实部则为{u_k(t)}；

206利用粒子群优化算法对变分模态分解算法中的参数进行寻优；

207根据已分解的切削力信号和振动信号中的各阶信号的幅值与频率特性，将其与原始信号进行比较排除随机特征的干扰，利用相关性与信息熵作为信号筛选的依据，对同时满足两种条件的模态分量进行保留，其中相关性和信息熵的表达式分别为：

③基于步骤②，对切削信号进行特征提取与选择；

④确定表面完整性总体评价指标；

⑤建立表面完整性总体评价指标预测模型。

2.根据权利要求1所述的一种基于传感器融合与深度学习的表面完整性评价方法，其特征在于，步骤③包括：

301将切削力信号、振动信号、温度信号从波形图中提取出来，进行均值、标准差、均方根值、偏度、峰态系数时域特征量的提取；

302将切削信号通过傅里叶变换得到相应的频谱，根据维纳-辛钦公式，得到切削信号的功率谱密度函数，在此基础上加矩形窗计算得到切削信号的功率谱，最后进行频段能量、方差、均方频率频域特征量的提取；

303对一维时间序列信号进行分形分析，提取切削信号的盒维数和关联维数分形特征量；

304利用R语言中的Caret包对提取到的特征量进行排序，确定特征集。

3.根据权利要求1所述的一种基于传感器融合与深度学习的表面完整性评价方法，其特征在于，步骤④包括：

401将表面粗糙度、轴向残余应力、径向残余应力作为表面完整性表征参数，利用灰度关联分析将表面完整性的三个表征参数转换为用灰度关联值表示的单个表征参数，作为表面完整性的总体评价指标；

402将表面完整性表征参数形成如下矩阵：

其中m表示指标的个数，n表示表面完整性表征参数测得的组数；

403利用均值化法对402中指标数据进行无量纲化处理，其表达式为：

404确定参考序列，将表面完整性各个表征参数的最优值作为参考序列，计算每个被评价对象指标序列与参考序列对应元素的绝对差值，即|x₀(k)-x_i(k)|(k＝1,...,m,i＝1,...,n,n为被评价对象的个数)，确定

分别计算每个比较序列与参考序列对应元素的关联系数，关联系数表达式为：

405对各评价对象分别计算各个指标与参考序列对应元素的关联系数的均值，表达式为：

4.根据权利要求1所述的一种基于传感器融合与深度学习的表面完整性评价方法，其特征在于，步骤⑤包括：

501搭建基于深度置信网络的总体评价指标预测模型，使用无监督学习方式训练受限波尔兹曼机(RBM)，并使用最后的BP(反向传播)网络接受最后一层RBM(受限玻尔兹曼机)的输出，采用有监督的方式训练整个网络；

502将选择后的特征送达输入层之前进行正则化处理，处理方法如下：

其中，X_ij表示第j个特征量的第i组数据值，

表示第j个特征量的均值，σ_i表示第j个特征量的方差；

503利用受限波尔兹曼机对输入层的特征向量进行学习，学习规则采用粒子群优化算法，由已知的可视层节点得到隐含层节点的值:

由于RBM(受限玻尔兹曼机)是对称网络，因此得到隐含层节点得到可视层节点的值:

式中，v_i是可视层第i个节点的值，h_j是隐含层第j个节点的值，b和c分别表示可视层和隐含层的偏置值，w_ji为可视节点i和隐藏节点j之间的权值；

504可视层的特征向量与隐含层的特征向量的联合概率分布为：

其中E表示能量函数，θ⁰＝{W⁰ _ij,b⁰ _i,c⁰ _j}是该模型参数的参数集合，n表示可视层的节点数，m表示隐含层的节点数；

505使用CD(对比散列)准则训练RBM(受限玻尔兹曼机)模型，确定RBM(受限玻尔兹曼机)模型隐含层的节点个数m，学习率ε和最大迭代次数T₁，并且对RBM(受限玻尔兹曼机)的网络参数集θ⁰＝{W⁰ _ij,b⁰ _i,c⁰ _j}进行初始化；进行吉布斯采样，令可见层的状态向量V⁰的值为输入层的值，利用公式计算出隐含层各节点的状态H⁰以及重构后的可见层和隐含层的状态V¹和H¹，参数的更新过程如下：

506将最后一层的RBM(受限玻尔兹曼机)的输出作为BP(反向传播)网络的输入，经过BP(反向传播)计算得到表面完整性总体评价指标的预测值，BP(反向传播)网络的计算过程如下：

其中y_prei表示预测值，w_i表示BP(反向传播)网络每个神经元连接的权重，b_i表示BP网络每个神经元的偏置，H_i表示最后一层的RBM(受限玻尔兹曼机)的输出值；

507选取最优模型，对预测模型进行训练，选取误差最小和决策系数最大的模型作为最优的预测模型，预测模型的目标函数为均方误差函数(MSE)和决策系数R²，如下：

其中y_i和y_prei分别表示表面完整性总体评价指标的观测值和预测值，n表示总的样本数。

5.根据权利要求1所述的一种基于传感器融合与深度学习的表面完整性评价方法，其特征在于：当工件为圆弧工件(7)时，所述测温传感器(11)设置在圆弧工件(7)内；当工件为铣槽工件(10)时，所述测温传感器(11)从铣槽工件(10)底部插入孔内。

Images