基于EMD和SVM与AE传感器的刀具磨损识别

基于EMD和SVM与AE传感器的刀具磨损识别摘要与传统方法的对比，声发射（AE）传感器具有更好的刀具磨损识别性能因此，本文采用AE传感器来识别刀具磨损。 由于AE的多样性和时变性，采用经验模式分解（EMD）和支持向量机（Support Vector Machine，SVM）来分析AE信号。 EMD适用于分析非平稳信号，SVM具有良好的小样本分类能力。根据这些特点，提出了一种基于EMD和SVM识别刀具磨损故障的方法。通过EMD提取不同条件下工具的特性，并通过SVM分类器识别刀具磨损。 实验结果表明，基于EMD和SVM的方法适用于识别刀具磨损，成功鉴定率为95。关键词：工具磨损；AE传感器；经验模式分解；支持向量机第一章 介绍随着市场竞争的加剧，现代制造业应尽可能提高产量，同时降低成本。现代制造的方向是实现自动化和无人操作。但是，工具磨损由操作者以常规方法识别。 它是主观的，成为现代制造发展的瓶颈。因此，广泛研究了刀具磨损的在线检测方法，常规方法包括电流，光纤和图像，可直接检测工具磨损。但是这些方法没有由于存在切屑和热应力，实现了良好的效果1,2，切割力其中可以间接检测刀具磨损，由于进给速率变化和切割深度变化的微弱，没有取得良好的效果3-6。声发射反映了心理材料内部晶格的变化。因此它包含了关于刀具磨损的许多信息，并广泛应用于故障检测领域7,8。但是由于AE信号的多样性和不可逆性，难以提取刀具磨损的特征。AE信号特征提取的常规方法是小波包分解，从不同频率的功率提取特征带。EMD可以基于局部特征自适应分解信号。 在分解过程中，可以自适应地创建基本功能。然后分解后实现的内在模式函数（IMF）包括原始信号的局部特征，自适应实现多分辨率分析11。 因此，EMD用于提取刀具磨损的特征，SVM用于识别刀具磨损模式。本文将结构如下： 在第二章，我们将介绍EMD方法的定理; 在第三章我们将介绍SVM方法的定理; 在第四章中，我们将介绍我们的方法，解释每一步; 在第五章中，我们将展示如何应用此方法进行刀具磨损识别。 最后，我们将提出意义上的结论。第二章 经验模式分解1998年，在美国航空航天局戈达德太空飞行中心工作的Norden E. Huang,提出了Hilbert-Huang 变换来处理具有非线性和非平稳特征的信号12。变换的主要特征是采用经验模式分解技术，将数据分解成具有模式功能的正交IMF组。在这里，IMF必须满足下面两个条件。第一个是极值的数量等于过零点的数量。第二个是上包络线和下包络线的局部对称性13。事实上，AE信号可能不是满足这些条件是因为其在工具磨损过程中的复杂性。但是，Hilbert-Huang 说任何信号都是由一些不同的内在模式组成的，它们可能是线性的或非线性的14,15。该极值数等于本地组中的零点数，具有上包络线和下包络线的对称特性。在任何时候，信号可能包括许多固有模式。如果这些模式相互重叠，它们可能会形成复合信号。因此，任何信号都可能被分解成无限的IMF，这可以通过下面的方法来实现。（1）确定本地的所有极值点组，然后连接这些最大点以通过三次样条线格式化上包络线。 同时，连接这些最小点以通过三次样条线来格式化下包络线。 这两条线包括信号的所有数据。（2）设两条信封线的平均值为表示为1，然后计算 （1）优分类器面可以在非线性变换后实现线性分类器。 本文选择径向基函数（RBF）。（3）判断是满足IMF。 如果不满足IMF的条件，则重复步骤（1）和（2），而作为原始数据，直到满足IMF的条件。 现在，令=。 因此，的第一个IMF是，它表示的高频分量。（4）从提取，然后获得信号没有高频分量。 （2）作为原始数据，根据步骤（1），（2）和（3）处理以实现由表示的第二个IMF。 重复游行，实现了IMF。 （3） 当或满足变为单调函数的终止条件时，重复终止。从式（2）和（3）可以看出， (4) 这里，是表示信号趋势的残差函数, 然而，每个IMF ，分别表示从高到低的不同频带分量。EMD可以将信号分解成波形，并将趋势分解为不同的尺度，然后实现具有不同特征尺度的一系列IMF。 每个IMF都关注信号的本地特征。 然后，特征提取可能更准确有效。 因此，当工具磨损时，采用EMD从AE信号中提取特征。第三章 支持向量机1995年，Vapnik提出SVM方法，被认为是分类方法的代表，特别是当样本和非线性情况较少时16,17。 它具有更好的泛化性能。假设有两类训练样本可用。 , （1）这里，是样本数，是维数，是类的标识符。非线性问题可以在高维空间中转化为线性问题，其中实现了最优分类器面。基于功能定理，只有当sum函数满足Mercer条件时，它才对应于变换空间的内积。 所以，一个适当的内部生产功能最优分类器面可以在非线性变换后实现线性分类器。 本文选择径向基函数（RBF）。 -()2 (2)分类器面方程的一般形成如下： (3)这里，是权重向量，是分类器阈值。 如果所有样品都可以通过这个方程分类，那就必须满足下面的等式。 ， (4)是放松因素。 此时两个等级之间的距离等于。将距离最大化的分类器面称为最佳分类器类。 要寻求最优分类器超面，则应解决具有约束（4）的二次规划问题： （5）这里，是大于0的常数，决定了对不正确分类的样品的处罚。 