基于SVM的刀具状态识别系统设计

密级： NANCHANG UNIVERSITY学 士 学 位 论 文THESIS OF BACHELOR（20132017年）题 目 基于SVM的刀具状态识别系统设计 学 院：信息工程学院 系 自动化 专业班级： 测控技术与仪器131班 学生姓名： 韩体壮 学号： 5801313044 指导教师： 李鸣 职称： 教授 起讫日期： 2013-3-102013-5-31 南 昌 大 学学士学位论文原创性申明本人郑重申明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果。对本文的研究作出重要贡献的个人和集体，均已在文中以明确方式表明。本人完全意识到本申明的法律后果由本人承担。作者签名： 日期：学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权南昌大学可以将本论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 保密，在 年解密后适用本授权书。本学位论文属于 不保密。（请在以上相应方框内打“”）作者签名： 日期： 导师签名： 日期：摘要基于SVM的刀具状态识别系统设计专业：测控技术与仪器 学号：5801313044 学生姓名：韩体壮 指导教师：李鸣摘要在刀具加工工件的过程中，刀具会不断地切割工件，导致刀具表面难免会发生磨损，本文主要研究了刀具的磨损程度及其切割过程中的信号的关系，对其信号进处理，根据得到的信号实现对刀具磨损的判断。本文较为深入地研究了刀具磨损的检测技术。采用合适的机床、刀具与工件进行了切削试验。采集切削过程中的信号，并分析各种信号及其特点，并与自身能达到的条件出发，选用的是振动信号和切削力信号，并通过传感器收集到切削过程中的信号。此时的信号并不能直接反应刀具的信息，需要进行特征信号的提取，这些特征信号才能有效地反映刀具的磨损状态，将得到的特征信号用作系统的输入，达到刀具磨损程度的检测。在刀具的加工方法上，考虑到生产实际上的情况，本文选用的是插铣加工，此方法相较与其他方法具有很多优点，故在工业上应用非常广泛。本文在刀具磨损状态识别的模型上选用了的是支持向量机模型，介绍了支持向量机的模型原理，并讲述了支持向量机的训练和识别的过程。在对信号进行特征的提取后，得到的特征信号来给SVM训练和识别。经过以上操作，得到的结果是：在小样本条件下支持向量机具有满意的学习能力和较高的识别率。以上的研究成果对刀具磨损的识别提供了理论上的依据，也对刀具的研究和刀具加工方法的改进有很大的参考价值。关键词：插铣；刀具磨损；支持向量机；状态识别IAbstractDesign of Tool State Recognition System Based on SVMAbstractIn the process of cutting the workpiece, the tool will cut the workpiece ceaselessly resulting in the surface of the tool inevitably being worn. This paper mainly studied relationship between the degree of wear of the tool and the signal of cutting process , and then process the signal, according to the signal we can achieve the judgment of the tool wear. In the processing of the tool, taking into account the actual situation of production, milling cutter is used in this paper. Compared with other methods milling cutter have many advantages, so it is widely used in industry.In this paper, the tool wear detection technology is studied deeply. And suitable machine ,tools, and workpiece are selected to finish testn. By analysing the signals of the cutting process and their characteristics and the signasl that we can get, the vibration signals and cutting force signals are decided, and then signal is collected during the cutting process by the sensor. But the signals do not directly reflect the information of the tool when the signals are got for the first time, so the extraction of the characteristic signal is needed, the characteristic signal can effectively reflects the wear state of the tool, then characteristic signal can be used as the input of the system to achieve the detection of tool wear degree.In this paper, the support vector machine is selected as the model of tool wear recognition. And the principle of support vector machine is introduced, besides the process of training and recognition of support vector machine is described. After the characteristics of the signal extracted, the characteristics of the signal are used for training and recognition of the SVM. The results show that the support vector machine has satisfactory learning ability and high recognition rate under the condition of small sample.The above research results provide a theoretical basis for the identification of tool wear, and they also have great reference value for the research of tool and the improvement of tool processing method.Key words: milling cutter；tool wear；support vector machine；state recognitionIII目录 目录摘要IAbstracII第一章 绪论11.1刀具磨损检测现状11.2刀具状态检测的重要性11.3刀具磨损检测的发展趋势21.4SVM的介绍2第二章 总体方案42.1 总体方案概述42.2刀具磨损监测所用方法42.2.1直接法42.2.2间接法52.3系统总方案简图62.4系统各组成部分62.4.1试验装置62.4.2刀具切割参数72.4.3采集系统7第三章 试验研究与数据处理83.1试验方案83.2刀具磨损分析83.3 信号分析及特征提取93.3.1 切削力信号103.3.2 振动信号133.3.3 信号特征的归一化处理14第四章SVM模型及其原理164.1 SVM 的分类算法164.2实验结果及分析19第五章 结论与展望205.1 总结205.2 展望20致谢22参考文献23IV绪论第一章 绪论1.1刀具磨损检测现状在工业上刀具的应用非常广泛，且刀具工作的效率很多方面都影响着工作加工的进程。