申请/专利权人：大连理工大学

申请日：2021-10-28

公开（公告）日：2024-03-26

公开（公告）号：CN114021443B

主分类号：G06F30/27

分类号：G06F30/27;G06F18/214;G06F17/16;G06F17/18;G06F113/26

优先权：

专利状态码：有效-授权

法律状态：2024.03.26#授权;2022.02.25#实质审查的生效;2022.02.08#公开

摘要：本发明属于机械加工领域，提供基于多传感器的碳纤维复合材料钻削出口分层损伤预测方法；首先通过采集钻削过程中的力、力矩、温度和振动信号构建输入信号数据集；然后利用统计分层因子评估加工分层损伤，结合分层损伤评估结果获得输出数据集；再建立回归‑时序混合预测模型，通过输入与输出数据集训练模型，得到碳纤维复合材料损伤预测模型；最终结合钻削过程中的力、力矩、温度和振动的在位采集，代入损伤预测模型实现加工损伤的在位预测。本发明解决碳纤维复合材料钻削出口分层损伤难以实时预测的问题，实现在连续钻孔下待加工孔分层损伤的准确预测。此外，对预测结果给出置信区间，进一步避免分层损伤超差的发生，在工业生产中有更大的潜力。

主权项：1.一种基于多传感器的碳纤维复合材料钻削出口分层损伤预测方法，其特征在于，结合钻削过程中力、力矩、温度和振动的在位采集，构建输入信号集，通过对分层损伤程度的准确评估，构建输出数据集，建立预测待加工孔损伤的机器学习模型，实现加工损伤的在位预测；具体步骤如下：第一步，特征信号采集与提取；在钻削过程中采集力、力矩、温度和振动四种信号；对力和力矩进行去除零点漂移处理，并进行滤波处理，去除振动信号中异常值，然后提取四种信号的时域特征值，构建每种信号的特征矩阵如下： 其中，X为信号特征矩阵，Zmax、Zmin、Zp-p、Zrms、Zave、Zrave、Zvar和Zstd分别代表时域特征值类型的最大值、最小值、峰峰值、均方根、均值、整流平均值、方差和标准差，其角标F、T、Vib和Tem分别代表力、力矩、振动和温度；考虑到两个平面内的力矩，力矩特征矩阵为16维，温度特征值为图像峰值特征，考虑到温度特征值曲线有两个明显的峰值特征，温度特征矩阵为12维，力和振动特征矩阵均为8维，最终得到44维的特征矩阵；信号特征矩阵分解为：X＝U∑VT5其中，U、V为正交阵，∑为n×n的对角阵，将∑分割为k列，记为Σk，求解降维数据点Yk：Yk＝U∑k6将原有的n维特征矩阵降维成k维；使用主成分分析对信号特征矩阵进行降维分析，对各主成分进行归一化处理，通过碎石图对k值的选取进行可视化分析，选取3个力特征值主成分，4个力矩特征值主成分，2个温度特征值主成分，2个振动特征值主成分；将钻孔序号Nth记录为一维特征，并与降维信号特征矩阵相结合，用于反映钻孔过程中的时间序列信息，构造输入特征矩阵： 其中，代表了第i个力特征值主成分，代表了第i个力矩特征值主成分，代表了第i个温度特征值主成分，代表了第i个振动特征值主成分；第二步，分层损伤评估对出口处图像运用灰度化处理、二值化处理得到出口损伤轮廓，采用k-means聚类算法实现对出口损伤轮廓分层轮廓的分割，引入统计分层因子Fs对分层进行量化评估，统计分层因子Fs为： 其中，nm代表分层轮廓线上采样点数量，di代表分层轮廓线上采样点到圆心的距离，R代表拟合半径，ri为di与R的差值，Rnom为公称半径，rt代表孔分层的最大允许偏差，Rt代表孔半径的最大允许偏差；使用奇异谱分析对Fs序列进行分解重构，提取出代表原始序列的不同分量；对每个孔分层损伤区域进行提取和量化，将光学显微镜得到的图像序列转换为以Fs为分量的一维时间序列 