本發(fā)明涉及機(jī)械故障診斷
技術(shù)領(lǐng)域：
和計(jì)算機(jī)
技術(shù)領(lǐng)域：
，尤其涉及一種銑削刀具故障監(jiān)測(cè)與識(shí)別方法及系統(tǒng)。
背景技術(shù)：
：銑削是用旋轉(zhuǎn)的銑刀作為刀具加工物體表面的一種機(jī)械加工方法，一般在銑床或鏜床上進(jìn)行，除能加工平面、溝槽、輪齒、螺紋和花鍵軸外，還能加工比較復(fù)雜的型面，生產(chǎn)效率較高，在機(jī)械制造行業(yè)中被廣泛應(yīng)用。刀具作為銑削加工過(guò)程中最易損傷的部件，對(duì)其進(jìn)行及時(shí)有效的狀態(tài)監(jiān)測(cè)與故障識(shí)別至關(guān)重要。據(jù)統(tǒng)計(jì)，在銑削加工中，刀具故障通常約占機(jī)床停機(jī)時(shí)間的7-20％，而頻繁的停機(jī)換刀嚴(yán)重影響企業(yè)的生產(chǎn)效率。此外，換刀的時(shí)效性直接影響到加工的質(zhì)量和成本，一方面，若換刀不及時(shí)，壞刀會(huì)直接影響零件表面光潔度、尺寸精度等質(zhì)量特性，嚴(yán)重的還將導(dǎo)致工件報(bào)廢，增加加工成本；另一方面，若過(guò)早換刀，刀具還未到其有效使用壽命就丟棄，造成材料的浪費(fèi)，增加換刀成本。因此，研究在銑削加工過(guò)程中進(jìn)行實(shí)時(shí)的刀具故障監(jiān)測(cè)與識(shí)別，對(duì)縮減加工成本具有很重要的意義。目前，學(xué)者們開(kāi)展了大量銑削刀具故障監(jiān)測(cè)與識(shí)別的研究，已提出了諸多比較有效的識(shí)別方法，如快速傅里葉變換、小波分析、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、混合智能等，這為高精度、高可靠的銑削刀具故障識(shí)別提供了一定的技術(shù)基礎(chǔ)。然而，這些方法都具有一定的局限性，具體表現(xiàn)為：(一)需要在樣本數(shù)據(jù)量大的前提下開(kāi)展，否則小樣本情形下訓(xùn)練效果很差，對(duì)刀具故障狀態(tài)的識(shí)別無(wú)能為力；(二)需要加工信號(hào)滿(mǎn)足一定的條件(如平穩(wěn)性、獨(dú)立同分布等)，然而卻對(duì)銑削刀具信號(hào)(具有小樣本、非線性、非平穩(wěn)等特點(diǎn))的故障識(shí)別過(guò)程不大適用，常常導(dǎo)致對(duì)某些刀具故障識(shí)別率高而對(duì)其它刀具故障卻無(wú)能為力的現(xiàn)象出現(xiàn)，使得總體故障識(shí)別精度不高。技術(shù)實(shí)現(xiàn)要素：本發(fā)明實(shí)施例的目的在于提供一種銑削刀具故障監(jiān)測(cè)與識(shí)別方法及系統(tǒng)，能夠在不增加試驗(yàn)成本的基礎(chǔ)上，為銑削刀具故障識(shí)別過(guò)程提供更豐富的樣本集合，并能提高銑削刀具故障識(shí)別的整體精度。