如在工业切削加工过程中，刀具的使用期限是一个很重要的参数，其很大程度上影响了刀具需求的计划制定、生产效率、刀具的成本核算和加工成本。由于刀具使用期限的评价很大程度上依赖于其磨损度与磨钝标准的建立，所以对刀具使用期限的预测归根结底是对其磨损的预测。众多学者在20 世纪初提出刀具磨损状态的分析，其在研究的思想上力图去、寻找某一阙值来作为状态的识别依据，但很多情况下刀具磨损度具有复杂性、不确定性和随机性，使得阙值设置困难，因而不能适应工作的条件多变的场合，故其进展不大。几十年以来，国内外研究人员都致力于此方面的研究，但一般偏重与算法的研究。例如采用从理论上分析刀具所受力的变化来判断刀具磨损状态，而有的采用时序分析的方法来对刀具进行检测等，以上方法都是主要从理论上来探讨，考虑到实际加工中变化的条件，故大多数都难于应用到实践。所以对刀具磨损的研究在当代还是有具有很重大的意义1。从国外的研究状况来看，刀具识别的最初就是源于国外研究，其发展时间较国内来说也相对较长，内容方面也相对较深，技术也相对成熟，但还是有进一步研究的必要。Chen2对刀具铣削中的振动信号做了傅里叶变换，然后对齿频处幅值和二倍齿频处的幅值之比设置了阈值来当作判别铣刀破损的条件3。从国内从近况来看，刀具识别的研究还有很大的发展空间，以后的研究也将会朝着更深更广的领域开展，因此也产生了多种算法的需要要求研究人员具有广泛而又扎实的基础，需要具有应对多种现象的能力。近年来有以下成就：北京航空航天大学研究者将插铣方法应用在涡轮的叶盘粗加工之中，使得加工中变形变小，提高了切削效率4。西安科技大学成功把插铣应用到宽深流道、大直径的二元叶轮的数控加工中，并用软件来实现了插铣编程5。刘晓明等学者研究了针对不同的粗加工和精加工的刀具破损检测技术，针对单一监控方法适应性有限容易出现误报，采用基于声发射、切削力和功率的多特征参数综合的刀具破损检测技术6。1.2刀具状态检测的重要性（1）及早识别已损的刀具，加快工作进展在工业的加工上，工作各个部门彼此相连，工作信息时时刻刻都在更新着，以保证工作的效率。若在一部门内，某刀具磨损已达到极限而没被及时检测出，则其会降低工作效率，导致其他部门与自己运作不顺，进而导致整个生产链的效率降低，降低了经济效益且成品不容易达标。（2）剔除已损的刀具，避免系统的受到损害在刀具加工工件的过程中，若是刀具磨损达到一定程度以至于不能正常工作而没有及时换掉的话，其在加工过程中可能发生较强的振动甚至发生蹦刃，此时会影响吧到整个工作系统的运作和操作人员的人身安全造成严重的损害。1.3刀具磨损检测的发展趋势从刀具磨损识别的提出至今已有80多年的历史了，从一开始的摸索研究到现在的逐渐成熟。现在已经可以由多种方法达到识别的目的，如：支持向量机（SVM），人工神经网络（ANN），隐马尔科夫模型（HMM）等。经过大量的工作也取得了许多进展，如在检测方法的监测参数、信号分析与处理等领域取得了一些成果。部分监测系统在美国、日本登国普遍运用且占世界领先地位。国内也有很多大学或研究所在此进行了研究，也取得了相当的进展，并有部分产品上市，但多数还处于实验阶段，未能达到批量效率生产7。其中关于支持向量机在刀具磨损上面的应用，已从到处的二分类到现在的多分类，达到了很大的进步，但还有继续研究的必要。比如，现在好多的研究都只是偏向于理论的研究，并不能用于实践，能用于实践且识别率高的检测系统比较少，故还得在应用于实际这方面进行更加深刻的研究。从现在的发展趋势来看，主要还是让理论应用于实践，还有加快训练算法使之迅速做出识别，还有简化算法结构，减少检测阶段运算量等方向发展。同时目前刀具磨损检测的精度与输入维数存在着关系，一般输入维数越多得到的训练结构与模型越准确，但同时的工作量也越大，因此不方便，现在越来越多的学者在方便与精度的研究中找到更便捷准确的方法，这也是现在发展展望8。1.4SVM的介绍支持向量机是由国外学者Vapnik提出的用于分类和回归问题的统计学习理论。其最初目的是实现对数据的二分类，其思想主要可以概括为以下两点：（1）对于线性可分的情况，根据其输入与标签找出让其边际的大的超平面，达到实现分类的目的。但现实中存在很多的不可分情况，此时，则需要用到非线性映射，来将之前低维空间线性不可分的输入样本变作高维空间可分的输入，于是使得高维空间采用的算法对样本的非线性特征进行分析9。（2）其次SVM是基于结构风险最小化理论，在其特征空间中找出最优分割超平面，使之学习机达到全局最优化，而且在整个的样本空间期望风险可以以某个概率不小于某个值。