基于改进信息熵的直接刀具状态监测设备部署

由智超; 高宏力; 郭亮; 陈昱呈; 刘岳开

doi:10.3969/j.issn.0258-2724.20220025

基于改进信息熵的直接刀具状态监测设备部署

doi: 10.3969/j.issn.0258-2724.20220025

由智超^{1, 2,},
高宏力^{1, 2, ,},
郭亮^{1, 2},
陈昱呈^{1, 2},
刘岳开^{1, 2}

1.
西南交通大学先进驱动节能技术教育部工程研究中心，四川成都 610031
2.
西南交通大学机械工程学院，四川成都 610031

基金项目: 国家自然科学基金（51775452）

详细信息

作者简介:
由智超（1995—），男，博士研究生，研究方向为刀具状态监测，E-mail：uzc@my.swjtu.edu.cn

通讯作者:
高宏力（1971—），男，教授，研究方向为智能机械状态监测与故障诊断，E-mail：hongli_gao@swjtu.edu.cn

中图分类号: TH878；TG714
计量
- 文章访问数: 383
- HTML全文浏览量: 123
- PDF下载量: 58
- 被引次数: 1
出版历程
- 收稿日期: 2021-01-10
- 修回日期: 2022-03-17
- 网络出版日期: 2023-01-13
- 刊出日期: 2022-03-28

Equipment Deployment of Direct Tool-Condition Monitoring Based on Improved Information Entropy

YOU Zhichao^{1, 2
,},
GAO Hongli^{1, 2
, ,},
GUO Liang^{1, 2},
CHEN Yucheng^{1, 2},
LIU Yuekai^{1, 2}

1.
Engineering Research Center of Advanced Driving Energy-Saving Technology, Southwest Jiaotong University, Chengdu 610031, China
2.
School of Mechanical Engineering, Southwest Jiaotong University, Chengdu 610031, China

摘要

摘要:
在不拆刀情况下，基于机器视觉的在线刀具状态监测系统可完成刀具磨损测量和状态评估，但与在线捕获刀具图像质量息息相关的系统部署参数选择却鲜有研究. 为解决上述问题，本文构建基于改进信息熵的多项式回归模型以实现刀具状态监测系统的最优部署. 首先，使用自适应阈值方法去除捕获刀具图像中背景要素干扰，并通过信息熵指标评估图像中刀具磨损区域的成像质量；然后，构建相机工作距离、曝光时间与所提出评价指标之间的多项式回归模型以描述部署参数与提出评价指标的映射关系；最后，应用最小二乘法求取多项式模型系数获得最优部署参数. 在确保自变量的因子水平涵盖最优部署参数情况下设计正交实验，实验结果表明：提出的评价指标与工作距离、曝光时间等部署参数之间均存在主效应关系，符合光学成像系统的变化规律；与支持向量机、决策树和K近邻（K-nearest neighbor, KNN）算法等非线性回归预测模型相比，三次多项式回归模型预测误差最小，其平均绝对误差、均方误差、均方根误差分别为0.022631, 0.00068, 0.026069；在多项式回归模型求解的最优部署参数下，所捕获的刀具图像的测量精度达到96.76%，提高0.74%，满足刀具状态监测的精度要求.
- 信息熵 /
- 方差分析 /
- 多项式回归 /
- 机器视觉 /
- 刀具状态监测
Abstract:
In-situ tool-condition monitoring system based on machine vision realizes tool wear measurement and condition assessment without removing the tool. However, the system deployment parameters that are closely related to the quality of the tool image are rarely studied. To this end, a polynomial regression model based on improved information entropy is constructed to realize the optimal deployment of the tool-condition monitoring system. First, the adaptive threshold method is used to remove the interference of background elements in the captured tool image, and the imaging quality of the tool wear area is evaluated by the information entropy metric. Then, a polynomial regression model with respect to the camera working distance, exposure time, and the proposed evaluation metric is constructed to describe the mapping relationship between the deployment parameters and the proposed evaluation metric. Finally, the least squares method is used to solve the coefficients of the polynomial model and obtain the optimal deployment parameters. Orthogonal experiments are designed to ensure that the factor levels of independent variables cover the optimal deployment parameters. The experimental results show that there is a main effect relationship between the proposed evaluation metric and deployment parameters, such as working distance and exposure time, which is in line with the changing rule of optical imaging systems. Compared with nonlinear regression prediction models such as support vector machine, decision tree and K-nearest neighbor (KNN), the cubic polynomial regression model has the smallest prediction error, with its mean absolute error, mean square error, and root mean square error being 0.022631, 0.00068, and 0.026069, respectively. The measurement accuracy of the tool image captured under the optimal deployment parameters reaches 96.76%, increased by 0.74%, demonstrating that it meets the accuracy requirements of tool condition monitoring.
- information entropy /
- variance analysis /
- polynomial regression /
- machine vision /
- tool condition monitoring

HTML全文

气动特性作为列车高速运行时不可忽略的部分，其多目标优化已成为提高列车运行安全性及乘坐舒适性的关键途径. 但高速列车几何模型尺度大、结构复杂，数值模拟计算成本巨大，使得优化周期较长，同时，多目标优化中全局最优解的搜寻难度大. 因此，基于代理模型的气动多目标优化应运而生，成为缩短优化设计周期、提高寻优效率的关键. 代理模型最初应用于结构优化设计，采用的多为响应面模型，在多学科设计优化发展起来后进入气动优化设计领域^[1]. 目前，应用较为广泛的主要是径向基模型、Kriging模型、神经网络和支持向量回归等^[2-4].

