（测试计量技术及仪器专业论文）emd和支持向量机在刀具故障诊断中的应用.pdf

y 1 7 5 0 4 岑。8 i l r l l l 作者郑重声明：所呈交的学位论文，是本人在导师的指导下进行研究 工作所取得的成果。尽我所知，除文中已经注明引用内容和致谢的地方外， 本论文不包含其他个人或集体已经发表的研究成果，也不包含其他已申请 学位或其他用途使用过的成果。与我一同工作的同志对本研究所做的贡献 均已在论文中做了明确的说明并表示了谢意。 若有不实之处，本人愿意承担相关法律责任。 学位论文作者签名：便灵整 日期：扣加绎恩罗i a 西华大学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，在校 攻读学位期间论文工作的知识产权属于西华大学，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，西 华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、缩印或扫描等复印手段保存和汇编本学位论文。( 保密的论文在解 密后遵守此规定) 学位论文作者签名：链灸酞 日期：2 9 口绎 a 尸a鬻：雌z o o 绎。各瓣丹 日期丹尸a u 西华大学硕士学位论文 摘要 刀具故障诊断的过程包括诊断信息的获取、故障特征提取和状态识别三个主要部 分。其中，故障特征提取和状态识别是诊断的关键。本文将时频分析的新方法一经验 模态分解( e m p i r i c a lm o d ed e c o m p o s i t i o n ，e m d ) 和模式识别的新技术支持向量机 ( s u p p o r tv e c t o rm a c h i n e ，s v m ) 结合在一起应用于刀具故障诊断当中。e m d 方法基于信 号的局部特征时间尺度，可以把原始信号分解为若干个内禀模态函数( i n t r i n s i cm o d e f u n c t i o n ，i m f ) 之和，分解出的各个内禀模态函数分量突出了数据的局部特征，对它进 行分析能够更加准确的把握原始数据的特征信息，更重要的是，每一个内禀模态函数分 量都会随着信号本身的变化而变化，因此，e m d 方法是一种自适应的时频局部化分析方 法，非常适用于非线性和非平稳信号的分析。支持向量机比神经网络具有更好的泛化能 力，它能保证找到的极值解是全局最优解，并且它还较好的解决了小样本的学习分类问 题。本文利用e m d 方法对原始的刀具信号进行特征提取，然后用支持向量机作为分类器 对刀具的故障类型进行了分类，对实验数据的分析结果表明，e m d 方法和s v m 相结合应 用于刀具故障诊断中是行之有效的办法。 本论文的主要工作包括以下几个方面： 1 实验数据的采集：k i s t l e r9 2 5 7 b 型测力仪对切削力信号进行采集之后，再经过 后续的信号处理获得本文所需的数据。 2 介绍了e m d 方法分解的原理以及h i l b e r t 谱和h i l b e r t 边际谱，分析了该方法在 信号处理中的应用，并将其对原始信号的分解结果与小波分解的结果进行了比较，基于 其分解效果优于小波分解，给出了利用e m d 对刀具故障状态进行特征提取的方法。 3 详细介绍了支持向量机的原理，并对支持向量机的模型选择问题以及学习性能测 试方面进行了分析。 4 在对两种不同状态下信号的内禀模态函数能量熵的比较之后，对刀具正常切削和 磨损状态下的切削力信号进行e m d 分解，接着把提取到的特征向量作为支持向量机的训 练样本，进行分类器的训练，然后用支持向量机分类器对刀具磨损状态进行识别，从而 确定刀具的故障类型。 5 验证了e m d 和s v m 相结合的方法应用于刀具故障诊断的有效性和可行性，实验结 果表明了该方法在刀具故障诊断中具有较好的性能，并对下一步工作的开展做出展望。 关键词：经验模态分解；内禀模态函数；支持向量机；特征提取；刀具故障诊断 e m d 和支持向量机在刀具故障诊断中的应用 a b s tr a c t t h ep r o c e s so ft o o lf a u l td i a g n o s i si n c l u d e st h ea c q u i s i t i o no fi n f o r m a t i o na n de x t r a c t i n g f e a t u r ea n d p a t t e r nr e c o g n i t i o n a m o n g o ft h e m ，f e a t u r ee x t r a c t i o na n dc o n d i t i o n i d e n t i f i c a t i o na r et h ek e yq u e s t i o n s an o v e lm e t h o do ft i