SVM作为曾经最优秀的算法，其应用非常广泛，在模式识别、概率密度函数估计、回归估计等方面都有应用。在模式识别方面，其对于手写的数字识别、人脸图像识别、文章分类、语音识别等问题，算法在精度上已经与传统算法不想上下甚至超过了一般传统的算法。同时SVM是一种理论坚实的小样本学习方法，计算过程中一般不涉及概率测度及大数定理，所以它与现有的统计方法不同。于本质上看，它成功避开了归纳到演绎的一般过程，实现了从样本到预报样本的高效“转导推理”，从而大大简化了分类和回归问题。SVM的最终决策函数是由占少数部分的支持向量来确定的，于是其计算的复杂程度取决于支持向量的数目，而不是样本空间的维数，从某种意义上来说其避免了“维数灾难”。少数支持向量来决定最终结果，这不但能帮助我们抓住样本的关键、减少大量的冗余样本，而且该方法不仅算法简单，而且具有很好的鲁棒性10。此鲁棒性主要体现在以下几个方面：（1）增加或删除非支持向量对模型的建立没有影响。（2）支持向量样本集本身具有一定的鲁棒性。（3）在某些成功的应用中，SVM方法对核的选取不敏感。24总体方案第二章 总体方案2.1 总体方案概述刀具磨损识别系统是基于SVM算法的系统，此系统分为硬件和软件部分。硬件部分包括工件、机床、信息收集传感器等，软件的开发可以基于MATLAB、PYTHON等软件完成，本文采用的是MATLAB。首先作为一个系统，它必须得有输入，考虑到现有条件和所采集到的信号能反映刀具信息的准确程度，系统以切削力信号和振动信号作为输入信号，经传感器采集到信号后，再经过信号放大，此时得数据往往不能直接由于系统得识别或是不能搭建成所需要的SVM结构，所以需要进一步处理即提取特征值，组成要输入刀系统的特征向量。当组成特征向量后输入到系统后并给每一个点一个标签，根据此标签与支持向量机算法找出使得边际最大的超平面。此平面上下就是不同的分类，达到识别的目的11。2.2刀具磨损监测所用方法刀具磨损识别的提出至今已有80多年的历史，众多学者在此方面进行了很多工作，研究出很多检测方法，以下是常用的检测刀具的方法15,16：表2-1 刀具磨损监测方法汇总 传感方法 应用场合 特点直接法接触法车削加工会受到切削和温度的影响光线图像法各类型种加工成本高、分辨率高、实用化困难发射线法 各类型种加工对人身体有害，已经停止实用间接法切削力 车、钻、铣等 灵敏度高、工作较稳定、费用高功率、电源 车、钻、铣等 灵敏度较低、成本低、响应慢振动 车、钻、铣等一般不单独使用，受环境影响较大声发射各种类型加工灵敏度高，应用较多超声波 车、铣现在还处于研究阶段，受振动的影响2.2.1直接法直接监测法是来检查刀具与磨损相关的参数来直接地反应刀具的磨损状况。直接监测法的主要方法有：接触法、图像法、电阻法、放射性技术法等。从生产实际来看，直接监测法在切割条件下采集信号比较困难，难以在线检测，所以在用直接检测法时只能在刀具停止加工时候测量，所以此方法有两个明显缺点：（1） 检测时要求停机时检测，会耽搁生产的进度；（2） 此方法不能监测到工作过程中刀具突然的损坏，因此其在生产上的应用收到了一定的限制，应用前景相对来说不大17，所以研究的重点落在间接法上。2.2.2间接法在实际应用中，间接监测法是检测刀具磨损、破损等各种磨损参数的重要方法，如检测切削力、振动信号、电功率、声发射等都是检测磨损与损坏的依据。从原理上，间接法可以避开直接检测法的多个缺点，间接检测法能在刀具的加工过程中检测，而并不影响刀具对工件的正常工作，真正意义上实现在线刀具磨损检测，大多能及时发现刀具的磨损，并在其达到极限是更换刀具。该检测技术的关键是在各种参数的提取中删除无用干扰。（1）切削力信号大量研究实验表明，在切削过程中，切削力的大小与切割刀具的磨损存在密切联系，切削过程中的每个细小变化总能够由切削力体现出来。最为显著的是随着刀具磨损的积累，其切削过程中的切削力会随之增大，这种变化在进给中会更加的明显。当加工过程中刀具磨损加剧时，构成切削力到的静态和动态分量会有变化，低频和高频分量也会有较为明显的变化。这是现在国际应用得最多得一项方法18。此方法具有以下优点：在众多信号中，切削力信号得采集相对容易，精度高，响应速度较快，于是其能够在实时进行检测；操作时可以将测力器安装在机床的某个部分上，这样做可以让其受外界的影响较低。