為了解決上述技術(shù)問(wèn)題，本發(fā)明實(shí)施例提供了一種銑削刀具故障監(jiān)測(cè)與識(shí)別方法，所述方法包括：在已測(cè)銑削刀具的歷史數(shù)據(jù)中，獲取刀具狀態(tài)的種類(lèi)及各種刀具狀態(tài)下所得振動(dòng)時(shí)域信號(hào)；確定所得振動(dòng)時(shí)域信號(hào)都需計(jì)算的共同特征參數(shù)項(xiàng)，并計(jì)算所得振動(dòng)時(shí)域信號(hào)各自對(duì)應(yīng)所述共同特征參數(shù)項(xiàng)的特征值，且將已計(jì)算出特征值的振動(dòng)時(shí)域信號(hào)與各自對(duì)應(yīng)的刀具狀態(tài)種類(lèi)組合成樣本后，形成刀具狀態(tài)樣本集，進(jìn)一步將所述刀具狀態(tài)樣本集劃分得到訓(xùn)練樣本集和測(cè)試樣本集；在預(yù)設(shè)的分類(lèi)算法中選取一定量，得到由所選分類(lèi)算法構(gòu)成的基礎(chǔ)弱分類(lèi)器集，并進(jìn)一步確定每個(gè)所選分類(lèi)算法各自對(duì)應(yīng)的基礎(chǔ)弱分類(lèi)器模型；其中，所述每個(gè)所選分類(lèi)算法的基礎(chǔ)弱分類(lèi)器模型均是采用bootstrap方法對(duì)所述訓(xùn)練樣本集重復(fù)抽樣，并利用重復(fù)抽樣得到的子訓(xùn)練樣本集進(jìn)行訓(xùn)練學(xué)習(xí)而獲得；利用所述測(cè)試樣本集對(duì)所述基礎(chǔ)弱分類(lèi)器集中每個(gè)所選分類(lèi)算法的基礎(chǔ)弱分類(lèi)器模型分別進(jìn)行測(cè)試，并根據(jù)測(cè)試結(jié)果，計(jì)算出每個(gè)所選分類(lèi)算法的基礎(chǔ)弱分類(lèi)器模型的總正確率，且進(jìn)一步根據(jù)所述計(jì)算出的每個(gè)所選分類(lèi)算法的基礎(chǔ)弱分類(lèi)器模型的總正確率，得到每個(gè)所選分類(lèi)算法的基礎(chǔ)弱分類(lèi)器模型的權(quán)重；采集待測(cè)銑削刀具的振動(dòng)時(shí)域信號(hào)，并計(jì)算待測(cè)銑削刀具的振動(dòng)時(shí)域信號(hào)各自對(duì)應(yīng)所述共同特征參數(shù)項(xiàng)的特征值，且將已計(jì)算出特征值的待測(cè)銑削刀具的振動(dòng)時(shí)域信號(hào)送入所述每個(gè)所選分類(lèi)算法的基礎(chǔ)弱分類(lèi)器模型進(jìn)行分類(lèi)，得到所述待測(cè)銑削刀具的分類(lèi)結(jié)果集；根據(jù)所述每個(gè)所選分類(lèi)算法的基礎(chǔ)弱分類(lèi)器模型的權(quán)重以及所述待測(cè)銑削刀具的分類(lèi)結(jié)果集，計(jì)算所述待測(cè)銑削刀具的類(lèi)別概率，并進(jìn)一步篩選出類(lèi)別概率最大所對(duì)應(yīng)的刀具狀態(tài)種類(lèi)作為所述待測(cè)銑削刀具的故障類(lèi)別。其中，所述刀具狀態(tài)的種類(lèi)包括正常、中等磨損和嚴(yán)重磨損。其中，所述共同特征參數(shù)項(xiàng)由6個(gè)時(shí)域參數(shù)項(xiàng)和4個(gè)頻域參數(shù)項(xiàng)形成。其中，所述預(yù)設(shè)的分類(lèi)算法包括線性判別分析算法、基于高斯徑向基核的支持向量機(jī)算法、k近鄰算法和基于多項(xiàng)式核的支持向量機(jī)算法。