m e f r e q u e n c ya n a l y s i sb a s e do n e m p i r i c a lm o d ed e c o m p o s i t i o n a n dp a t t e r nr e c o g n i t i o nt e c h n i q u e sb a s e do ns u p p o r tv e c t o r m a c h i n ea r eu s e df o rt h et o o lf a u l td i a g n o s i s e m p i r i c a lm o d ed e c o m p o s i t i o nc a nd e c o m p o s e t h ec o m p l i c a t e ds i g n a li n t oan u m b e ro fi n t r i n s i cm o d ef u n c t i o n b ya n a l y z i n ge a c hi n t r i n s i c m o d ef u n c t i o nc o m p o n e n tt h a ti n v o l v e st h el o c a lc h a r a c t e r i s t i co ft h es i g n a l ，t h e c h a r a c t e r i s t i ci n f o r m a t i o no ft h eo r i g i n a ls i g n a lc o u l db ee x t r a c t e dm o r ea c c u r a t e l ya n d e f f e c t i v e l y i na d d i t i o n ，e a c hi n t r i n s i cm o d e f u n c t i o nc o m p o n e n ti n c l u d e sd i f f e r e n tf r e q u e n c y c o m p o n e n t sa n de a c hi n t r i n s i cm o d ef u n c t i o nc o m p o n e n tc a l la d a p t i v e l yc h a n g e sw i t ht h e s i g n a l ，t h e r e f o r e ，e m p i r i c a lm o d ed e c o m p o s i t i o ni sas e l f - a d a p t i v et i m ef r e q u e n c ya n a l y s i s m e t h o dw h i c hc a i lb eu s e dt op r o c e s sn o n - l i n e a ra n dn o n s t a t i o n a r ys y s t e mp e r f e c t l y s u p p o r t v e c t o rm a c h i n eh a v eb e t t e rg e n e r a l i z a t i o nt h a na r t i f i c i a ln e p a ln e t w o r k s ，a n ds u p p o r t v e c t o rm a c h i n ec a l lg u a r a n t e et h eg l o b a le x t r e m ei se x a c t l yt h eg l o b a lo p t i m a ls o l u t i o n ， w h i c hc a ns o l v et h el e a r n i n gp r o b l e mo fas m a l l e rn u m b e ro fs a m p l e s t h ee x p e r i m e n t a l - r e s u l t sd e m o n s t r a t et h ep r o p o s e dd i a g n o s i sa p p r o a c hi se f f e c t i v e t h em a i nw o r ko f t h i sp a p e ri n c l u d e st h ef o l l o w i n ga s p e c t s ： 1 t h ed a t aa c q u i s i t i o n ：u s ek i s t l e r9 2 5 7 bd y n a m o m e t e rt oa c q u i r ec u t t i n gf o r c e s i g n a l s ，a n dt h e np r o c e