基于傳感器布置與數(shù)據(jù)融合的制造過程狀態(tài)監(jiān)測研究.pdf

1、作為《國家戰(zhàn)略性新興產(chǎn)業(yè)發(fā)展“十二五”規(guī)劃》中重點發(fā)展方向之一的智能制造裝備是一種深度融合了智能技術的產(chǎn)物。作為智能信息系統(tǒng)“神經(jīng)末梢”的傳感器類型和數(shù)目隨著制造系統(tǒng)的日趨復雜而急劇增多，不同類型、個數(shù)和空間組合的傳感器網(wǎng)絡雖然提供了充足的數(shù)據(jù)，但是由于制造過程本身的復雜性，變量間信號傳遞關系的耦合性，以及傳感器安裝位置受限等，如何合理選擇傳感器類型、判斷傳感器安裝位置優(yōu)劣以及分析傳感器布置與系統(tǒng)監(jiān)測性能之間的關系成為制造過程狀態(tài)監(jiān)測的

2、關鍵。作為一種特例，表面質量監(jiān)測是確保工件表面質量的重要手段，但是傳統(tǒng)的監(jiān)測方法較少考慮傳感器所拾取信息的關聯(lián)性，從而使其難以反映切削過程中工件表面形貌形成的全面狀態(tài)信息。由于傳感器網(wǎng)絡所采集到的狀態(tài)信息中存在著冗余性和互補性，因此有必要對這些信息做進一步更為有效的融合處理，從而得到更加準確可靠的表面質量監(jiān)測結果。論文主要工作如下:
　　(1)在考慮到傳感器和故障不同程度量化特征的基礎上，對切削過程狀態(tài)監(jiān)測的同類和異類傳感器布置方

3、法進行了探討。對于同類傳感器布置，通過將遺傳算法的搜索過程描述為一個有限狀態(tài)的馬爾科夫鏈用于循環(huán)次數(shù)估計，設定自適應交叉算子并采用變群體策略，給出了一種新的自適應進化算法用于多目標和約束條件下的傳感器布置優(yōu)化;對于異類傳感器布置，首先基于所構建的連續(xù)多工步信息傳遞模型推導出了相關參數(shù)用來表征不同測點傳感器的監(jiān)測能力，其次將傳感器和故障特性進行了量化表示，并基于屬性層次模型構建了傳感器，故障以及系統(tǒng)檢測能力之間的因果關系，設定了優(yōu)化目標和

4、約束條件，最后采用兩種不同的智能算法進行了優(yōu)化比較分析，為后續(xù)優(yōu)化算法選擇提供了理論指導。
　　(2)針對復雜的單工位多工步制造過程狀態(tài)監(jiān)測，提出了一種新的異類傳感器布置方法。首先建立了單工位多工步故障信息流模型，并據(jù)此給出了相關特征參數(shù)用于指導傳感器初始布置。其次為了對監(jiān)測系統(tǒng)進行可靠性評估和表征系統(tǒng)本身的不確定程度，推導并定義了一個平穩(wěn)因子用來表征傳感器-故障對對于監(jiān)測系統(tǒng)穩(wěn)定性的影響?；诖?，提出了一個量化因果圖模型用來模擬

5、傳感器測量和系統(tǒng)故障集之間的因果關系。最后，以系統(tǒng)故障不可觀測性，系統(tǒng)穩(wěn)定性以及系統(tǒng)成本為優(yōu)化目標，以系統(tǒng)可檢測性，平穩(wěn)性為約束條件，基于不同傳感器優(yōu)化布置方法的對比分析表明了該傳感器布置策略的有效性。
　　(3)針對工件表面形貌形成及其監(jiān)測信號隨機性的特點，將隱馬爾科夫模型(HiddenMarkov Model，HMM)和動態(tài)貝葉斯網(wǎng)(Dynamic Bayesian Network，DBN)引入到工件表面質量監(jiān)測中?；谲囅鬟^

6、程工件表面粗糙度和圓度(Surface Roughness and Roundness，SRR)與刀尖振動位移幾何空間位置關系的分析，確定了監(jiān)測特征，給出了HMM用于SRR同步質量監(jiān)測的具體步驟和理論框架，并進行了實驗驗證。在詳細分析了車削振動對工件表面形貌影響的基礎上，采用奇異譜和小波分析提取了刀具沿工件坐標三個方向的振動融合特征。并給出了一個新的DBN模型-離散和高斯混合的隱馬爾科夫模型(Discrete andGaussian M

7、ixture Hidden Markov Model，DGMHMM用于工件表面粗糙度精度等級監(jiān)測。與相關模型的實例比較分析表明，基于DGMHMM DS的決策融合識別策略能夠有效的用于工件表面質量監(jiān)測。
　　(4)針對當前硬車削工件表面質量監(jiān)測研究中可能存在的樣本缺失問題，以獨立成分分析和奇異譜分析提取的多方向切削振動融合特征為輸入，提出了基于貝葉斯推理的HMM-SVM模型用于工件表面粗糙度監(jiān)測。其利用HMM小樣本分類的優(yōu)勢，將測試

8、樣本根據(jù)國標所評定的精度等級進行等級分類識別，然后采用最小二乘支持向量機(LS-SVM)對工件表面粗糙度值進行估計。為了有效解決由于HMM誤判所造成的監(jiān)測精度下降和樣本缺失情況下訓練數(shù)據(jù)不足的問題，給出了一種五步迭代算法用于選擇和優(yōu)化訓練集。與多元線性回歸(MLR)和LS-SVM監(jiān)測精度的比較分析表明了其有效性。
　　(5)針對當前制造過程狀態(tài)監(jiān)測中的信號選擇、特征提取以及監(jiān)測對象單一等方面存在的缺陷和不足，將耦合隱馬爾科夫模型(

9、Coupled Hidden Markov Model，CHMM)引入到多方向傳感器數(shù)據(jù)融合的切削過程狀態(tài)監(jiān)測中，用以分析傳感器空間布置對于系統(tǒng)監(jiān)測精度的影響。在詳細分析了車削振動對于工件表面形貌的影響以及銑削刀具磨損對于切削力影響的基礎上，基于奇異譜和小波分析提取了監(jiān)測特征，并采用智能算法對特征進行了二次選擇?；贑HMM的多方向傳感器數(shù)據(jù)融合分析表明，不同測點傳感器布置對于系統(tǒng)監(jiān)測精度具有顯著影響，融合了三方向傳感器數(shù)據(jù)的模型具有較