[发明专利]一种多传感器融合的车刀状态监测方法及系统

权利要求书

1.一种多传感器融合的车刀状态监测方法，其特征在于，包括如下步骤：

采集车刀工作过程中的声发射信号和电流信号；

对声发射信号和电流信号进行特征提取后进行归一化处理；

将归一化处理后的数据输入神经网络模型进行结果识别；

上述步骤中，在采集声发射信号和电流信号步骤后，还包括车刀极限磨损判定步骤，车刀极限磨损判定与特征提取并列进行；

所述车刀极限磨损判定的方式为：在轻载荷区，通过声发射信号判定；在中载荷区，通过声发射信号和电流信号协同判定；在重载荷区，通过电流信号判定；

所述采集车刀工作过程中的声发射信号和电流信号步骤与所述对声发射信号和电流信号进行特征提取后进行归一化处理步骤之间，还包括数据不平衡处理步骤；

所述数据不平衡处理步骤包括：

S21.输入数据集D和过采样率α；

S22.将数据集D分成正常样本集normal和故障样本集false，将正常样本集划分为正常类子簇；

S23.根据S22得到的正常类子簇划分故障类样本为不同的故障类子簇；

S24.计算每个故障类子簇误分率，计算公式为：

式中，Cfal_k表示故障类子簇，t_k表示Cfal_k中误分样本数，m_k表示Cfal_k中总样本数：

再计算每个故障类子簇过采样权重，计算公式为：

式中，α表示过采样率，且满足0≤α≤1，N_nor表示原始数据集中正常类样本数，N_fal表示原始数据集中故障类样本数，n表示Cfal_k中样本个数；

S25.计算每个故障类子簇的概率分布，结合S24得到的每个故障类子簇的过采样权重对故障类子簇中样本进行过采样，同时对合成样本进行预测，预测正确则将合成样本添入新数据集TD中；故障类子簇的概率分布计算公式为：

式中，n表示Cfal_k中样本个数，t表示近邻样本个数，b_k表示a的第k个正常类样本近邻，1≤k≤t，表示故障类样本a与正常类样本b_k之间的欧式距离。

2.根据权利要求1所述的一种多传感器融合的车刀状态监测方法，其特征在于，所述车刀极限磨损判定的具体步骤包括：

在轻载荷区：

a1.输入声发射信号x，判定x是否小于声发射信号阈值x_thr，若是，则判定车刀状态正常，车刀继续工作；否则，判定车刀状态为极限磨损或破损，车刀暂停工作；

在中载荷区：

b1.输入声发射信号x，判定x是否小于声发射信号阈值x_thr，若是，则判定车刀状态正常，车刀继续工作；否则，进入步骤b2；

b2.输入电流信号i，判定在δ秒内i是否小于电流信号阈值i_thr，若是，则判定车刀状态正常，车刀继续工作；否则，判定车刀状态为极限磨损或破损，车刀暂停工作；

在重载荷区：

c1.输入电流信号i，判定i是否小于电流信号阈值i_thr，若是，则判定车刀状态正常，车刀继续工作；否则，判定车刀状态为极限磨损或破损，车刀暂停工作。

3.根据权利要求2所述的一种多传感器融合的车刀状态监测方法，其特征在于，在所述轻载荷区、中载荷区或重载荷区，在所述判定车刀状态为极限磨损或破损后，进行报警。

4.根据权利要求1所述的一种多传感器融合的车刀状态监测方法，其特征在于，所述数据输入神经网络模型进行结果识别的结果包括：初期磨损阶段、正常磨损阶段和急剧磨损阶段。