采用代理模型开展气动优化设计，优化结果很大程度上取决于代理模型的预测精度，合理的加点准则可提高模型精度，有利于多目标优化计算收敛^[5]. 无加点准则的传统代理模型已在高速列车外形气动优化领域广泛应用，早期的研究主要针对列车的二维纵向中心截面或简单列车模型开展无约束的单目标气动优化. Sun等^[6]提取CRH3头部流线型的4个设计参数，建立Kriging代理模型，再利用遗传算法进行气动减阻的优化设计，得到优化目标与设计变量间的非线性关系. Lee和Kim^[7]利用支持向量机方法对列车纵向剖面二维线性进行优化设计，采用9个设计变量，共100个设计样本点，以减小微气压波为优化目标，得到优化效果较好的模型. 随着计算机计算效率的提升及优化算法的进步，三维头型多目标优化的研究逐渐展开. Yao等^[8-9]以三车编组的CRH380A列车为研究对象，基于参数化建模方法选取优化设计变量，建立Kriging模型，对高速列车的整车气动阻力及尾车气动升力进行多目标优化，采用多目标优化算法NSGA-Ⅱ（non-dominated sorting genetic algorithm Ⅱ）进行寻优，减小气动阻力约3.2%，减小尾车气动升力约8.2%. Zhang等^[10-11]采用自由变形参数化等方法选取设计变量，建立代理模型，同样以整车气动阻力及尾车气动升力最小为优化目标，对列车流线型头部进行优化设计，优化后，整车气动阻力及尾车气动升力均有所减小. 代理模型的引入缩短了高速列车气动性能优化的时间成本，是列车外形优化的新途径，但上述方法主要是基于二维或单目标寻优，忽略了高速列车运行时的三维流场特性，或无法兼顾多种气动特性.

数值计算技术的发展催生了对多设计变量、多优化目标的追求，但同时也使建立高精度代理模型所需的样本点数量急剧攀升. 因此，国内外学者提出多种加点策略应用于高速列车多目标优化，以使模型更快收敛至最优解，提高优化效率. Muñoz-Paniagua等^[12]根据优化结果，采用实验设计方法扩展样本设计空间，得到并集集合后加入原始训练集，更新代理模型. Yao等^[13]以整车气动阻力及尾车气动升力等目标开展头型多目标优化时，将Pareto前沿解集中的点作为验证点，根据数值模拟计算结果判断代理模型精度是否达到要求，若不满足，则将其添加至训练集，更新代理模型. Zhang等^[14]进一步提出了添加Pareto前沿解集中特殊点的方法，即选取解集中每个优化目标的最优点进行验证，不满足误差标准则将其添加至训练集，更新代理模型. 添加Pareto前沿解集中的点是目前应用较多且效果较好的一种方式^[13-14]，但该加点方法须建立在代理模型全局精度较高的基础上. 高速列车多目标优化是需要大规模数值计算的问题，在代理模型建立初期可能无法获得较多的初始样本点构建精度较高的代理模型. 若代理模型精度较低，就存在搜寻到的Pareto前沿不准确甚至是错误的可能，又因在该前沿位置添加点较多，使得代理模型在该前沿附近的预测精度较高. 因此，基于Sekishiro等^[15]提出的将加点准则搜索得到的样本点与寻优得到的样本点同时加入样本集的思想，本文融合改善期望加点准则（EIC）及Pareto前沿解加点准则（PIC），提出混合加点准则（HIC），并基于优化偏好提出Pareto前沿点选取方法. 以Branin单目标测试函数和Poloni多目标测试函数为例，对比研究EIC、PIC和HIC 3种代理模型的收敛速度，最后，基于混合加点Kriging代理模型开展高速列车头型多目标气动优化研究.

1. Kriging代理模型及加点准则

1.1 Kriging代理模型与EIC

Kriging代理模型的基函数^[16]为

$\psi =\mathrm{exp}\left(-{{\displaystyle \sum _{j=1}^{J}{\theta }_{j}\left|{x}_{i,j}-{x}_{l,j}\right|^{2}}}\right),\quad l\ne i,$

(1)

式中：x_i,j为第i个样本中第j个设计变量，J为设计变量个数，θ_j为第j个权重系数.

假设响应Y_i(x_i) （x_i为第i个样本）来自随机过程^[16]，利用基函数相互关联得到随机变量之间的相关性，如式（2）所示.

${\text{cor}}\left[ {{Y_i}({x_i}),{Y_l}({x_l})} \right] = \exp \left( { - {{\sum\limits_{j = 1}^J {{\theta _j}\left| {{x_{i,j}} - {x_{l,j}}} \right|^2} }}} \right) .$

(2)

对于未知的向量x_um，其响应值 $\hat y({{{\boldsymbol{x}}}_{{\text{um}}}})$ 可表示为

$\hat y({{{\boldsymbol{x}}}_{{\text{um}}}}) = \hat \mu + {{{\boldsymbol{\varphi}} }^{\text{T}}}{{{\boldsymbol{\varPsi}} }^{ - 1}}({{\boldsymbol{y}}} - {{\boldsymbol{I}}}\hat \mu ) ,$

(3)

式中： ${{\boldsymbol{\varphi}} }$ 为样本数据响应与预测响应之间的相关性向量，y为未知向量的真实响应， $\hat \mu$ 为随机过程的均值， ${{\boldsymbol{\varPsi}} }$ 为根据变量之间相关性关系建立所有观测点的相关矩阵，I为单位矩阵.

Kriging模型预测值的均方差^[16]为

$\hat s = \sigma \left( {1 - {{{\boldsymbol{\varphi}} }^{\text{T}}}{{{\boldsymbol{\varPsi}} }^{ - 1}}{{\boldsymbol{\varphi}} } + \frac{{1 - {{{\boldsymbol{I}}}^{\text{T}}}{{{\boldsymbol{\varPsi}} }^{ - 1}}{{\boldsymbol{\varphi}} }}}{{{{{\boldsymbol{I}}}^{\text{T}}}{{{\boldsymbol{\varPsi}} }^{ - 1}}{{\boldsymbol{I}}}}}} \right) ,$

(4)

式中： $\sigma$ 为标准差；括号中第3项为均值的不确定性估计，其值很小，一般忽略不计.

计算待添加点x_ad的改善期望值时，将改善最优解y_min视为概率最大的点，将 $\hat y({{{\boldsymbol{x}}}_{{\text{ad}}}})$ 视为随机过程，可计算出大于y_min的改善值 $I({{{\boldsymbol{x}}}_{{\text{ad}}}})$ 存在的概率为

$P[I({{{\boldsymbol{x}}}_{{\text{ad}}}})] = \frac{1}{2} + \frac{1}{2}{\text{erf}}\frac{{({y_{\min }} - \hat y({{{\boldsymbol{x}}}_{{\text{ad}}}}))}}{{\sqrt 2 \hat s}} .$

(5)

在确定均值和均方差前提下，可计算改善期望值 $E[I({{{\boldsymbol{x}}}_{{\text{ad}}}})]$ ^[16]（式（6）），改善期望值最大的点即为所需的改善期望添加点.

$E[I({{{\boldsymbol{x}}}_{{\text{ad}}}})]{\text{ = }}\left\{ \begin{gathered} ({y_{\min }} - \hat y({{{\boldsymbol{x}}}_{{\text{ad}}}})){{{\varPhi}} }\left( {\boldsymbol{\xi}} \right) + \hat s\phi \left( {\boldsymbol{\xi}} \right),\;\;\hat s > 0, \\ 0,\begin{array}{*{20}{c}} {} \end{array} \hat s = 0, \\ \end{gathered} \right.$

(6)

式中： ${{{\varPhi}} }\left({\boldsymbol{ \xi}} \right)$ 和 $\phi \left( {\boldsymbol{\xi}} \right)$ 分别为标准正态累计分布函数和标准正态概率密度函数， ${\boldsymbol{\xi}} {\text{ = }}\dfrac{{{y_{\min }} - \hat y({{\boldsymbol{x}}_{\rm{ad}}})}}{{{{\hat s}^2}}}$ .

改善期望加点准则适用于单目标和多目标优化问题，对于多目标问题，改善概率 $P[I({{{\boldsymbol{x}}}_{{\text{ad}}}})]{\text{ = }} P[({Y_1}({x_1}) < {y_1}) \cap ({Y_2}({x_2}) < {y_2}) \cdots \cap ({Y_i}({x_i}) - {y_i})]$ 与式（5）等价，其中，y_i为样本x_i的响应. 于是，多目标优化问题的改善期望^[16]为

$\begin{split} &E[I({{{\boldsymbol{x}}}_{{\text{ad}}}})]{\text{ = }}P[I({{{\boldsymbol{x}}}_{{\text{ad}}}})]\;\times\\ &\quad \sqrt {{{({Y_1}({x_1}) - {y_1})}^2} + {{({Y_2}({x_2}) - {y_2})}^2} + \cdots + {{({Y_i}({x_i}) - {y_i})}^2}} \end{split}.$

1.2 Pareto前沿添加点选取及HIC

Pareto前沿解集是一系列非支配解的集合，本文提出一种从前沿解集中选取特定样本点的方法. 假设所有的优化目标都是搜寻最小值，定义Pareto前沿解集中第n个点的综合优化率为

${T_n} = - \sum\limits_{m{\text{ = 1}}}^g {{w_m}{t_{m,n}}} ,$

(7)

式中：g为优化目标的个数；t_m,n为点n在优化目标m上相对初始值的变化率（对各目标采用归一化数值计算变化率）；w_m为优化目标m的权重，根据对优化目标的偏好程度取值，且 $\displaystyle\sum\limits_{m{\text{ = 1}}}^g {{w_m}} {\text{ = }}1$ .