本發(fā)明實(shí)施例還提供了一種銑削刀具故障監(jiān)測(cè)與識(shí)別系統(tǒng)，所述系統(tǒng)包括：刀具種類(lèi)及信號(hào)獲取單元，用于在已測(cè)銑削刀具的歷史數(shù)據(jù)中，獲取刀具狀態(tài)的種類(lèi)及各種刀具狀態(tài)下所得振動(dòng)時(shí)域信號(hào)；刀具狀態(tài)樣本構(gòu)建單元，用于確定所得振動(dòng)時(shí)域信號(hào)都需計(jì)算的共同特征參數(shù)項(xiàng)，并計(jì)算所得振動(dòng)時(shí)域信號(hào)各自對(duì)應(yīng)所述共同特征參數(shù)項(xiàng)的特征值，且將已計(jì)算出特征值的振動(dòng)時(shí)域信號(hào)與各自對(duì)應(yīng)的刀具狀態(tài)種類(lèi)組合成樣本后，形成刀具狀態(tài)樣本集，進(jìn)一步將所述刀具狀態(tài)樣本集劃分得到訓(xùn)練樣本集和測(cè)試樣本集；模型訓(xùn)練單元，用于在預(yù)設(shè)的分類(lèi)算法中選取一定量，得到由所選分類(lèi)算法構(gòu)成的基礎(chǔ)弱分類(lèi)器集，并進(jìn)一步確定每個(gè)所選分類(lèi)算法各自對(duì)應(yīng)的基礎(chǔ)弱分類(lèi)器模型；其中，所述每個(gè)所選分類(lèi)算法的基礎(chǔ)弱分類(lèi)器模型均是采用bootstrap方法對(duì)所述訓(xùn)練樣本集重復(fù)抽樣，并利用重復(fù)抽樣得到的子訓(xùn)練樣本集進(jìn)行訓(xùn)練學(xué)習(xí)而獲得；模型權(quán)重計(jì)算單元，用于利用所述測(cè)試樣本集對(duì)所述基礎(chǔ)弱分類(lèi)器集中每個(gè)所選分類(lèi)算法的基礎(chǔ)弱分類(lèi)器模型分別進(jìn)行測(cè)試，并根據(jù)測(cè)試結(jié)果，計(jì)算出每個(gè)所選分類(lèi)算法的基礎(chǔ)弱分類(lèi)器模型的總正確率，且進(jìn)一步根據(jù)所述計(jì)算出的每個(gè)所選分類(lèi)算法的基礎(chǔ)弱分類(lèi)器模型的總正確率，得到每個(gè)所選分類(lèi)算法的基礎(chǔ)弱分類(lèi)器模型的權(quán)重；待測(cè)刀具分類(lèi)結(jié)果計(jì)算單元，用于采集待測(cè)銑削刀具的振動(dòng)時(shí)域信號(hào)，并計(jì)算待測(cè)銑削刀具的振動(dòng)時(shí)域信號(hào)各自對(duì)應(yīng)所述共同特征參數(shù)項(xiàng)的特征值，且將已計(jì)算出特征值的待測(cè)銑削刀具的振動(dòng)時(shí)域信號(hào)送入所述每個(gè)所選分類(lèi)算法的基礎(chǔ)弱分類(lèi)器模型進(jìn)行分類(lèi)，得到所述待測(cè)銑削刀具的分類(lèi)結(jié)果集；待測(cè)刀具故障類(lèi)別識(shí)別單元，用于根據(jù)所述每個(gè)所選分類(lèi)算法的基礎(chǔ)弱分類(lèi)器模型的權(quán)重以及所述待測(cè)銑削刀具的分類(lèi)結(jié)果集，計(jì)算所述待測(cè)銑削刀具的類(lèi)別概率，并進(jìn)一步篩選出類(lèi)別概率最大所對(duì)應(yīng)的刀具狀態(tài)種類(lèi)作為所述待測(cè)銑削刀具的故障類(lèi)別。其中，所述刀具狀態(tài)的種類(lèi)包括正常、中等磨損和嚴(yán)重磨損。其中，所述共同特征參數(shù)項(xiàng)由6個(gè)時(shí)域參數(shù)項(xiàng)和4個(gè)頻域參數(shù)項(xiàng)形成。其中，所述預(yù)設(shè)的分類(lèi)算法包括線性判別分析算法、基于高斯徑向基核的支持向量機(jī)算法、k近鄰算法和基于多項(xiàng)式核的支持向量機(jī)算法。實(shí)施本發(fā)明實(shí)施例，具有如下有益效果：本發(fā)明實(shí)施例通過(guò)采集不同刀具狀態(tài)加工過(guò)程中的振動(dòng)信號(hào)，提取若干時(shí)頻統(tǒng)計(jì)特征參數(shù)構(gòu)成訓(xùn)練數(shù)據(jù)集；然后基于bagging集成學(xué)習(xí)原理，選定幾種分類(lèi)器(如svm、線性判別分析、k近鄰、神經(jīng)網(wǎng)絡(luò)等)作為基礎(chǔ)弱分類(lèi)器，并對(duì)每個(gè)基礎(chǔ)弱分類(lèi)器，采用bootstrap重抽樣方法對(duì)訓(xùn)練樣本進(jìn)行重抽樣，獲得若干訓(xùn)練子集，利用這些訓(xùn)練子集對(duì)基礎(chǔ)分類(lèi)器進(jìn)行訓(xùn)練學(xué)習(xí)，得到來(lái)自不同訓(xùn)練子集的基礎(chǔ)弱分類(lèi)器模型，且進(jìn)一步計(jì)算每個(gè)基礎(chǔ)弱分類(lèi)器模型的正確率；最后采用加權(quán)投票策略進(jìn)行銑削刀具故障的最終識(shí)別，因此在不增加試驗(yàn)成本的基礎(chǔ)上為銑削刀具故障識(shí)別過(guò)程提供了更豐富的樣本集合，并能整合不同基礎(chǔ)分類(lèi)器的優(yōu)勢(shì)，提高銑削刀具故障識(shí)別的整體精度。附圖說(shuō)明為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)性的前提下，根據(jù)這些附圖獲得其他的附圖仍屬于本發(fā)明的范疇。圖1為本發(fā)明實(shí)施例提供的銑削刀具故障監(jiān)測(cè)與識(shí)別方法的流程圖；圖2為本發(fā)明實(shí)施例提供的銑削刀具故障監(jiān)測(cè)與識(shí)別系統(tǒng)的結(jié)構(gòu)示意圖。具體實(shí)施方式為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。如圖1所示，本發(fā)明實(shí)施例中，提出的一種銑削刀具故障監(jiān)測(cè)與識(shí)別方法，所述方法包括：步驟s1、在已測(cè)銑削刀具的歷史數(shù)據(jù)中，獲取刀具狀態(tài)的種類(lèi)及各種刀具狀態(tài)下所得振動(dòng)時(shí)域信號(hào)；具體過(guò)程為，在已測(cè)銑削刀具的歷史數(shù)據(jù)中，獲取刀具狀態(tài)有c種(如正常、中等磨損、嚴(yán)重磨損、破損等)，并得到c種刀具狀態(tài)下的振動(dòng)時(shí)域信號(hào)t次，記為i＝1,…,t,c＝1,…,c，z為每次采集的信號(hào)點(diǎn)數(shù)，c為第c類(lèi)刀具狀態(tài)。步驟s2、確定所得振動(dòng)時(shí)域信號(hào)都需計(jì)算的共同特征參數(shù)項(xiàng)，并計(jì)算所得振動(dòng)時(shí)域信號(hào)各自對(duì)應(yīng)所述共同特征參數(shù)項(xiàng)的特征值，且將已計(jì)算出特征值的振動(dòng)時(shí)域信號(hào)與各自對(duì)應(yīng)的刀具狀態(tài)種類(lèi)組合成樣本后，形成刀具狀態(tài)樣本集，進(jìn)一步將所述刀具狀態(tài)樣本集劃分得到訓(xùn)練樣本集和測(cè)試樣本集；具體過(guò)程為，確定各類(lèi)刀具狀態(tài)下t次振動(dòng)信號(hào)的共同特征參數(shù)項(xiàng)(有10個(gè)，具體包括時(shí)域參數(shù)6個(gè)和頻域參數(shù)4個(gè)，公式見(jiàn)下表1)，此時(shí)計(jì)算出特征值的振動(dòng)時(shí)域信號(hào)表示為并與刀具狀態(tài)種類(lèi)c組成樣本后形成刀具狀態(tài)樣本集i＝1,…,t,c＝1,…,c。