其中，Nh是孔的总数；选择窗口长度L，其中2≤L≤Nh；将一维时间序列转化为轨迹矩阵Y： 其中，k＝Nh-L+1；对轨迹矩阵Y进行奇异值分解，计算YYT，得到其特征值λ1≥λ2≥λ3≥…≥λL≥0,U1,U2…UL为与上述特征值相对应的正交特征向量，获得以下公式： 其中，Vi是轨迹矩阵Y的主成分，Yi是滞后序列，特征值λi相应的Ui反映时间序列的演变，称为时间经验正交函数；选择轨迹矩阵Y的任意分量进行分组，分组后得到的矩阵重新构造，在重构过程中，计算滞后序列Yi在Ui的投影如下： 其中，Yd为轨迹矩阵Y的第d列，为Y在原始序列特定周期内所反映的时间权值，称为时间主成分，利用时间经验正交函数和时间主成分重构Y的任意分量得到重构序列如下： 重构序列的和等价于原始序列如下： 其中，d代表轨迹矩阵Y的列数，为时间主成分；通过以上计算，将Fs序列分解为L个分量，任意不大于L数量的不同组合用来描述分层的不同特性，剔除噪声项，前几个分量描述趋势项，其余分量描述波动项,如下： 其中，为重组趋势序列的第d项，为重组波动序列的第d项，L1是参与重建的趋势项部分的分量数,L2-L1是参与波动项重构的分量数，经过上述的处理得到分层损伤的输出数据集；第三步，基于回归-时序混合预测模型的加工损伤预测首先建立输入为传感器数据，输出为出口损伤的回归模型；XGBoost回归模型的基本模型是一种决策树，模型的输出yi是对以k棵树为参数的集合F进行集成得到的，表示如下： 训练目标函数由训练损失函数和正则化项组成，其表示为： 其中，为出口损伤的实际值，为出口损伤的预测值，K为树的个数，Ωfk代表模型的复杂度，用树的结点个数、树的深度、树叶权重的L2范数进行描述；将训练误差用泰勒公式展开得到： 其中，gi和hi分别代表叶子节点所包含样本的一阶和二阶偏导数；使用叶子个数和叶子权重的平滑程度描述模型的复杂度，得到： 其中，λ为正则化系数，γ为收缩系数，T为当前叶子个数，wj为叶子的权重，为L2范数，忽略掉前t-1棵树的影响得到： 其中： 根据下式选择分裂特征和分裂点： 其中，是左边的子树分数，是右边的子树分数，是不分裂得到的分数，δ是增加新的叶节点所带来的复杂性代价；XGBoost回归模型通过回归分析建立CFRP钻削过程中传感器信号与出口损伤之间的关系后，引入ARIMA时序预测模型，分析孔损伤波动增加的历史进程，得到对孔出口损伤的预测；模型表示为ARIMAp,d,q，其中p为自回归项的个数，q是移动平均项的数目，d为使之成为平稳序列所做的差分次数；ARIMA模型如下： 其中，yt是XGBoost回归模型的预测值，εt是时段t的随机误差，L在上式代表LXt＝Xt-1定义的滞后运算符，是自回归算子；应用Box-Jenkins方法构建ARIMA模型，最终的预测值描述如下： 其中，为趋势项的预测值，为波动项的预测值；用波动项的主分量代替波动项的所有分量，采用下式描述预测值： 其中，k是分量的重要性，由奇异值分解后的特征值描述如下： 预测的置信区间为： 最终预测值的置信区间用下式表示：up＝upTen+k·upFlu29low＝lowTen+k·lowFlu30。

全文数据：

权利要求：

百度查询： 大连理工大学 基于多传感器的CFRP钻削出口分层损伤预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD