[0042] 下面结合具体实施例和附图对本发明作详细说明。虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
[0043] 实施例1
[0044] 如图1所示，本实施例提出的一种基于声信号检测的超声刀具磨损状态识别方法与系统，所述方法包括：
[0045] 步骤S1、采集超声刀具切削加工过程的声信号数据，获取刀具状态的种类及各种刀具状态下所得的声信号。
[0046] 具体过程为，先给出刀具的磨损状态M种(初期磨损，中期磨损，后期磨损，破损等)，每种刀具状态下获取已测超声刀具切削声信号数据T次，每组N个数据，每组数据类别记为 (t＝1，2，…，T；m＝1,2,…,M，其中t为已采数据中组号，m为第M类超声刀具状态)。
[0047] 步骤S2、将采集到的切削声音时域信号与各自对应的刀具状态种类组合在一起，形成不同状态的超声刀具样本集，并且进一步将超声刀具的状态样本集区分为测试样本集和训练样本集。
[0048] 具体过程为，将超声刀具样本集，分为训练样本集T1和测试样本集T2，训练样本集用于对BP网络分类器进行训练学习，测试样本集用于对BP网络分类器进行测试评估，T1和T2分别为训练样本集和测试样本集的样本容量，且有T1+T2＝T。
[0049] 步骤S3、将训练样本集和测试样本集进行时域分析、频域分析、小波包分析。提取特征：对声信号在时域上进行均方根计算；通过分析空切状态下环境噪音频域分布，通过小波包分解提取合适特征频段的能量百分比特征；
[0050] 具体过程为，确定各类超声刀具状态切削蜂窝材料时T次声信号的共同特征参数项Fi(有5个，包括时域参数2个，小波包特征频段能量百分比3个)，五个特征分别是声信号时域上的均方根值和方差值以及3个小波包特征频段能量百分比。将采集的信号进行小波除噪之后，进行三层小波包分解，将各组信号分解到八个频段上面，即0～2khz,2khz～4khz,4khz～6khz,6khz～8khz,8khz～10khz,10khz～12khz,12khz～14khz,14khz～
16khz。其中，2khz～4khz,4khz～6khz,6khz～8khz,三个频带能量最大，且避开了环境影响较大的低频段，所以选取其为声信号的特征频段，并取特征频段能量百分比作为特征参数项。此时计算出的特征参数项表示为 (j＝1，2，3，4，5，j表示对应的5个特征)。
[0051] 步骤S4、将选取的刀具磨损敏感的五个特征，每四个组成一个特征向量，共五组，五组向量分别输入到设计好的五个BP网络分类器中。通过训练样本集对每个单分类器进行训练。所述BP网络分类器中的输入层、隐层、输出层关系为4-2-1。
[0052] 具体过程为，将前面所述的含有5个元素的特征向量分别取不同的4个元素，组成新的特征向量，分别为
5个特征
向量分别用以训练5个不同的BP神经网络，得到5个BP网络分类器BPi(i＝1，2，3，4，5)。
[0053] 步骤S5、将待测样本输入到各分类器中，使用聚类分析的思想和k最近邻算法，引入状态矩阵，然后自适应确定每个BP分类器的权值，最后由多分类器线性加权融合判决，得出超声刀具的类别概率最大的状态，输出超声刀具实时磨损状态类别。
[0054] 具体过程为，提取测试样本集Text-X中的5个特征，计算每类特征的特征向量与样本训练集Train-X中的相应类别特征参数项之间的欧氏距离，再利用k近邻方法，在训练集中选出与测试样本集Text-X的每类特征距离最近的k个近邻样本，记为Zij(表示第i类特征的第j个近邻，其中i＝1，2，…，5，j＝1，2，…，k)。
[0055] 分析待测样本Text-X在各个BP网络分类器上的输出结果Ri(i＝1，2，3)与这些每个特征参数项的近邻样本Zij的相关性记为 记每类特征的k近邻点相关性总和为同类度： U(Text-X，Zij)的取值范围是[0,
1],U(Text-X，Zij)的值越接近于1，则分类器样本划分认为两者属于同一类别的一致程度越高，反之，则越低。设定阈值S,若U(Text-X，Zij)≥S，该特征参数项近邻为有效近邻，反之，将该特征参数项近邻剔除，减少无效近邻对多分类器融合产生干扰。剩下的所有特征参数项有效近邻集合为Q。