將刀具狀態(tài)樣本集分為訓(xùn)練樣本集i＝1,…,t1和測(cè)試樣本集j＝1,…,t2。訓(xùn)練樣本集用于對(duì)分類(lèi)器進(jìn)行訓(xùn)練學(xué)習(xí)，測(cè)試樣本集用于對(duì)分類(lèi)器進(jìn)行測(cè)試評(píng)估，t1和t2分別為訓(xùn)練樣本集和測(cè)試樣本集的樣本容量，且有t1+t2＝t。表1：步驟s3、在預(yù)設(shè)的分類(lèi)算法中選取一定量，得到由所選分類(lèi)算法構(gòu)成的基礎(chǔ)弱分類(lèi)器集，并進(jìn)一步確定每個(gè)所選分類(lèi)算法各自對(duì)應(yīng)的基礎(chǔ)弱分類(lèi)器模型；其中，所述每個(gè)所選分類(lèi)算法的基礎(chǔ)弱分類(lèi)器模型均是采用bootstrap方法對(duì)所述訓(xùn)練樣本集重復(fù)抽樣，并利用重復(fù)抽樣得到的子訓(xùn)練樣本集進(jìn)行訓(xùn)練學(xué)習(xí)而獲得；具體過(guò)程為，選取m個(gè)分類(lèi)算法(如線性判別分析算法、基于高斯徑向基核的支持向量機(jī)算法、k近鄰算法和基于多項(xiàng)式核的支持向量機(jī)算法等)，構(gòu)成基礎(chǔ)弱分類(lèi)器集φ＝{φ1,φ2,…,φm}；對(duì)基礎(chǔ)弱分類(lèi)器φi采用bootstrap方法進(jìn)行多次訓(xùn)練。采用bootstrap方法對(duì)訓(xùn)練樣本集重抽樣b次，利用抽樣的b個(gè)不同訓(xùn)練子集對(duì)基礎(chǔ)弱分類(lèi)器φi進(jìn)行訓(xùn)練學(xué)習(xí)，得到b個(gè)基礎(chǔ)弱分類(lèi)器φi＝{φi1,φi2,…,φib}。bootstap法是一種重復(fù)自采樣方法，采取有放回抽樣策略，更多地在不破壞總體分布的情況下考慮樣本信息，擺脫了傳統(tǒng)統(tǒng)計(jì)方法對(duì)分布假定的依賴(lài)，特別適用于小樣本情形下的數(shù)據(jù)分析，可以克服樣本不充足或樣本不對(duì)稱(chēng)的不足，提升小樣本估計(jì)的精度。其操作過(guò)程如下：對(duì)于含有n＝c*t個(gè)樣本的原始訓(xùn)練集，每次先隨機(jī)采集一個(gè)樣本放入采樣集，接著把該樣本放回，也就是說(shuō)下次采樣時(shí)該樣本仍有可能被采集到，如此采集n次，最終可以得到含有n個(gè)樣本的采樣集。由于是隨機(jī)采樣，這樣每次的采樣集是和原始訓(xùn)練集不同的，和其他采樣集也是不同的，這樣得到多個(gè)不同的訓(xùn)練子集。步驟s4、利用所述測(cè)試樣本集對(duì)所述基礎(chǔ)弱分類(lèi)器集中每個(gè)所選分類(lèi)算法的基礎(chǔ)弱分類(lèi)器模型分別進(jìn)行測(cè)試，并根據(jù)測(cè)試結(jié)果，計(jì)算出每個(gè)所選分類(lèi)算法的基礎(chǔ)弱分類(lèi)器模型的總正確率，且進(jìn)一步根據(jù)所述計(jì)算出的每個(gè)所選分類(lèi)算法的基礎(chǔ)弱分類(lèi)器模型的總正確率，得到每個(gè)所選分類(lèi)算法的基礎(chǔ)弱分類(lèi)器模型的權(quán)重；具體過(guò)程為，用測(cè)試樣本集對(duì)基礎(chǔ)弱分類(lèi)器φi進(jìn)行測(cè)試，計(jì)算φi的總正確率ai：并進(jìn)一步根據(jù)公式計(jì)算基礎(chǔ)弱分類(lèi)器φi的權(quán)重wi。步驟s5、采集待測(cè)銑削刀具的振動(dòng)時(shí)域信號(hào)，并計(jì)算待測(cè)銑削刀具的振動(dòng)時(shí)域信號(hào)各自對(duì)應(yīng)所述共同特征參數(shù)項(xiàng)的特征值，且將已計(jì)算出特征值的待測(cè)銑削刀具的振動(dòng)時(shí)域信號(hào)送入所述每個(gè)所選分類(lèi)算法的基礎(chǔ)弱分類(lèi)器模型進(jìn)行分類(lèi)，得到所述待測(cè)銑削刀具的分類(lèi)結(jié)果集；具體過(guò)程為，每隔固定時(shí)間間隔采集一次運(yùn)行狀態(tài)下的待測(cè)銑削刀具振動(dòng)時(shí)域信號(hào)，構(gòu)成待診斷信號(hào)x’，計(jì)算x’對(duì)應(yīng)共同特征參數(shù)項(xiàng)的特征值，如10個(gè)共同特征參數(shù)項(xiàng)的特征值u＝(u1,...,u10)，并將u作為輸入，用每個(gè)基礎(chǔ)弱分類(lèi)器φi進(jìn)行分類(lèi)，得到分類(lèi)結(jié)果集uc：uc＝{uc1,…,ucm}，uci表示φi的分類(lèi)結(jié)果。步驟s6、根據(jù)所述每個(gè)所選分類(lèi)算法的基礎(chǔ)弱分類(lèi)器模型的權(quán)重以及所述待測(cè)銑削刀具的分類(lèi)結(jié)果集，計(jì)算所述待測(cè)銑削刀具的類(lèi)別概率，并進(jìn)一步篩選出類(lèi)別概率最大所對(duì)應(yīng)的刀具狀態(tài)種類(lèi)作為所述待測(cè)銑削刀具的故障類(lèi)別。具體過(guò)程為，根據(jù)公式計(jì)算待測(cè)銑削刀具的類(lèi)別概率；其中，pk表示待測(cè)刀具為第k類(lèi)狀態(tài)的概率，其取值為uc中將待測(cè)刀具判定為第k類(lèi)狀態(tài)(uci＝k)的分類(lèi)器φi對(duì)應(yīng)的權(quán)重之和；并進(jìn)一步根據(jù)公式計(jì)算出類(lèi)別概率最大值，得到類(lèi)別概率最大所對(duì)應(yīng)的刀具狀態(tài)種類(lèi)確定為待測(cè)刀具的故障類(lèi)別。對(duì)本發(fā)明實(shí)施例中銑削刀具故障監(jiān)測(cè)與識(shí)別方法的應(yīng)用場(chǎng)景做進(jìn)一步說(shuō)明：選取三種刀具狀態(tài)種類(lèi)(包括正常、中等磨損和嚴(yán)重磨損)，每種刀具狀態(tài)下所得振動(dòng)時(shí)域信號(hào)t＝25次，記為i＝1,…,t,c＝1,…,c，z為每次采集的信號(hào)點(diǎn)數(shù)(本例中取z＝4096)；計(jì)算三種刀具狀態(tài)下25次振動(dòng)時(shí)域信號(hào)的10個(gè)共同特征參數(shù)項(xiàng)的特征值，并取t1＝20，t2＝5，即每一種刀具狀態(tài)中隨機(jī)選取20次信號(hào)作訓(xùn)練用，剩下的5次作為測(cè)試用。