上述问题可以转成如下的双重形式 （6）这里，约束条件是这样的 =0， （7）基于KKT条件，最优参数满足 （8）因此，对应于大多数样本的最优参数将变为0.只有很少的样本将不为0.那些相应的样本是支持向量。 最优参数已经被解决为方程（6），SVM分类器的判别函数为 （9）最后，分类器可以由判别函数的信号确定。第四章 基于故障识别算法EMD和SVM首先，采用EMD分析AE信号，在不同条件下提取特征向量，包括正常的刀具和刀具磨损。 特征提取的过程如下。（1）用EMD分解AE信号，然后选择包含主要信息的IMF。（2）计算每个IMF的总能量 2 (1)（3）基于以上能量构建特征向量T。 （2）为方便分析和处理，向量需要归一化。 然后，在归一化之后实现特征向量。 在通过学习样本训练SVM之后，SVM具有识别刀具磨损的能力。 最后，SVM可以通过测试数据进行测试，以识别刀具磨损。第五章 实验本文处理的数据来自数控车床的工作过程，工件材料为GH648，切削刀具材料为KC5010。 数据采集系统是北京鹏翔公司的PXWAE AE检测系统。 AE传感器为PXR30。 正常数据和刀具磨损数据分别如图1,图2所示。图1 正常刀具的AE数据图2 磨损刀具的AE数据首先，AE信号被EMD分解以实现每一个IMF。 正常数据和刀具磨损数据的分析结果分别如图3，图4所示。 图3 正常刀具AE数据的EMD结果 图4 磨损刀具AE数据的EMD结果IMF的数量不是恒定的。 经过大量的分析，我们知道这个数字在7到10之间。由于前7个IMF包含了大部分AE信号，我们定义特征向量的长度为7.如果IMF的数量超过7，则这些组件被覆盖在第七组件上。特征向量可以基于IMF计算。 这些载体中的一些如表1所示。表1 特征向量学习样本标号特征向量状态10.02280.07260.27140.52330.08340.00570.0209正常20.03160.08040.30930.41820.11220.04310.0052正常30.10170.36420.32490.13280.02180.02400.0306正常40.08570.31420.18850.23590.11330.01860.0437正常50.06410.34780.33980.14670.03890.00610.0566正常60.06740.17950.19220.25070.12030.01520.1747磨损70.06350.14790.14130.32170.22750.01620.0819磨损80.05830.07470.09850.04710.60610.05480.0604磨损90.05650.15280.13150.51530.00230.00190.1398磨损100.06420.07510.13450.37110.27270.01850.0638磨损从正常数据和刀具磨损数据中选择200个样本作为SVM的训练样本。 在这里，分别有100个正常和刀具磨损数据。 正常数据和刀具磨损数据的目标样本分别为+1，-1。 SVM已被200个样品训练后，具有识别刀具磨损的能力。 选择另外120个测试样品来测试SVM。 一些测试结果如表2所示：表2 特征向量的测试样本序号状态特征向量SVM输出识别结果1正常0.06740.17950.19220.25070.12030.01520.17478.0002正常2正常0.06350.14790.14130.32170.22750.01620.08192.1540正常3正常0.05830.07470.09850.04710.60610.05480.06041.7056正常4正常0.05650.15280.13150.51530.00230.00190.13982.9264正常5正常0.06420.07510.13450.37110.27270.01850.06383.3842正常6磨损0.10720.17400.18530.38920.08090.00590.0574-1.5044磨损7磨损0.07060.22550.18240.18250.11580.00400.2193-3.8831磨损8磨损0.07110.12340.26540.17490.15180.01590.1975-2.4048磨损9磨损0.04080.09130.21630.11850.35940.01270.1611-1.3708磨损10磨损0.08960.22300.18880.33630.08450.04180.03600.57455正常大于0的是正常数据，小于0是刀具磨损数据的输出符号。 测试结果表明，3个正常样品被鉴定为故障状态，3个工具磨损样品被识别为正常状态。 因此，成功识别率为95。 这意味着设计的型号具有识别刀具磨损的能力。 实际上，通过OLYMPUS倒置金相显微镜测量，（刀具磨损量）达到200m。结论EMD算法的本质是将时域信号自适应地转换为时域信号。 根据信号的特点选择不同的频率是方便的，适合于在工具磨损时识别AE信号。 工具磨损特征已经被EMD提取，分类器被设计为用SVM识别刀具磨损。 实验结果表明，设计的方法有效地识别工具的模式。致谢作者衷心感谢IEEE提供此模板以及以前提供技术支持的所有同事。 