s st h e s es i g n a l st og e td a t af o rf u r t h e re x p e r i m e n t 2 i n t r o d u c et h ep r i n c i p l eo fe m dm e t h o da l o n gw i t hh i l b e r ts p e c t r u ma n dm a r g i n a l h i l b e r ts p e c t r u m t h e na n a l y z et h ea p p l i c a t i o no fe m di ns i g n a lp r o c e s s i n gf i e l da n d c o m p a r e st h er e s u l t so f t h eo r i g i n a ls i g n a ld e c o m p o s i t i o nb a s e do ne m dw i t ht h a to fb a s e do n w a v e l e td e c o m p o s i t i o n a c c o r d i n gt ot h ef o r m e rs u p e r i o r i t y , p r o p o s eam e t h o dt oe x t r a c t f e a t u r eo ft o o ln o r m a la n df a u l ts t a t u sb yu s i n ge m d 3 i n t r o d u c et h et h e o r yo fs v mi nd e t a i l s ，a n da n a l y z et h em e t h o d so fs v mm o d e l s e l e c t i o na n dl e a r n i n gp e r f o r m a n c et e s t i n g 4 c o m p a r ei n t r i n s i cm o d ef u n c t i o ne n e r g ye n t r o p yo fn o r m a ls i g n a l sw i t ht h a to ff a u l t o n e s ，d e c o m p o s et h ec u t t i n gf o r c en o r m a la n df a u l ts i g n a l sb a s e do ne m d t h e ne a c hi m f f r o me m di sa c c e p t e db ys v mc l a s s i f i e ra ss a m p l ed a t a , a n dt h i sc l a s s i f i e rc a l lr e c o g n i z et h e w e a r i n gs t a t eo ft o o ls oa st od e t e r m i n et h et y p eo f t o o lf a u l t s 5 v e r i f yt h ee f f e c t i v e n e s sa n dp r a c t i c a l i t yo ft h ep r o p o s e dm e t h o db a s e do ne m d a n d t l 西华大学硕士学位论文 s v mi nt o o lf a u l td i a g n o s i sb ye x p e r i m e n t t h ee x p e r i m e n t a lr e s u l t ss h o wt h a tt h i sm e t h o d h a sg o o dp e r f o r m a n c eo i lt o o lf a u l td i a g n o s i s f i n a l l y , m a k eo u t l o o ko n 血r t h g rw o r k k e yw o r d s ：e m d ；i m f ；s v m ；f e a t u r ee x t r a c t i o n ；t o o lf a u l td i a g n o s i s e m d 和支持向晕机在刀具故障诊断中的应用 目录 摘要i a b s t r a c t i i 1 绪论1 1 1刀具故障诊断l 1 1 1刀具故障诊断的目的和意义1 1 1 2 刀具故障诊断的研究现状1 1 2 刀具故障诊断技术的发展3 1 2 1信号监测3 1 2 2 基于信号处理的刀具故障特征提取方法3 1 2 3 刀具状态识别方法4 1 3 论文研究的目的、内容及结构5 2 切削力信号的采集7 2 1刀具状态的诊断方法7 