[0056] 进一步由所述单分类器有效近邻Q,构建状态矩阵CMi(i＝1，2，3，4，5，表示分类器个数)：
[0057]
[0058] 矩阵ZQmn(m＝1，2，3，n＝1，2，3，4，5)纵向m表示各个特征参数项中属于超声刀具磨损初期、磨损中期、磨损后期的近邻个数。横向n表示特征参数的类别。根据输出类别Ri，用ratei记为各单分类器分类性能指标。 (i＝1，2，3，4,表示特征向量个数)，将各分类器性能指标进行归一化处理，依据公式 Wi即为个单分类器权值。将各单分类器分类结果Ri与各单分类器权重Wi利用线性加权的方式，得出超声刀具的类别概率最大的状态，输出多分类器融合超声刀具磨损状态类别。得到超声刀具磨损状态判别。
[0059] 实施本发明实施例，具有如下有益效果：
[0060] 本发明实施例通过采集不同磨损状态的超声刀具切削蜂窝复合材料的声信号，提取时域上的均方根和方差，以及小波包分解能量百分比等特征参数，构成训练数据集；然后由这些特征参数构成多个特征向量；将所述多个特征向量分别输入到多个BP神经网络进行训练，得到多个BP网络分类器，进一步采用聚类分析和k近邻算法对单分类器进行权值自获取，最后对多分类器进行线性加权融合策略，计算所述超声刀具磨损状态的类别概率，将其中最大概率刀具状态作为刀具实时磨损状态识别输出。该发明能够在不改变机床本身的机械结构前提下，较为方便采集超声刀具切削时的声信号，并实现较少的实验数据得到较多的特征向量样本集，完成BP网络分类器训练，节约训练成本。通过使用多特征向量，引入状态矩阵，实现单分类器动态权值的获取，通过多分类器融合，提高超声刀具磨损状态实时监测的准确率。
[0061] 实施例2
[0062] 如图3所示，本实施例提供一种基于声信号检测的超声刀具磨损状态监测系统，包括信号处理终端和信号采集系统，其中，
[0063] 信号采集系统，用于通过传声器采集刀具切削过程的声信号，获取刀具状态的种类及各种刀具状态下的声信号；所述刀具状态的种类包括初期磨损、中期磨损、后期磨损和破损等等。
[0064] 信号处理终端包括(图中未示出)：
[0065] 刀具状态样本构建单元，将采集到的声信号与各自对应的刀具状态种类组合在一起，形成不同状态的刀具样本集，将所述刀具样本集区分为测试样本集和训练样本集；
[0066] 刀具磨损特征提取单元，对测试样本集和训练样本集进行时域分析、频域分析、小波包分析，选择多个反映刀具状态的特征参数，构造特征向量；
[0067] 单分类器训练单元，将所述多个特征向量分别输入到多个BP神经网络中进行训练，训练生成多个单分类器；
[0068] 单分类器权值自获取单元，通过k近邻算法和聚类分析思想，筛选出各个单分类器的有效近邻，并构造出各个单分类器在有效邻域上的状态矩阵，通过构造的状态矩阵，计算各单分类器在有效邻域内的分类准确率，作为该分类器的性能指标；将所有的性能指标进行归一化处理以后，依次分配各单分类器的权值；
[0069] 刀具磨损状态识别单元，根据各个BP网络分类器自获取的权值以及待测超声刀具磨损状态的分类结果集，计算所述超声刀具磨损状态的类别概率，筛选出类别概率最大所对应的刀具磨损状态，作为所述待测刀具的磨损类别。
[0070] 所述刀具磨损特征提取单元还包括滤噪处理单元，用于对所述刀具样本集进行小波滤噪。
[0071] 所述信号采集系统与传声器之间设有前置放大器，以提高声信号采集效果。
[0072] 本实施例信号处理终端的具体处理方法和步骤与实施例1相同，此处不再赘述。
[0073] 本领域的普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序或来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
[0074] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
