本发明提出了一种数控机床车削稳定性监测的方法，涉及监测技术领域。由于伺服系统性能的不断提高，其响应速度、敏感性等也不断提高，因此，在切削过程中机床的状态可以在驱动电机的电流上得到反映。本发明中，通过各种信号处理方法提取电流信号的多个特征值，建立特征状态向量作为数学模型的输入，再通过数学模型的分析计算，输出机床的切削状态。该发明中由于电流信号抗干扰性强、易于采集、使用辅助工具少等特点，相对于目前的诸多监测方法其操作上具有简单易行、监测效果好等优点，更容易实现对加工状态的在线监测，有效保证了加工安全和产品质量。
1. 一种数控机床车削稳定性在线监测方法，其特征在于，该方法包括下述步骤：（1）分别采集数控机床驱动电机在正常切削、过渡阶段和颤振发生三种切削状态的三相输出电流，作为样本电流信号；
（2）对样本电流信号分别通过放大、滤波与A/D转换，得到电流数字信号，该电流数字信号即监测电流信号；
（3）对监测电流信号进行特征提取，得到多个信号特征值；
（4）在多个信号特征值中选择至少三个对颤振敏感的信号特征建立特征向量 =（ , , ,…, ），作为识别模型的输入； （5）计算特征向量 =（ , , ,…, ）在每一个切削状态模型 下出现的似然概率值 ，其中， ；
（6）比较步骤（5）中求得的三个状态模型 下各自的似然概率值 ，输出最大概率值对应的模型序号；
（7）在切削状态模型库中查找步骤（6）中输出的模型序号所对应的切削状态即为当前切削状态，实现对切削状态的在线监测；当判定即将发生颤振时，数控系统输出改变主轴转速和进给速率指令，防止颤振的发生；
（8）在车床切削过程中，重复步骤(1)至(7)，完成对切削状态进行在线实时监测。
2.根据权利要求1所述的数控机床车削稳定性在线监测方法，其特征在于，通过以下步骤对识别模型的参数进行初始化和生成切削状态模型库：①分别测量数控机床驱动电机的正常切削、过渡阶段和颤振发生三种切削状态下的三相输出电流，作为样本电流信号；
②对样本电流信号分别通过放大、滤波与A/D转换，消除部分干扰信号并得到电流数字信号，该电流数字信号即为监测电流信号；
③利用希尔伯特-黄(Hilbert-Huang)变换方法对监测电流信号进行处理，提取信号特征值；
④计算监测电流信号的均值、方差、均方频率、总能量、波形不对称性，并提取样本电流信号 ，其中， 表示驱动信号中高频成分， 表示驱动信号中低频成分，得到多个信号特征；
⑤分析步骤③与④中各个信号特征对颤振的敏感性，选择其中至少三个对颤振敏感即与颤振强相关的特征信号，建立特征向量 =（ , , ,…, ）， 表示 时刻的监测电流信号的第 个特征值， ，表示用于监测的特征值数量，大于等于3，作为观测序列用于判别切削状态的监测，表示当前监测时间；
表示初始状态概率矩阵， ， ， 表示求概率， 表示初始切削状态， ，表示三种切削状态，分别用 , , 表示；
表示状态转移概率矩阵， ， ， 表示 时刻的切削状态， 表示 时刻切削状态， ，表示三种切削状态；
表示混合系数矩阵， ， 表示第 个切削状态第 个高斯混合元权值，，表示三种切削状态， ，表示每个状态包含的混合高斯元的个数；
， 表示第 个切削状态第 个高斯混合元的均值矢量， ，表示三种切削状态， ，表示每个状态包含的混合高斯元的个数；
， 表示第 个切削状态第 个高斯混合元的协方差矩阵， ，表示三种切削状态， ，表示每个状态包含的混合高斯元的个数；
⑦利用鲍姆-韦尔奇（Baum-Welch）算法重估模型参数，建立切削状态模型库。
3.根据权利要求2所述的数控机床车削稳定性在线监测方法，其特征在于，步骤③包括下述过程：（3.1）求取步骤②中获得的监测电流信号的均方根值；
（3.2）将监测电流信号的RMS值进行分解，得到监测电流信号均方根值的固有模态函数分量和余量；
（3.3）利用希尔伯特-黄（Hilbert-Huang）变换对各固有模态函数分量进行处理，得到各个固有模态函数分量的希尔伯特（Hilbert）谱，汇总所有固有模态函数分量的Hilbert谱就得到监测电流信号均方根值的希尔伯特（Hilbert）谱，再进行积分处理可得监测电流信号均方根值的边际谱 ，提取相关特征值；
（3.4）对比正常切削和颤振发生两种状态下监测电流信号均方根值固有模态函数分量的不同，将不同的IMF分量相加作为希尔伯特（Hilbert）能量；
（3.5）对希尔伯特（Hilbert）能量做非线性能量平滑处理。
4.根据权利要求2所述的数控机床车削稳定性在线监测方法，其特征在于，步骤⑥包括下述过程：（6.1）随机给出所有切削状态模型即 参数的初始值；
（6.2）根据当前模型，利用维特比（Viterhi）算法根据步骤（5）中得到的观测序列 求取对应的最优切削状态序列；
（6.3）根据步骤（6.2）得到的最优切削状态，利用分段K-均值算法将每个切削状态， 的观测序列聚类为m， ，初始估计三种切削状态的模型参数；
（6.4） 重复步骤（6.2）和（6.3）直到先前的模型和新得到的模型计算结果相差小于设定阀值，最终得到初始模型 。
5.根据权利要求2所述的数控机床车削稳定性在线监测方法，其特征在于，步骤⑦包括下述过程：（7.1）根据步骤⑥求得的初始模型，由前向后向算法求得观测序列 在初始模型下的前向变量、后向变量和似然概率值 ； （7.2）引用步骤⑦求得的两变量，使用鲍姆-韦尔奇（Baum-Welch）算法对步骤⑥中得到的初始化后的所有切削状态模型参数进行重估，得到重估的切削状态模型 ；
（7.3）比较重估模型和先前模型求得的似然概率值，即计算反映CDHMM相似性的距离打分，如果模型距离打分超过设定的阀值，那么用重估模型 取代先前的模型；如果模型距离打分低于设定的阀值，那么判定模型收敛并将其保存作为最终得到的模型参数。
一种数控机床车削稳定性在线监测方法
技术领域
[0001] 本发明属于监测技术领域，尤其涉及一种数控机床车削稳定性监测方法。 背景技术
[0002] 实现数控机床的高精、高效、智能化和安全，提高加工稳定性是当前机床行业的发展方向，数控机床切削状态监测是达到这些目的的重要手段。数控机床通过状态监控和控制优化，能够保证加工产品的质量和提高生产效率，节省成本，提高产品的竞争力，并且能够保证加工安全，提高自动化和管理水平等。因此，发展机床切削状态监测技术具有重要意义。
[0003] 目前切削状态监测常采用的监测信号是切削力、切削扭矩、加速度等，尽管切削力含有丰富的切削状态信息，能够直观的反映出切削状态，但由于其测量困难，测量设备昂贵等原因不能够广泛推广，适用性不强。这些方法在本领域属于公知，例如见中国专利申请号为：CN03137046.2，发明名称为：机床切削颤振在线智能控制系统，将加速度信号输入到颤振识别技术模块CDM中，循环判别并运行以监测颤振的发生。中国专利申请号为：CN02114689.6，发明名称为：高速旋转机械半速涡动在线稳定性特征提取与监测方法，将非接触式电涡流位移传感器获得转子的振动位移信号，应用FIR滤波器技术来处理振动位移信号，以此信号特征判断半速涡动稳定性。中国专利申请号为：CN87106117.1，发明名称为：
切削颤振在线测量仪，采用单板微型计算机检测和处理切削信号，识别切削信号中的周期分量，监测切削颤振的发生。基于振动加速度信号和振动位移信号的方法都存在着信号监测不方便，传感器安装麻烦，影响机床的正常加工，甚至需要改动机床的结构，因此只能在科研中使用，应用到实际生产中都有较大的难度。