2）声发射信号声发射（AE）是指在应力作用于金属后其内部发生晶格位错、断裂或者裂纹扩展时发出的一类高频率的应力波（通常最低为100kHz，最高为1000kHz）的脉冲信号。应用此方法有以下优点，受到环境的影响较轻，工作稳定，同时当切割条件变化时，其变动不大，成功跳过了加工过程中振动音频噪音强烈的低频段，测量较为稳定19。因为声发射信号可以直接地反映出加工工件的内部晶格的变化，故此方法可以对刀具磨损的程度做到一定的预测作用，是现在较为常用切前景非常可观的一种刀具磨损检测方法。（3）切削振动信号当前研究阶段中，振动信号是公认的来监测刀具磨损比较优秀的信号，其特点是它与工件加工过程中系统的动态特性有密切的关系，作为监测信号其具有较高的敏感度，一般选择采用加速度信号的时域幅值等来作为判断指标，其物理意义可视为切削过程中的振动位移。此方法因具有信号稳定易采集，信号处理规范，采集信号的传感器安装便捷等优点，其采用率较高，但一般不单独使用，因除去振动信号与刀具的磨损相关外，振动信号还与整个系统相关紧密，容易被加工过程影响20。（4）检测功率与电流信号 加工过程中，当刀具磨损达到阙值时，切削力会骤变如陡然增大，导致切削功率相应地改变。因此能够利用此点，来测量主轴进给功率来监测刀具状态的磨损，这种方法具有以下优点，功率传感器的测量过程与安装对加工过程的影响不大，切操作方便。所以，现阶段此方法在加工设备上应用较多。综合分析各以上检测信号的特点，以及试验条件要求，采用振动信号和切削力信号作为刀具磨损的监测信号。2.3系统总方案简图图2-1 刀具磨损监测系统图2.4系统各组成部分2.4.1试验装置本次所用的实验机床是由北京第一机床厂生产的数控铣床，其应用非常广泛，其主要技术指标如表2-1所示：表2-2 机床的主要性能指标型号主轴最大转速（r/min）最大力矩（Nm）承载能力（kg）工作台尺寸（mm）Xka715/1f60002204500900520550考虑到加工进行的顺利，本次实验选用的工件材料是 45 钢，其工件尺寸及其组分如表2-3所示：表2-3 工件类型与成分材料种类45钢尺寸（mm）25015050化学成分（%）C 0.46,Si 0.23,Mn 0.59,P 0.009,S 0.008,Cr 0.04,Ni 0.04,Cu 0.05实验选用的车铣刀片的参数如下18：表2-4 刀片几何参数刀片前角（）刀片后角（）刀尖圆弧半径R（mm）主切削刃长L（mm）副切削刃长W（mm）刀片厚度S(mm)主副切削刃夹角（）15151.19112.712.74.763902.4.2刀具切割参数本次实验选用的切割参数如下表所示：表2-5 切削参数切削速度VC(m/min)每齿进给量(mm/z)轴向切深(mm)径向切深(mm)1000.11082.4.3采集系统切削力信号的采集所用到的是KISTLER 5006-LSM型电荷放大器和KISTLER 9257A型动态三向测力仪，其中X、Y方向上切削力信号放大倍数为100倍，Z方向上的放大倍数为200倍。振动信号的采集所用到的是2635型电荷放大器和B&K公司生产的4369型振动加速度传感器，在X、Y、Z方向上的振动信号的放大倍数都为100倍19。本次所采用的数据采集卡是NI公司的数据采集卡（6221型），它的主要技术参数如下：表2-6 数据采集卡参数分辨率采样率输入输出16-Bit250ks/s16路模拟输入2路16位模拟输出实验研究与数据处理第三章 试验研究与数据处理3.1试验方案在实际的加工中，当要切削45钢时，因每次单次走刀时，刀具的磨损量并不大，因为需要很多次的走刀才能到达之前的磨损程度，故会用掉很多的时间和精力和工件材料。通常这样做实验时不允许的，为了提高效率和节约成本，本次实验提高了切削速度来加快磨损。具体操作步如下：（1）一开始刀具为新刀，选定之前确定的切割参数，开始切割工件并在此过程中采集振动信号与切削力信号。（2）提高刀具的切削速度，为快速达到下一磨损程度，但此时并不采集信号，在即将到达下一磨损程度时，开始用仪器测量刀具的磨损度，并进行记录。（3）重复以上步骤。 表3-1 刀具后刀面磨损量等级划分磨损等级ABCD磨损量（mm）00.10.10.2 0.20.40.40.5磨损状态无磨损或轻度磨损较重或严重磨在后面会应用SVM作二分类，因此将要识别的类型分作两类。3.2刀具磨损分析在工件的加工过程中，一般在刀具从工件的上表面切下切屑时，刀具本身也会被工件磨损被切削，慢慢地导致工件损坏。