还要感谢沈阳的支持中国专项基金（07SYRC04）。中文译文参考文献1 Lei Bin, “Methods for wear intensive automatic measurement by milling tools abroad”. Journal of ordnance engineering college,Vol. 11, No. 2, pp. 73-78, Feb. 1999.2 Weis W, “Automatisierte Werkzeugberwachung und vermessung beim Frsen mit Hilfe bildver arbeitender Systeme”. Technisches Messen, Vol 61, No. 12, pp. 473-476, Dec. 19943 Guo Houkun, Cheng Zhixian and Cai Weiping, “Study on state detect of tool wear based on wavelet transform”. Machinery manufacturing engeering, Vol. 12, pp. 123-124, 2004.4 Hong wei, Li Yan and Zheng Jianming, et al, “Wavelet transform method for tool wear in drilling”. Machine tool & Hydrautics. Vol. 3, pp. 305-307, 2003.5 Zeppelin W, “Fortschritt in der Werkzeugberwachung”. Werkstatt und Betried, Vol. 125, No. 5, pp. 359-362, May 1992.6Guo Xing, Du Runsheng and Yang Shuzi, “Research on the power monitoring method for milling cuter failure”. Journal of Wuhan transportation university, Vol. 20, No, 4, pp. 465-469, Apr. 1996.7 Chen Xiaozhi, Bi Beizhi and Yang Jianguo, “Acoustic emission cutting tool state distinguishing based on wavelet analysis”.Transducer and macrosystem technology, Vol. 25, No. 6, pp. 19-21, 24, Jun, 2006.8 Chen Xiaozhi, Li Beizhi and Yang Jianguo, “A new wavelet analysis method for acoustic emission tool wear”. Nondestuctive testing, Vol. 29, No. 1, pp. 12-15, 35, Jan, 2007.9 Wang Jisheng, Yu Junxin and Huang Weigong, “Application of wavelet package analysis and support vector machine for fault diagnosis of cutting tool”. Journal of vibration, measurement & diagnosis, Vol. 28, No. 3, pp. 273-276, Mar, 2008.10 Xie Xiuxian, Fu Pan and Cao Weiqing, “Acoustic emission and wavelet analysis-based estimation of tool wear”. China meas urement, Vol. 32, No. 2, pp. 40-42, Feb. 2006.11 Sun Liying, Li Yibo and Jin Shijiu, et al, “Acoustic emission signal processing method based on wavelet package and HHT transform”. Chinese journal of scientific instrument, Vol. 29, No, 8, pp. 1577-1582, Aug. 2008.12 HUANG N E, SHEN Z and LONG S R, “The empirical mode decomposition and Hilbert spectrum for nonlinear and non-stationary time series analysis”. Proc. Roy. Soc. Vol. 454, pp. 903-995, London, 1998.13 RILING G, FLANDRIN P