從而，總體訓(xùn)練樣本容量為20*3＝60，總體測(cè)試樣本容量為5*3＝15；選取m＝4個(gè)分類(lèi)算法，構(gòu)成基礎(chǔ)弱分類(lèi)器集φ＝{φ1,φ2,φ3,φ4}，并采用bootstrap方法對(duì)訓(xùn)練樣本集重抽樣50次，利用抽樣的50個(gè)不同訓(xùn)練子集對(duì)基礎(chǔ)弱分類(lèi)器φi進(jìn)行訓(xùn)練學(xué)習(xí)，得到50個(gè)基礎(chǔ)弱分類(lèi)器φi＝{φi1,φi2,…,φi50}；計(jì)算出基礎(chǔ)弱分類(lèi)器φi的總正確率，具體如下表2所示：表2計(jì)算出基礎(chǔ)弱分類(lèi)器φi的權(quán)重wi，具體如下表3所示：表3計(jì)算出待測(cè)銑削刀具的分類(lèi)結(jié)果，具體如下表4所示：表4計(jì)算出待測(cè)銑削刀具的類(lèi)別概率，具體如下表5所示：表5刀具狀態(tài)正常中等磨損嚴(yán)重磨損概率0.4620.5380判定結(jié)果√從上表5中可以看出，概率最大對(duì)應(yīng)的刀具狀態(tài)種類(lèi)-中等磨損，確定為待測(cè)銑削刀具的故障類(lèi)別。如圖2所示，為本發(fā)明實(shí)施例中，提供的一種銑削刀具故障監(jiān)測(cè)與識(shí)別系統(tǒng)，所述系統(tǒng)包括：刀具種類(lèi)及信號(hào)獲取單元210，用于在已測(cè)銑削刀具的歷史數(shù)據(jù)中，獲取刀具狀態(tài)的種類(lèi)及各種刀具狀態(tài)下所得振動(dòng)時(shí)域信號(hào)；刀具狀態(tài)樣本構(gòu)建單元220，用于確定所得振動(dòng)時(shí)域信號(hào)都需計(jì)算的共同特征參數(shù)項(xiàng)，并計(jì)算所得振動(dòng)時(shí)域信號(hào)各自對(duì)應(yīng)所述共同特征參數(shù)項(xiàng)的特征值，且將已計(jì)算出特征值的振動(dòng)時(shí)域信號(hào)與各自對(duì)應(yīng)的刀具狀態(tài)種類(lèi)組合成樣本后，形成刀具狀態(tài)樣本集，進(jìn)一步將所述刀具狀態(tài)樣本集劃分得到訓(xùn)練樣本集和測(cè)試樣本集；模型訓(xùn)練單元230，用于在預(yù)設(shè)的分類(lèi)算法中選取一定量，得到由所選分類(lèi)算法構(gòu)成的基礎(chǔ)弱分類(lèi)器集，并進(jìn)一步確定每個(gè)所選分類(lèi)算法各自對(duì)應(yīng)的基礎(chǔ)弱分類(lèi)器模型；其中，所述每個(gè)所選分類(lèi)算法的基礎(chǔ)弱分類(lèi)器模型均是采用bootstrap方法對(duì)所述訓(xùn)練樣本集重復(fù)抽樣，并利用重復(fù)抽樣得到的子訓(xùn)練樣本集進(jìn)行訓(xùn)練學(xué)習(xí)而獲得；模型權(quán)重計(jì)算單元240，用于利用所述測(cè)試樣本集對(duì)所述基礎(chǔ)弱分類(lèi)器集中每個(gè)所選分類(lèi)算法的基礎(chǔ)弱分類(lèi)器模型分別進(jìn)行測(cè)試，并根據(jù)測(cè)試結(jié)果，計(jì)算出每個(gè)所選分類(lèi)算法的基礎(chǔ)弱分類(lèi)器模型的總正確率，且進(jìn)一步根據(jù)所述計(jì)算出的每個(gè)所選分類(lèi)算法的基礎(chǔ)弱分類(lèi)器模型的總正確率，得到每個(gè)所選分類(lèi)算法的基礎(chǔ)弱分類(lèi)器模型的權(quán)重；待測(cè)刀具分類(lèi)結(jié)果計(jì)算單元250，用于采集待測(cè)銑削刀具的振動(dòng)時(shí)域信號(hào)，并計(jì)算待測(cè)銑削刀具的振動(dòng)時(shí)域信號(hào)各自對(duì)應(yīng)所述共同特征參數(shù)項(xiàng)的特征值，且將已計(jì)算出特征值的待測(cè)銑削刀具的振動(dòng)時(shí