计算Pareto前沿解集中所有点的综合优化率，取综合优化率最大的点作为Pareto前沿添加点. 该选点方法可使代理模型在偏好目标最优位置的精度较高，更有利于寻找期望的最优解.

HIC代理模型的构建步骤如下：

步骤1　采用最优拉丁超立方抽样得到初始样本集，建立第1代代理模型.

步骤2　通过多目标优化算法NSGA-Ⅱ计算得到Pareto前沿解集，计算解集中所有点的综合优化率，确定前沿添加点P₁或P_r（P_r为建立第r代代理模型寻优得到的Pareto前沿添加点），并数值模拟计算前沿添加点P₁、P_r的真实值.

步骤3　将前沿添加点P₁、P_r的真实值与代理模型预测值进行对比，若代理模型的预测误差（误差标准根据具体优化目标设定）满足要求，则认为代理模型及多目标优化计算精确度较高，结束加点，优化计算结束；若误差不满足要求，则将前沿添加点P₁、P_r加入样本集，利用改善期望方法计算得到所需的改善期望添加点A₁、A_r，将改善期望添加点A₁、A_r加入样本集，建立下一代代理模型，返回步骤2.

2. 加点准则对比验证

采用单目标及多目标测试函数对比研究EIC、PIC及HIC 3种代理模型的构建及优化效率.

2.1 单目标Branin函数

Branin函数是全局优化算法的经典算例，优化问题的数学模型^[16]为

$\begin{split} &f({x_1},{x_2}) = {\left( {{x_2} - \frac{{5.1}}{{4{{\text{π}}^2}}}x_1^2 + \frac{5}{{\text{π}}}{x_1} - 6} \right)^2} + \\ &\quad 10\left( {\frac{{8{\text{π}} - 1}}{{8{\text{π}}}}\cos {x_1} + 1} \right) + 5{x_1} , \end{split}$

(8)

式中：自变量x₁∈[−5, 10]，x₂∈[0, 15].

该优化问题在经典Branin函数中增加一项，使其具有2个局部最优解和1个全局最优解（即函数的最小值），函数在点（0.0874，0.9086）位置取得全局最优解−16.6440. 将Branin函数的2个自变量区间均缩放至 [0, 1]，以便于进行抽样及后续代理模型的建立和优化计算. 为对比较少初始样本点情况下各加点准则的性能，用最优拉丁超立方抽样方法^[17]仅抽取6个样本点，分别采用3种加点准则构建代理模型，并进行更新与优化计算. Branin函数为单目标函数，因此，设置的误差标准要求较高，要求代理模型最优解与真实最优解误差小于0.5%. 在进行PIC综合优化率计算时，目标的权重设为1.0. 3种加点方法建立代理模型的单目标Braniun函数最优解误差收敛历程如图1所示.

图 1 单目标Branin函数最优解误差收敛历程

Figure 1. Error convergence process of optimal solution for single-objective Branin function

下载: 全尺寸图片幻灯片

由图1可知：第4代HIC模型优化计算得到的最优解满足误差标准，EIC与PIC代理模型迭代至第8代才能够满足误差标准，寻优效率与HIC代理模型相比低50.0%. 此外，在初始样本点较少时，代理模型精度较低，PIC代理模型的收敛历程振荡性较强，对应的误差波动也较大. 对于单目标测试函数，3种加点准则代理模型最终都能收敛至最优解，达到误差标准时，HIC共添加了6个样本点，包括3个改善期望点和3个Pareto前沿点，进行了6次仿真计算. 另外2种加点准则代理模型都添加了7个样本点，进行了7次仿真计算. HIC代理模型以较少次更新代理便可收敛至最优解，同时所需的真实仿真次数也较少，优化效率提高.

2.2 多目标Poloni函数

Poloni函数具有多峰特性，代理模型的建立难度较大，且在优化过程中易陷入局部最优，常被用作为检验代理模型寻优质量的测试函数. Poloni函数的方程f₁、方程f₂的表达式^[18]为

${f}_{\text{1}}({x}_{1},{x}_{2})=-[1 + {({{A}}_{1}-{B}_{1})}^{2} + {({{A}}_{2}-{B}_{2})}^{2}],$

(9)

${f}_{2}({x}_{1},{x}_{2})=-[{({x}_{1} + 3)}^{2} + {({x}_{2} + 1)}^{2}],$

(10)

式中： $x_1, x_2 \in(-\text{π}, \text{π})$ ，

${{{A}}_1} = 0.5\sin\; 1 - 2\cos\; 1 + \sin\; 2 - 1.5\cos\; 2,$

${{{A}}_2} = 1.5\sin\; 1 - \cos\; 1 + 2\sin\; 2 - 0.5\cos\; 2,$

${B_1} = 0.5\sin\; {x_1} - 2\cos\; {x_1} + \sin\; {x_2} - 1.5\cos\; {x_2},$

${B_2} = 1.5\sin\; {x_1} - \cos\; {x_1} + 2\sin\; {x_2} - 0.5\cos\; {x_2}.$

采用最优拉丁超立方设计方法抽取10个样本点作为初始样本集，对比EIC、PIC及HIC构建代理模型的优化效率. 进行PIC的综合优化率计算时，两目标的权重都设置为0.5. Poloni多目标测试函数的误差标准为优化计算得到的Pareto前沿解集所有点与真实值的平均差值小于0.2 （f₁、 f₂函数值在 [0，70)内，不可用相对误差作为标准），同时，满足优化计算得到的Pareto前沿与真实前沿误差在5.0%以内，该误差通过Pareto前沿与x轴之间的积分面积差异表征. 3种加点方法建立代理模型的多目标Poloni函数误差收敛历程如图2所示.

图 2 Poloni函数Pareto前沿误差

Figure 2. Pareto frontier error of Poloni function

下载: 全尺寸图片幻灯片

由图2可知：第3代HIC代理模型优化计算得到的Pareto前沿能够同时满足2种误差标准，达到误差标准时，共添加了4个样本点，包括2个改善期望点和2个Pareto前沿点，进行了4次仿真计算. EIC代理模型更新至第10代仍无法满足任一误差标准. PIC代理模型更新至第8代，满足优化计算得到的Pareto前沿与真实前沿误差在5.0%以内，寻优效率与HIC代理模型相比低62.5%，此时添加了8个样本点，进行了8次仿真计算. 但PIC代理模型更新至第10代仍无法满足优化计算得到的Pareto前沿解集所有点与真实值的平均差值小于0.2，同时寻优过程中仍然存在振荡性较强的特点. 对于多目标测试函数，3种加点准则代理模型的对比说明，HIC性能较优，能够较快且准确地获得Pareto前沿，EIC在3种加点方法中效果最差.

3. 高速列车头型多目标优化

基于对3种加点准则代理模型的对比，选取性能较优的HIC建立代理模型，以高速列车头车气动阻力、尾车气动阻力及气动升力最小为优化目标，开展列车头型多目标优化.

3.1 列车空气动力学数值计算模型

考虑流体满足连续性假设，并且满足能量守恒、动量守恒，三者对应的方程分别为质量、能量、动量守恒方程，3个方程在数学形式上存在相似性，将相似变量用W代替，可得到通用的控制方程^[19]：

$\frac{{\partial ({{\rho}} {W})}}{{\partial t}} + {\text{div}}(\rho {{u}}{W}) = {\text{div}}(\varGamma {\text{grad}}\;{W}) + S ,$

(15)

式中： $\rho$ 为空气密度，u为流场速度矢量，W为流场通量， $\varGamma$ 为扩散系数，S为源项，t为时间.

列车高速行驶时引起周围空气的流动是可压缩的三维湍流流动，但列车运行速度低于360 km/h时简化为不可压缩流动，采用三维不可压缩的雷诺平均方法和k-ω SST （shear stress transport，其中，k为湍流动能，ω为湍流耗散率）的两方程湍流模型进行全湍流模式求解^[20]，压力速度耦合采用半隐式SIMPLE （semi-implicit method for pressure linked equations）求解算法.

为验证数值计算方法的准确性，采用上述湍流模型及求解方法对已开展过风洞试验（采用自然转捩方式）的高速列车进行空气动力学计算，来流风速及边界条件等与风洞试验相同，列车为1∶8缩比模型. 数值模拟得到的各节车厢及整车气动阻力系数与风洞试验结果误差均在3%以内^[19]，表明包括湍流模型、求解方法及网格划分等在内的高速列车数值计算方法具有较高的可信度.

高速列车头型多目标优化采用全尺寸三车编组模型，包含头车、一节中间车和尾车，保留转向架区域及转向架. 主要研究头型对列车气动力的影响，因此，对高速列车进行光顺，并进行简化，模型与风洞试验模型存在差异，如：风洞试验中车端连接处风挡留有间隙，避免各车气动力测量的相互干扰^[21]，简化模型采用的非断开式的内风挡. 列车底部建立轨道及路基，模拟列车运行时的真实地面条件. 取路基与高速列车车顶之间的距离H作为列车的特征高度，头尾车长度为6.2H，中间车长度为6H. 列车计算模型及地面条件设置如图3所示.

图 3 数值模拟计算几何模型

Figure 3. Geometry model of numerical simulation

下载: 全尺寸图片幻灯片

图4为数值模拟计算区域，计算区域的高度、宽度分别为12H、26H，头车鼻尖、尾车鼻尖与计算区域边界间的距离分别为14H、25H，满足《铁路应用 · 空气动力学 · 第4部分：列车空气动力学性能数值仿真规范》（TB/T 3503.4—2018）^[22]要求. 坐标原点位于中间车中部车底，同时位于车体及计算区域的纵向中心截面. 在列车周围设置加密区（Refinebox）加密网格，以便更准确求解列车周围流场，提高气动力计算精度. 计算区域的入口边界（Inlet）设置为速度入口，97.22 m/s；出口边界设置（Outlet）为压力出口，出口压力为0；根据标准TB/T 3503.4—2018要求，计算区域的顶部及两侧（Sym）设置为对称边界条件；地面（Ground）设置为滑移壁面，与来流速度相同. 原始高速列车模型的头车气动阻力、尾车气动阻力、尾车气动升力分别为6.98、4.68、3.65 kN.