[0004] 邵强等发表的《混合密度连续HMM在旋转机械启动过程故障诊断中的应用》(机械科学与技术，2009.11)一文中运用混合密度连续HMM诊断旋转机械启动过程中的故障，该文献中介绍了前向后向算法、维特比(Viterbi)算法和鲍姆-韦尔奇(Baum-Welch)算法，这些算法可用于该专利中监测模型的建立。
发明内容
[0005] 本发明的目的旨在克服现有技术的不足之处，提出一种数控机床车削稳定性监测的方法，该方法在无需复杂辅助工具的前提下有效保证加工安全和产品质量。 [0006] 本发明提供的一种数控机床车削稳定性监测的方法，包括下述步骤： [0007] (1)分别采集数控机床驱动电机在正常切削、过渡阶段和颤振发生三种切削状态的三相输出电流，作为样本电流信号；
[0008] (2)对样本电流信号分别通过放大、滤波与A/D转换，得到电流数字信号，该电流数字信号即监测电流信号；
[0009] (3)对监测电流信号进行特征提取，得到多个信号特征值；
[0010] (4)在多个信号特征值中选择至少三个对颤振敏感的信号特征建立特征向量V＝(vt1，vt2，vt3，…，vtn)，作为识别模型的输入；
[0011] (5)计算特征向量V＝(vt1，vt2，vt3，…，vtn)在每一个切削状态模型ξi下出现的似然概率值log10P(V|ξi)，其中，i＝1，2，3；
[0012] (6)比较步骤(5)中求得的三个状态模型ξi下各自的似然概率值log10P(V|ξi)，输出最大概率值对应的模型序号；
[0013] (7)在切削状态模型库中查找步骤(6)中输出的模型序号所对应的切削状态即为当前切削状态，实现对切削状态的在线监测；当判定即将发生颤振时，数控系统输出改变主轴转速和进给速率指令，防止颤振的发生；
[0014] (8)在车床切削过程中，重复步骤(1)至(7)，完成对切削状态进行在线实时监测。 [0015] 本发明监测伺服驱动电机电流信号；通过分析电流信号，得出信号的 方差、均方频率、高低频能量比等特征，建立特征向量；应用维特比(Viterbi)算法来求取模型的最优状态序列，然后基于维特比(Viterbi)算法和分段K-均值算法优化CDHMM(混合密度连续型隐马尔科夫链)初始模型参数；通过基于MMI(最大互信息熵)的鲍姆-韦尔奇(Baum-Welch)算法来训练CDHMM模型，生成模型库；前向后向算法求取一观测向量在各个切削状态模型下的似然概率值，输出最大似然概率值对应的模型序号；查找序号对应的切削状态即为当前切削状态，实现对切削状态的在线监测；本发明通过对伺服驱动电机电流信号的监测和分析处理，能够识别切削过程中的切削稳定性，可实现方便快捷地对数控机床车削稳定性进行实时地在线监测，并且适用性强，易于推广；另外，本发明无需使用到像测力仪、加速度传感器这样复杂昂贵的仪器设备，实验成本大大降低，为数控机床状态监测技术提供了一种新的方法。
附图说明
[0016] 图1为本发明CDHMM模型参数初始化和模型库训练示意图；
[0017] 图2为本发明电流信号监测系统
[0018] 图3为本发明CDHMM工作原理示意图；
[0019] 图4为本发明CDHMM状态识别基本流程图；
[0020] 图5为本发明颤振在线监测流程示意图。
具体实施方式
[0021] 本发明的车削稳定性在线监测方法，通过获取机床驱动电机电流信号，并经过一系列的信号处理与特征提取选择过程，最后通过监测模型的判断过程，实现对车削稳定性的在线监测。
[0022] 本发明方法利用CDHMM模型及模型库对采集的数据进行分析计算实现对数控机床车削稳定性监测。首先通过以下步骤对CDHMM模型的参数进行初始化和生成模型库，其流程如图1所示。
[0023] (1)利用霍尔电流传感器分别测量数控机床驱动电机的三相输出电流，作为样本电流信号；