)域信號(hào)送入所述每個(gè)所選分類(lèi)算法的基礎(chǔ)弱分類(lèi)器模型進(jìn)行分類(lèi)，得到所述待測(cè)銑削刀具的分類(lèi)結(jié)果集；待測(cè)刀具故障類(lèi)別識(shí)別單元260，用于根據(jù)所述每個(gè)所選分類(lèi)算法的基礎(chǔ)弱分類(lèi)器模型的權(quán)重以及所述待測(cè)銑削刀具的分類(lèi)結(jié)果集，計(jì)算所述待測(cè)銑削刀具的類(lèi)別概率，并進(jìn)一步篩選出類(lèi)別概率最大所對(duì)應(yīng)的刀具狀態(tài)種類(lèi)作為所述待測(cè)銑削刀具的故障類(lèi)別。其中，所述刀具狀態(tài)的種類(lèi)包括正常、中等磨損和嚴(yán)重磨損。其中，所述共同特征參數(shù)項(xiàng)由6個(gè)時(shí)域參數(shù)項(xiàng)和4個(gè)頻域參數(shù)項(xiàng)形成。其中，所述預(yù)設(shè)的分類(lèi)算法包括線性判別分析算法、基于高斯徑向基核的支持向量機(jī)算法、k近鄰算法和基于多項(xiàng)式核的支持向量機(jī)算法。實(shí)施本發(fā)明實(shí)施例，具有如下有益效果：本發(fā)明實(shí)施例通過(guò)采集不同刀具狀態(tài)加工過(guò)程中的振動(dòng)信號(hào)，提取若干時(shí)頻統(tǒng)計(jì)特征參數(shù)構(gòu)成訓(xùn)練數(shù)據(jù)集；然后基于bagging集成學(xué)習(xí)原理，選定幾種分類(lèi)器(如svm、線性判別分析、k近鄰、神經(jīng)網(wǎng)絡(luò)等)作為基礎(chǔ)弱分類(lèi)器，并對(duì)每個(gè)基礎(chǔ)弱分類(lèi)器，采用bootstrap重抽樣方法對(duì)訓(xùn)練樣本進(jìn)行重抽樣，獲得若干訓(xùn)練子集，利用這些訓(xùn)練子集對(duì)基礎(chǔ)分類(lèi)器進(jìn)行訓(xùn)練學(xué)習(xí)，得到來(lái)自不同訓(xùn)練子集的基礎(chǔ)弱分類(lèi)器模型，且進(jìn)一步計(jì)算每個(gè)基礎(chǔ)弱分類(lèi)器模型的正確率；最后采用加權(quán)投票策略進(jìn)行銑削刀具故障的最終識(shí)別，因此在不增加試驗(yàn)成本的基礎(chǔ)上為銑削刀具故障識(shí)別過(guò)程提供了更豐富的樣本集合，并能整合不同基礎(chǔ)分類(lèi)器的優(yōu)勢(shì)，提高銑削刀具故障識(shí)別的整體精度。值得注意的是，上述系統(tǒng)實(shí)施例中，所包括的各個(gè)系統(tǒng)單元只是按照功能邏輯進(jìn)行劃分的，但并不局限于上述的劃分，只要能夠?qū)崿F(xiàn)相應(yīng)的功能即可；另外，各功能單元的具體名稱(chēng)也只是為了便于相互區(qū)分，并不用于限制本發(fā)明的保護(hù)范圍。本領(lǐng)域普通技術(shù)人員可以理解實(shí)現(xiàn)上述實(shí)施例方法中的全部或部分步驟是可以通過(guò)程序來(lái)指令相關(guān)的硬件來(lái)完成，所述的程序可以存儲(chǔ)于一計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中，所述的存儲(chǔ)介質(zhì)，如rom/ram、磁盤(pán)、光盤(pán)等。以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。當(dāng)前第1頁(yè)12