时间累集的话，刀具在切割过程中会产生大量的切割热并被切削力作用会损坏巨大，若损坏到一定程度，就有必要更换刀刃来保证正常工作来避免危险隐患。在当代，刀具的磨损监测检测技术有了很大的进步，也很多应用到了实际，但此项技术还未真正的成熟，因刀具磨损状态的检测技术是一项多学科交叉的技术，它涵盖的范围很广泛，即需要研究者具备大量的理论知识。采用插铣加工方法，主要因为此方法具有较高的金属切割率，在加工金属工件时，插铣加工会比一般用到的端面铣削所用到的加工时间短一半以上，因此缩短了加工时间。同时插铣方法来加工工件非常适合难以加工的材料，如某些工件的曲面加工、较长的悬伸度的加工以及切槽的加工等，比如模具型空腔、涡轮等。实际上采用插铣方法时刀具的磨损会比一般方法的大，因为其切掉金属的量比较大，损耗插铣刀具更加显著。若是磨损后，刀具的切削力将直接被影响，致使工件被加工的不理想，所以有必要给刀具的磨损一个最大允许使用值。通常情况下刀具上都有磨损程度的测量量，所以一般按照刀具磨损尺寸来判断磨钝标准（刀具磨损带中部磨损量可以达到的最大值），实验研究表明，在刀具的磨损过程中，磨损量一般分为以下三阶段14：切削时间t图3-1 刀具磨损状态图（1）图中A-B段为轻度磨损，其磨损来源大部分来自机械摩擦，刚开始加工工件时，刀具表面会有一些凹凸面和微小的裂痕等，加上刀刃面和工件、屑末间的接触面非常小，导致应力很大致使前期刀具的磨损程度较高，但因为时初期所以总磨损量还是很小，具体看来其后刀具面磨损程度。（2）图中B-C段是正常磨损阶段，在此阶段会出现有磨损小棱面，致使此阶段应力下降，其磨损量在时间上均匀变化，磨损减缓，工件受到的磨损相对较低。故此阶段是刀具的正常发挥作用的时候，其持续的时间也是最长的。通常情况下设置最大磨损量或者后刀具面磨损量的平均值，来作为刀具的严重磨损和正常磨损的临界值。（3）图中C-D段是严重磨损阶段，刀具在加工工件的工程中，其磨损程度一直累计，刀具不再锋利，切削过程中的温度也逐渐提高，此时因为应力热疲劳和热疲劳等一些影响，刀具的潜在磨损也在不停的累加，此潜在磨损超过一定值数后，刀具表现为磨损速率快速上升，发生钝化。所以在工程应用中，为确保加工的工件的质量和刀具利用的合理，系统应在严重磨损之前进行更换刀具。3.3 信号分析及特征提取一般情况下，从传感器取得的刀具信息不能直接用于系统中也不可能作为识别系统磨损状态的依据，因为从传感器直接取得的信息往往很复杂，但有用信息并不多，难以用于确定刀具的磨损状态，因此需要对信号进行处理，提取与刀具磨损相关的信号，来实现对刀具的磨损的判断。3.3.1 切削力信号采用磨损等级相差最大的磨损等级即A(VB=0mm)和D（VB=0.49mm），切削力的采集是由三向测力仪采集，其三个方向的切削力（FX、Fy、Fz）如图所示：图3-2 磨损度为A的FX图3-3 磨损度为D的FX图3-4 磨损度为A的Fy图3-5 磨损度为D的Fy图3-6 磨损度为A的Fz图3-7 磨损度为D的Fz从以上图可以看出：三个方向上切削力都随着时间呈现周期性变化，且可视作绕着某一平均值上下波动，做出其均值与切削力与磨损程度的折线图。 切 削 力 均 值（V） 磨 损 量 （ mm）图3-8 刀具不同磨损量的三向切削力的均值图可以看出在三种方向上的切削力中，Y轴的切削力均值几乎不随磨损程度的改变而改变，X轴的切削力均值也没多大变化，故考虑采用Z轴的切削力均值当作监测磨损的特征量。考虑到切削力变化的原因，当刀具出现损坏时，其表面会发生磨损或者其刀刃发生变形，致使刀具与工件的接触面积增大，此时变现为切削力变化更为剧烈，在数学上可以由方差表示，根据以上数据做出三个方向上切削力的方差的折线图，如图：切 削 力 方 差 值（V）磨 损 量 （ mm）图3-9 刀具不同磨损量的三向切削力的方差图从图中可以看出随着磨损量的增加，X轴切削力的方差变化最为显著，而Y、Z轴切削力的方差变化都不怎么明显，故可以选择X轴切削力的方差作为刀具磨损的特征量。3.3.2 振动信号做出各磨损程度的刀具振动信号的波形图。图3-10 磨损度为A的振动信号波形图图3-11 磨损度为B的振动信号波形图图3-12 磨损度为C的振动信号波形图图3-13 磨损度为D的振动信号波形图考虑到振动信号在物理意义上表现为位移，其刀具的磨损程度越大其振动的幅值越大，因其有正负之分，可采取其均方根值，做出各个磨损程度与其振动信号均方根的折线图。如下图所示： 振 动 信 号 均 方 根（V） 磨 损 量 （mm）图 3-14 不同磨损量下刀具的振动信号的均方根值由图可见，振动信号的均方根与刀具磨损量有着很好的线性关系，能清楚的反映刀具的磨损程度，故选取振动信号的均方根作为刀具识别的特征量。3.3.3 信号特征的归一化处理在信号经过特征提取后，其分布跨度还是较大，为了加快后面的训练速度，需要对数据进行归一化处理，使数据分布在一定区域，这里采用线性归一化，让数据分布在0，1之间，线性归一化公式为: （4-1）上式中，是归一化后得到的数据，是需要归一化的数据，未归一化数据的最大值，是未归一化的最小值21。SVM模型及原理第四章SVM模型及其原理在处理完刀具磨损有关的信号后，得到的归一化数据，我们需要建立识别这类数据的模型来达到识别磨损的目的。通常用到的识别模型为人工神经网络（ANN），其以自学习、非线性映射、自适应等特点得到广泛的应用，但其也有些许缺点，人工神经网络是基于经验风险最小化，容易陷入局部最优而全局不最优，训练结果不稳定。本文采用支持向量机（SVM），它是基于结构风险最小的原则，具有全局最优性。4.1 SVM 的分类算法分类学习算法是支持向量机的经典学习算法，最先SVM针对解决二分类问题而提出的22，从线性可分的情况出发，其基本思想可用图4-1来说明:图4-1 最优分类面图中有两类型的样本，分别用圆点和十字来表示，分类线为，而,是各样本点集与分类线距离最小的点所在的与平行的直线。与之间的距离称作分类间隔。要达到最优分类，就要求分类线把两类样本分开时，同时使的分类间隔最大。假设这有一给定训练的样本集，,k,。是维特征样本，是期望的输出。是由（）构成的点集，来表示线性超平面 （4-1）上式中，为偏置向量，为权重向量。则有以下关系：: ，: ，（4-2）于是在样本集中其期望的输出和训练样本集应满足： y（）， （4-3）设在、上的点距分类线 的距离都为，则此时分类间隔为，位于、上的点即为支持向量。现在欲使得分类间隔达到最大，则超平面的求解问题变为使1/22最小化，且有约束条件 y（）， (4-4)以上是在特征空间中可分的情况，但事实存在好多的不可分情况，此时应将引用松弛变量来软化判别函数，此时约束为y（），0 (4-5)软化后支持向量机的分类器为： 最小化1/22+C 0 (4-6)上式中是惩罚因子，它决定了离群点影响系统的程度。构造拉格朗日函数： - (4-7)上式中，为拉格朗日乘子向量，,。对上式各变量求其一阶偏导数，由Karush-Kuhn-Tucker条件，以上优化问题变为最大化 (4-8)约束条件，,设时是上式的解，求到的最优超平面为 (4-9) (4-10)故得到的支持向量机的决策函数为 (4-11)若两类样本集是线性不可分的，若想达到理想的分类就有必要引用核函数，其作用是把低维不可分数据通过非线性变换转化到高维空间，来使得数据变得可分。此时支持向量机的决策函数为： (4-12)常用的支持向量机核函数有以下几种：表4-1 常用的 SVM 核函数核函数类型表达公式线性核函数 多项式核函数 Sigmoid核函数 径向基核函数 以上是SVM解决二分类的情况。实际需要中，二分类往往不能满足需求，要进行多分类，所以把SVM应用到多分类当中有很大的意义，其推广过程一般有两种途径：直接法与分解法。（1）直接法：直接将所需的SVM多个分类面的参数求解合并到一个最优化问题只能中，然后来解决此问题直接实现多分类的目的。（2）分解法：此方法以某种方法来构造一系列的标准SVM二分类器，并把它们组合在一起来实现多分类问题，即把要求的多分类问题变成一些个问题，每个都是二分类，一般采用的分解法是：一对一（OVO）、一对多（OVA）、二叉树多分类SVM、有向无循环图（DAG）等。4.2实验结果及分析由传感器从机床上取得的刀具信息经特征值的提取得到可用于刀具磨损识别的数据，软件平台由MATLAB完成，给出所给数据以及其所对应的磨损状态在MATLAB上进行SVM的结构及磨损度矫检，经前面分析，其输入为X轴切削力的均值与振动信号的均方根，其结果如图24：图4-2 SVM训练及预测结果结果表明，SVM对刀具磨损的识别较高，但存在少数误分类，识别率达到了88%。分析：对于少数的误分类情况，其可能原因是：（1）切削力和振动信号并不能完全地表示刀具的磨损程度，刀具的磨损程度应该综合和地由多个信号表示才能达到较高的识别。