图 4 计算区域

Figure 4. Computational domain

下载: 全尺寸图片幻灯片

3.2 列车头型多目标优化设计变量

高速列车头型的5条控制线分别为鼻尖高度控制线C₁、车钩区域高度控制线C₂、司机室视窗高度控制线C₃、横向轮廓控制线C₄和横向轮廓控制线C₅. 5条控制线对应5个设计变量v₁～v₅，v₁表示原始曲线的变形比例，v₂～v₅表示曲线变形的最大距离，各设计变量及其变化区间如图5所示. 列车头型的所有曲线都为多个设计点生成的B样条曲线，曲面都为样条曲线生成的B样条曲面.

图 5 设计变量及其变化区间

Figure 5. Design variables and its variation intervals

下载: 全尺寸图片幻灯片

3.3 混合加点代理模型的构建及优化计算

采用最优拉丁超立方抽样设计方法，以v₁～v₅为设计变量，抽取35个初始样本点，建立混合加点代理模型，采用NSGA-Ⅱ算法进行寻优计算，得到优化设计的Pareto前沿解集. 计算解集中所有点的综合优化率时，头车气动阻力（DH）、尾车气动阻力（DT）和尾车气动升力（LT）的权重都为1/3，综合优化率最大的作为Pareto前沿添加点. 以DH、DT和LT的预测误差同时小于1%为误差标准. HIC代理模型的优化收敛历程如图6所示.

图 6 列车头型多目标优化收敛历程

Figure 6. Convergence process of multi-objective optimization of high-speed train head shape

下载: 全尺寸图片幻灯片

由图6可以得到：35个样本点建立的第1代代理模型对头车气动阻力、尾车气动阻力及气动升力的预测误差分别为10.5%、11.6%和10.9%；代理模型更新至第7代后满足误差标准，3个优化目标的预测误差都小1.0%. 尾车阻力收敛较快，头车阻力及尾车升力收敛速度略慢，初始样本中，尾车气动阻力的标准差为57.8，而头车气动阻力及尾车气动升力的标准差分别为156.6和161.4，目标空间的分布差异性导致不同目标的收敛速度出现差异. 因此，在代理模型的构建过程中将误差标准设置得相对严苛，须三者均满足误差小于1.0%. 采用NSGA-Ⅱ算法对第7代代理模型进行寻优计算，得到优化设计的Pareto前沿解集，如图7所示.

图 7 优化设计的Pareto前沿解集

Figure 7. Pareto frontier solution of optimization design

下载: 全尺寸图片幻灯片

最优解模型的头车气动阻力、尾车气动阻力及尾车气动升力分别为6.87、4.59、3.54 kN，与原始模型相比，分别降低1.6%、1.7%、3.0%. 最优解模型各优化目标的性能提升2.0%～3.0%，尾车气动升力的性能提升最大.

将Pareto前沿解集选取的验证点作为高速列车头型多目标优化计算的最优解，模型如图8所示. 最优解的设计变量v₁～v₅的取值分别为0.95、−27.36、−51.24、−25.17和−29.07，原始模型对应的取值分别为1.00、0、0、0和0，鼻尖高度、车钩区域高度及司机室视窗高度都有所降低，同时v₄和v₅也为负值，表明2条横向轮廓线内缩，整个头型呈现更“尖”的形态.

图 8 最优解与原始模型对比

Figure 8. Comparison between optimal solution and original model

下载: 全尺寸图片幻灯片

为进一步对比最优解模型与原始高速列车模型气动性能的差异，提取2种模型头车的表面压力及列车纵向中心截面压力系数分布，如图9所示.

图 9 列车表面压力及压力系数分布

Figure 9. Distribution of surface pressure and pressure coefficient of train

下载: 全尺寸图片幻灯片

压力系数为

${C_{\text{p}}}{\text{ = }}\frac{{{P_{\text{t}}}}}{{0.5\rho {v^2}}} ,$

(16)

式中：P_t为列车表面压力； $\rho$ =1.225 kg/m³；v为列车运行速度，取97.22 m/s.

头车表面压力对比可以看出，头车流线型位置主要在鼻尖和司机室视窗处，有2个正压区域. 2种模型在鼻尖位置的压力差异不明显，在司机室视窗处的压力存在差异，最优解模型正压面积明显小于原始模型，与图9（c）中区域 ① 位置相对应，因此头车气动阻力较小. 此外，优化模型区域 ② 处的压力幅值低于原始模型，中截面的压力分布基本可以表征该区域附近的压力分布特性，表明优化模型尾车流线型区域的压力低于原始模型，使得尾车气动升力及气动阻力都有所降低.

4. 结　论

通过单目标及多目标测试函数对比了改善期望加点准则、Pareto前沿加点准则及混合加点准则所构建代理模型的精度及寻优效率，验证了基于混合加点准则建立代理模型的可行性，最后采用混合加点代理模型开展高速列车头型多目标优化，得到以下主要结论：

1）对于单目标测试函数，混合加点代理模型更新至第4代后搜索得到的最优解满足误差标准，另外2种加点准则代理模型都需更新至第8代，混合加点代理模型优化效率提高50.0%. 与此同时，混合加点准则收敛至最优解时所需的样本点也较少. 对于多目标测试函数，第3代混合加点代理模型优化计算得到的Pareto前沿能够满足误差标准，Pareto前沿加点代理模型需迭代至第8代才可满足标准，混合加点代理模型的优化效率提升了62.5%；改善期望加点代理模型更新至第10代仍未满足误差标准. 3种加点准则代理模型的对比说明混合加点准则性能较优.

2）建立混合加点代理模型对高速列车开展气动性能多目标优化，得到的最优解模型与原始模型相比头车气动阻力、尾车气动阻力及尾车气动升力分别降低1.6%、1.7%和3.0%. 最优解的鼻尖高度、车钩区域高度及司机室视窗高度都有所降低，同时2条横向轮廓线内缩，整个头型呈现更“尖”的形态. 最优解模型司机室视窗位置的正压明显降低，尾车流线型部位的表面压力幅值也减小，列车的气动力与原始模型相比有所降低.

致谢：轨道交通运载系统全国重点实验室自主课题（2023TPL-T06）的资助.

图 1 刀具状态监测系统部署模型构建

Figure 1. Deployment model of tool-condition monitoring system

下载: 全尺寸图片幻灯片

图 2 在不同参数设置下刀具图像特点

Figure 2. Tool image characteristics under different parameter settings

下载: 全尺寸图片幻灯片

图 3 自适应阈值处理后刀具图像

Figure 3. Tool images processed with adaptive threshold

下载: 全尺寸图片幻灯片

图 4 在线刀具状态监测系统

Figure 4. Online tool-condition monitoring system

下载: 全尺寸图片幻灯片

图 5 不同图像评价指标下的主效应对比

Figure 5. Comparison of main effects under different indexes of image quality assessment

下载: 全尺寸图片幻灯片

图 6 多项式回归模型的三维图

Figure 6. 3D plot of polynomial regression model

下载: 全尺寸图片幻灯片

图 7 不同部署情况下捕获图像的分割效果

Figure 7. Segmentation effect of captured images in different deployment conditions

下载: 全尺寸图片幻灯片

表 1 相机工作距离和曝光时间的水平

Table 1. Levels of camera working distance and exposure time

因子水平工作距离/mm 曝光时间/μs

1 −231.175 500
2 −231.375 700
3 −231.575 900
4 −231.775 1100
5 −231.975 1300
6 −232.175 1500
7 −232.375 1700
8 −232.575 1900
9 −232.775 2100

下载: 导出CSV

表 2 不同最高项次数下的模型预测误差

Table 2. Model prediction errors under different highest terms

最高项数/次 e_MAE e_MSE e_RMSE

2 0.025847 0.000758 0.027525
3 0.022631 0.000680 0.026069
4 0.023176 0.000799 0.028260
5 0.023122 0.000756 0.027500

下载: 导出CSV

表 3 不同回归模型的预测误差

Table 3. Model prediction errors under different regression models

回归模型 e_MAE e_MSE e_RMSE

DT 0.047296 0.003525 0.059371
SVM 0.081945 0.008955 0.094628
KNN 0.076204 0.009435 0.097136
PR 0.022631 0.000680 0.026069

下载: 导出CSV

参考文献(14)