[0024] 通过步骤(1)获取样本电流信号应包括正常切削、过渡阶段和颤振发 生三种切削状态，三种切削状态分别用s1，s2，s3表示，即切削状态集合有S＝(s1，s2，s3)； [0025] (2)对测量的输出电流分别通过放大、滤波与A/D转换，消除部分干扰信号并得到电流数字信号，该电流数字信号即为监测电流信号；
[0026] 步骤(1)、(2)如图2所示
[0027] (3)利用希尔伯特-黄(Hilbert-Huang)变换方法对监测电流信号进行处理，提取信号特征值；
[0028] (3.1)求取步骤(2)中获得的监测电流信号的RMS(均方根)值；
[0029] (3.2)通过EMD(经典模态分解法)技术自适应地将监测电流信号的RMS值进行分解，得到监测电流信号RMS值的IMF(固有模态函数)分量和余量。X(t)表示表示监测电流信号RMS值，Cd(t)(d＝1，2，3，4……n)表示各IMF分量，Rn(t)表示余量，则监测电流信号RMS值X(t)可以表示为所有的IMF分量Cd(t)和余量Rg(t)之和：
[0030] X(t)＝C1(t)+C2(t)+C3(t)+……+Cn(t)+Rn(t)
[0031] (3.3)利用希尔伯特-黄(Hilbert-Huang)变换对各IMF分量进行处理，得各个IMF分量的Hilbert谱，汇总所有IMF分量的Hilbert谱就得到监测电流信号RMS值的Hilbert谱，再进行积分处理可得监测电流信号RMS值的边际谱h(w)，提取相关特征值； [0032] (3.4)对比正常切削和颤振发生两种状态下监测电流信号RMS值IMF分量的不同，将不同的IMF分量相加作为Hilbert能量；
[0033] (3.5)对Hilbert能量做非线性能量平滑处理，其处理过程如下： [0034] (3.5.1)先对Hilbert能量进行非线性处理，即
[0035] ψ[x(n)]＝x2(n)-x(n-1)x(n+1)
[0036] x(n)表示Hilbert能量某一采样点数值；
[0037] (3.5.2)再对ψ[x(n)]进行平滑处理，即将ψ[x(n)]与Bartlett(巴特利特)窗进行卷积：
[0038]
[0039] (4)计算监测电流信号的均值、方差、均方频率、总能量、波形不对称性，并提取样本电流信号 (Idy表示驱动信号中高频成分，Ist表示驱动信号中低频成分)等，得到多个信号特征；
[0040] 步骤(3)与(4)之间顺序可以互换或同时进行。
[0041] (5)分析步骤(3)(4)中各个信号特征对颤振的敏感性，即能够很好地表现出切削状态的信号特征。选择其中至少三个对颤振敏感即与颤振强相关的特征信号，建立特征向量V＝(vt1，vt2，vt3，…，vtn)(vtk表示t时刻的监测电流信号的第k个特征值，k＝1，2，3，...，n，n表示用于监测的特征值数量，n大于等于3)，作为观测序列用于判别切削状态的监测，t表示当前监测时间；
[0042] (6)初始估计模型参数，其中模型参数集可以表示为ξ＝(π，A，C，μ，U)； [0043] 这里，π表示初始状态概率矩阵，π＝{πi}，πi＝P[q1＝si]，P表示求概率，q1表示初始切削状态，1≤i≤3，表示三种切削状态，分别用s1，s2，s3表示； [0044] A表示状态转移概率矩阵，A＝[aij]，aij＝P(qt+1＝sj|qt＝si)，qt表示t时刻的切削状态，qt+1表示t+1时刻切削状态，1≤i≤3，1≤j≤3，表示三种切削状态； [0045] C表示混合系数矩阵，C＝[cim]，cim表示第i个切削状态第m个高斯混合元权值，1≤i≤3，表示三种切削状态，1≤m≤3，表示每个状态包含的混合高斯元的个数； [0046] 表示第i个切削状态第m个高斯混合元的均值矢量，1≤i≤3，表示三种切削状态，1≤m≤3，表示每个状态包含的混合高斯元的个数；