（2）在切削过程中，刀具启动时的状态并不是稳定地工作，若此时的数据被采集，取得的数据可能不准确，若是用来作为系统的输入与判别依据，可能会导致误分类。结论与展望第五章 结论与展望5.1 总结本文围绕插铣刀具作为研究对象，对其磨损程度与原因进行了详细地探究，分析了检测刀具磨损的各种方法与其应用场合，并说明了本文所用方法所得结果，在信号的特征选择用详细论述，同时介绍了支持向量机这种学习算法。主要成果包括：（1）在刀具磨损的检测技术的研究当中，刀具的磨损程度很大部分可以通过切削力信号和振动信号来体现，故检测这两种信号能够有效地检测刀具地磨损程度。本文对刀具加工过程进行了实验，在切削条件采取恒定地情况下，采用不同磨损程度的刀具，分别来加工工件，然后用振动传感器和三相测力仪把振动信号和切削力信号采集下来，并对采集到的信号进行分析，得到能反应出刀具磨损的特征量，来用于系统的识别。（2）对于刀具磨损数据的特征采集，进过分析，选用切削力信号均值和振动信号均方根能够较为有效地体现刀具的磨损，信号采集的过程中应避开刀具切割过程中的不稳定阶段，此阶段的数据的引入会导致系统准确率的降低。（3）支持向量机（SVM）是以统计学理论为基础的机器学习方法能够有效地识别刀具的磨损程度，在解决非线性、高维以及小样本等模式识别问题中相较其他的学习算法有较大的优势，在本次的试验中达到了88%的识别率。（4）运用MATLAB软件平台，完成了支持向量机的搭建与对刀具磨损的预测，成功地对所用刀具进行了磨损识别。5.2 展望在工件加工中插铣加工具有众多优点，在加工应用中逐渐广泛，刀具市场越来越兴盛，众多刀具厂商都致力于插铣刀具的研发。但是国际上对于此技术的研究还不够完善，缺少相对准确的切削参数来参考，本文研究了刀具磨损的检测技术，取得了初步进展，但是因时间的有限，没有进入深层次的研究，现在只是进行了初步的研究，在很多方面还得进行进一步的研究：（1）若要完成刀具磨损程度判别的国际化通用，必须得收集大量的刀具信息，建立起涵盖大部分刀具信息的数据库，但现在的数据信息相对缺乏，刀具的数据信息大多是来自刀具的生产厂家，数据的来源较为缺乏，对于刀具数据的采集有着影响。同时为迎合加工技术的高速发展，建立起的数据库也需要进一步的采集信息来丰富内容。（2）本文为方便数据的采集，采用的是在固定切削参数下来进行刀具磨损的检测，因若采用多切削参数，则势必会增加所用的成本与时间，但此种情况下，所采集的数据更能满足生产加工的需要，能更好地应用在实际，这势必是以后的研究趋势。（3）本文采用的机械学习算法是支持向量机，其在小样本的条件下具有满意的识别率，但不可否认其还是存在一些问题，例如：训练算法不迅速，算法较为复杂，在检测阶段运算量巨大，故其算法的简化也是今后的研究趋势。致谢致谢本论文的完成离不开张宇老师的倾心帮助，每次会议中张宇老师都悉心教导我们，在任务进度的分配、理论知识的补充、相关材料的收集张宇老师都尽心给我知道。在论文的理论研究、软件变成、论文的编写和方法论证这一整个过程都包含着张宇老师的心血。同时张宇老师严谨的科研态度和诲人不倦的品德深深地感染着我，这种品质我会永远学习，在今后的学习阶段我也会以张宇老师这样的研究精神作为精神标向。在此，我衷心地感谢张宇老师对我的培养与指导，不仅仅是因为在此次毕业设计上给我的帮助，也是因为在帮助我的过程中体现的治学精神。在课题的选题期间，李鸣老师为此付出了很多时间与精力，没有李鸣老师的此番努力也就没有我毕业论文的完成，在此我想李鸣老师表达我最诚挚的感谢。在设计和论文的编写中，胡伟师兄、王志鹏师兄、李玲华师兄等人给了我许多帮助，在我疑惑时给我解惑并不断地鼓励着我，让我能继续自己的设计。在此向帮助我的几位师兄表达最诚挚的谢意，祝他们学业有成、前程似锦。同时，感谢一直为我默默付出、长期任劳任怨的父母，谢谢你们的付出，你们一直是我最坚强的后盾，每次感觉自己快要坚持不下去时，想到你们我便有战胜一切的信心，谢谢你们。最后，感谢那些关心过我的伙伴，在我做设计和写论文阶段，你们的关注和问候是我强大的动力，在此对你们表达深深地感谢。25参考文献参考文献1 张欢欢. 圆盘式刀库状态监控系统研制D.吉林大学,2015.2 Chen J C, Chen W L. A tool breakage detection system using an accelerometer sensorJ. Journal of Intelligent Manufacturing, 1999, 10(2): 18