[1]	高宏力,许明恒,傅攀. 基于集成神经网络的刀具磨损量监测[J]. 西南交通大学学报,2005,40(5): 641-644, 653. GAO Hongli, XU Mingheng, FU Pan. Tool wear mon-itoring based on integrated neutral networks[J]. Journal of Southwest Jiaotong University, 2005, 40(5): 641-644, 653.
[2]	卢志远,马鹏飞,肖江林,等. 基于机床信息的加工过程刀具磨损状态在线监测[J]. 中国机械工程,2019,30(2): 220-225. LU Zhiyuan, MA Pengfei, XIAO Jianglin, et al. On-line monitoring of tool wear conditions in machining processes based on machine tool data[J]. China Mechanical Engineering, 2019, 30(2): 220-225.
[3]	ZHOU J J, YU J B. Chisel edge wear measurement of high-speed steel twist drills based on machine vision[J]. Computers in Industry, 2021, 128: 103436.1-103436.12. doi: 10.1016/j.compind.2021.103436
[4]	胡一星,许黎明,范帆,等. 曲线磨削砂轮廓形的原位视觉检测和误差补偿[J]. 上海交通大学学报,2019,53(6): 654-659. HU Yixing, XU Liming, FAN Fan, et al. In-situ vision detection and compensation of wheel profile error in profile grinding[J]. Journal of Shanghai Jiao Tong University, 2019, 53(6): 654-659.
[5]	WANG P, LIU Z, GAO R X, et al. Heterogeneous data-driven hybrid machine learning for tool condition prognosis[J]. CIRP Annals, 2019, 68(1): 455-458. doi: 10.1016/j.cirp.2019.03.007
[6]	朱锟鹏,李刚. 基于刀具磨损映射关系的微细铣削力理论建模与试验研究[J]. 机械工程学报,2021,57(19): 246-259. doi: 10.3901/JME.2021.19.023 ZHU Kunpeng, LI Gang. Theoretical modeling and experimental study of micro milling force based on tool wear mapping[J]. Journal of Mechanical Engineering, 2021, 57(19): 246-259. doi: 10.3901/JME.2021.19.023
[7]	GUO C Z, MA Z L, GUO X, et al. Fast auto-focusing search algorithm for a high-speed and high-resolution camera based on the image histogram feature function[J]. Applied Optics, 2018, 57(34): F44-F49. doi: 10.1364/AO.57.000F44
[8]	KIM J, CHO Y, KIM A. Exposure control using Bayesian optimization based on entropy weighted image gradient[C]//2018 IEEE International Conference on Robotics and Automation (ICRA). Brisbane: IEEE, 2018: 857-864.
[9]	陈健,李诗云,林丽,等. 模糊失真图像无参考质量评价综述[J]. 自动化学报,2022,48(3): 689-711. CHEN Jian, LI Shiyun, LIN Li, et al. A review on no-reference quality assessment for blurred image[J]. Acta Automatica Sinica, 2022, 48(3): 689-711.
[10]	曹同坤,徐英涛,谈庆瑶. 在刀-屑界面持续润滑刀具切削45钢的性能及润滑机理[J]. 中国机械工程,2021,32(20): 2411-2417,2426. CAO Tongkun, XU Yingtao, TAN Qingyao. Cutting performance and lubrication mechanism of cutting 45 steel with tool continuously lubricated at the tool-chip interface[J]. China Mechanical Engineering, 2021, 32(20): 2411-2417,2426.
[11]	李杰. 空域无参考图像质量评价方法研究[D]. 武汉: 武汉大学, 2017.
[12]	YOU Z C, GAO H L, GUO L, et al. Machine vision based adaptive online condition monitoring for milling cutter under spindle rotation[J]. Mechanical Systems and Signal Processing, 2022, 171: 108904.1-108904.18. doi: 10.1016/j.ymssp.2022.108904
[13]	KUMAR A, CHINNAM R B, TSENG F. An HMM and polynomial regression based approach for remaining useful life and health state estimation of cutting tools[J]. Computers & Industrial Engineering, 2019, 128: 1008-1014.
[14]	吕晓玲, 宋捷. 大数据挖掘与统计机器学习[M]. 北京: 中国人民大学出版社, 2016.

施引文献

期刊类型引用(1)
1. 郭润兰，张昊，支晓波，尉卫卫. 基于机器视觉的刀具磨损量在机检测研究. 兰州理工大学学报. 2024(06): 33-41 . 百度学术
其他类型引用(0)

附加材料(0)

访问统计

点击查看大图

图(7) / 表(3)

计量

文章访问数: 383
HTML全文浏览量: 123
PDF下载量: 58
被引次数: 1

1. Kriging代理模型及加点准则
1.1 Kriging代理模型与EIC
1.2 Pareto前沿添加点选取及HIC
2. 加点准则对比验证
2.1 单目标Branin函数
2.2 多目标Poloni函数
3. 高速列车头型多目标优化
3.1 列车空气动力学数值计算模型
3.2 列车头型多目标优化设计变量
3.3 混合加点代理模型的构建及优化计算
4. 结　论

1. Kriging代理模型及加点准则
1.1 Kriging代理模型与EIC
1.2 Pareto前沿添加点选取及HIC
2. 加点准则对比验证
2.1 单目标Branin函数
2.2 多目标Poloni函数
3. 高速列车头型多目标优化
3.1 列车空气动力学数值计算模型
3.2 列车头型多目标优化设计变量
3.3 混合加点代理模型的构建及优化计算
4. 结　论

参考文献(14)

施引文献

附加材料(0)

访问统计

因子水平	工作距离/mm	曝光时间/μs
1	−231.175	500
2	−231.375	700
3	−231.575	900
4	−231.775	1100
5	−231.975	1300
6	−232.175	1500
7	−232.375	1700
8	−232.575	1900
9	−232.775	2100

最高项数/次	e_MAE	e_MSE	e_RMSE
2	0.025847	0.000758	0.027525
3	0.022631	0.000680	0.026069
4	0.023176	0.000799	0.028260
5	0.023122	0.000756	0.027500

回归模型	e_MAE	e_MSE	e_RMSE
DT	0.047296	0.003525	0.059371
SVM	0.081945	0.008955	0.094628
KNN	0.076204	0.009435	0.097136
PR	0.022631	0.000680	0.026069

基于改进信息熵的直接刀具状态监测设备部署

doi: 10.3969/j.issn.0258-2724.20220025

作者简介: 由智超（1995—），男，博士研究生，研究方向为刀具状态监测，E-mail：uzc@my.swjtu.edu.cn

通讯作者: 高宏力（1971—），男，教授，研究方向为智能机械状态监测与故障诊断，E-mail：hongli_gao@swjtu.edu.cn

计量

出版历程