[0047] U＝[Uim]，Uim表示第i个切削状态第m个高斯混合元的协方差矩阵，1≤i≤3，表示三种切削状态，1≤m≤3，表示每个状态包含的混合高斯元的个数； [0048] (6.1)随机给出所有切削状态模型即S＝(s1，s2，s3)(包括三种状态模型， 分别是稳定切削、过渡阶段、颤振发生)参数的初始值；
[0049] (6.2)根据当前模型，利用维特比(Viterhi)算法根据步骤(5)中得到的观测序列V求取对应的最优切削状态序列；
[0050] (6.3)根据步骤(6.2)得到的最优切削状态，利用分段K-均值算法将每个切削状态si(1≤i≤3)的观测序列聚类为M(1≤M≤3)类，初始估计三种切削状态的模型参数； [0051]
[0052] ＝切削状态i的第m聚类中观测序列的样本均值矢量
[0053] Uim＝切削状态i第m聚类中观测序列的样本协方差矩阵
[0054] (6.4)重复步骤(6.2)和(6.3)直到先前的模型和新得到的模型计算结果相差小于设定阀值，最终得到初始模型ξ0；
[0055] (7)利用鲍姆-韦尔奇(Baum-Welch)算法重估模型参数，建立模型库； [0056] (7.1)根据步骤(6)求得的初始模型，由前向后向算法求得观测序列V在初始模型下的前向变量、后向变量和似然概率值log10P(V|ξ0)；
[0057] (7.2)引用步骤(7.1)求得的两变量，使用鲍姆-韦尔奇(Baum-Welch)算法对步骤(6)中得到的初始化后的所有切削状态模型参数进行重估，得到重估模型ξ； [0058] (7.3)比较重估模型和先前模型求得的似然概率值，即计算反映CDHMM相似性的距离打分，如果模型距离打分超过设定的阀值，那么用重估模型ξ取代先前的模型；如果模型距离打分低于设定的阀值，那么判定模型收敛并将其保存作为最终得到的模型参数。 [0059] 如图1所示，根据步骤(1)～(7)可以确定稳定切削、过渡阶段、颤振发生三个阶段各自的模型参数，建立切削状态模型库ξ＝(ξ1，ξ2，ξ3)。
[0060] 如图5所示，本发明提供的一种数控机床车削稳定性在线监测方法的 流程步骤如下：
[0061] (1)利用霍尔电流传感器分别测量数控机床驱动电机的三相输出电流，作为样本电流信号；
[0062] (2)对测量的输出电流分别通过放大、滤波与A/D转换，得到电流数字信号，该电流数字信号即监测电流信号；
[0063] (3)对监测电流信号进行特征提取，得到多个信号特征值；
[0064] (4)在多个信号特征值中选择至少三个对颤振敏感，即能够很好地表现出切削状态的信号特征建立特征向量V＝(vt1，vt2，vt3，…，vtn)，作为识别模型(即CDHMM模型)的输入；
[0065] (5)基于前向后向算法求取作为观测序列的特征向量V＝(vt1，vt2，vt3，…，vtn)在每一个切削状态模型ξi(i＝1，2，3)下出现的似然概率log10P(V|ξi)； [0066] (6)比较步骤(5)中求得的三个状态模型ξi(i＝1，2，3)下各自的似然概率值log10P(V|ξi)，输出最大概率值对应的模型序号；
[0067] (7)在模型库中查找步骤(6)中输出的模型序号所对应的切削状态即为当前切削状态，实现对切削状态的在线监测。当判定即将发生颤振时，数控系统输出改变主轴转速和进给速率指令，防止颤振的发生，保证加工安全和加工质量；
[0068] (8)在车床切削过程中，重复步骤(1)至(7)的过程进行处理，即可以对切削状态进行在线实时监测。
[0069] 上述步骤(1)至(4)与CDHMM模型参数初始化和模型库建立过程中步骤(1)至(5)相同。
[0070] 本发明不仅局限于上述具体实施方式，本领域一般技术人员根据本发明公开的内容，可以采用其它多种具体实施方式实施本发明，因此，凡是采用本发明的设计结构和思路，做一些简单的变化或更改的设计，都落入本发明保护的范围。