2 2 切削力信号的测量系统7 2 2 1 切削测力仪8 2 2 2 电荷放大器9 2 2 3 数据采集软件9 2 3 本章小结9 3 基于e m d 方法的切削力信号特征提取1 0 3 1 概述1 0 3 2e m d 方法1 0 3 2 1e m d 方法分解的基本原理1 0 3 2 2h i l b e r t 谱1 l 3 3 3h i l b e r t 边际谱1 2 3 3 4e m d 方法端点效应的处理1 2 3 3e m d 方法在信号分析中的应用1 3 3 3 1e m d 方法和小波分解方法的比较1 3 3 3 2h i l b e r t 谱与w i n g e r - 7 i l l e 时频谱的比较1 5 3 3 3 信号的h il b e r t 边际谱分析1 7 3 4 基于内禀模态函数能量的特征提取法1 8 3 4 1内禀模态能量熵1 9 3 4 2 特征向量提取的步骤2 0 3 5 实验数据分析2 1 3 5 1 实验数据的采集2 1 3 5 2 实验数据的特征向量提取2 2 3 6 本章小结2 6 4 支持向量机分类器2 7 4 1 概述2 7 4 2 统计学习理论2 7 4 2 1 经验风险最小化2 7 4 2 2v c 维2 8 i v 两华人学硕+ 学位论文 4 2 3 推广性的界2 9 4 2 4 结构风险最小化2 9 4 3 支持向量机3 0 4 3 1 最优分类面3 l 4 3 2 核函数理论3 3 4 4 基于支持向量机的状态识别算法3 4 4 4 1支持向量机的模型选择3 6 4 4 2 支持向量机学习性能测试3 7 4 5 本章小结3 9 5 基于e m d 和支持向量机的刀具故障诊断4 0 5 1 概述4 0 5 2 实验及结果分析4 0 5 2 1 特征提取4 0 5 2 2 故障分类4 0 5 3 本章小结4 3 结论4 4 参考文献4 5 攻读硕士学位期间参与的科研项目及发表的学术论文4 8 致谢4 9 v 西华大学硕士学位论文 1绪论 1 1 刀具故障诊断 1 1 1刀具故障诊断的目的和意义 制造业是为经济社会发展提供技术装备的基础性、战略性产业。制造业离不开机械 加工，而在金属切削加工中刀具是机械加工中最主要的核心，刀具的质量以及刀具的选 择对机械制造加工过程起着重要的作用。在早期的机械加工过程中，是通过加工人员对 切削颜色和加工过程中的噪声变化的判断进行刀具状态的识别，或者直接拆卸刀具实测 刀具的磨损量和破损程度，这类主要基于经验的方法会因为没有充分利用刀具的实际寿 命增加制造成本，影响加工质量，甚至会导致机床的功能失效，而构成整个系统的故障 【1 1 。据统计，生产过程中有7 5 以上的设备故障停机源于刀具失效【2 1 ，严重时甚至影响整 个加工系统的正常运行，造成很大的经济损失。那么刀具状态监测是产品质量保证及加 工系统可靠运行的关键技术之一。因此，刀具状态的识别和监控对保证切削加工系统的 安全、切削的顺利进行、降低生产成本以及提高劳动生产率等方面具有至关重要的意义。 刀具故障诊断的目的主要在于： 1 能及时、准确地对刀具的各种异常或故障状态做出判断，达到预防或消除故障的 目的，从而提高工件的加工质量； 2 减少设备的停机时间，提高设备利用率和生产率，延长刀具的使用寿命； 3 通过监测、故障分析、性能评估使加工系统在最优的参数下运行。 总之，刀具故障诊断既要保证设备的安全可靠运行，又要获得最大的经济效益和社 会效益。 1 1 2 刀具故障诊断的研究现状 二十世纪四十年代，国外对刀具故障监测技术的研究就已开展起来，其发展经历了 由离线非实时监测到在线实时监测、由单一传感器监测到多传感器数据融合监测、由单 项监测到集成监测、由简单的决策判别监测到识别监测的过程【3 巧】。刀具状态监测技术 发展至今，破损的监测已经走向实用化与商品化，而磨损的监测已经向智能化迈进。 目前，随着新方法、新理论、新技术的不断发展，特别是小波分析以及神经网络技 术的出现，为国内外学者在刀具故障诊断中的信号选取、信号分析、特征提取、状态识 别等方面的研究开辟了新的领域，取得了显著的成果。小波变换在时域和频域都有良好 的局部化性质，因此人们在刀具故障诊断和监测中常将其用于信号分析以及特征值的提 取【鲫】。神经网络也因极强的非线性映射能力以及适合于复杂模式识别的特点而成为刀 具状态识别中强有力的工具1 6 j 。 e m d 和支持向量机在刀具故障诊断中的应用 t o s h i y u k i0 b i k a w a 等人【9 】对进给力信号进行小波分解，提取小波系数标准化均值 作为特征，利用a r t 2 网络实现状态识别，取得了很好的效果。 g s h o n g 等人【l o 】提取切削力信号小波分解系数的均值、方差、小波系数局部极 大值和低频部分的相关系数等，作为b p 网络的输入成功识别刀具状态。 i b r a h i mn u rt a n s e l 1 1 】采用三个方向力信号的小波系数作为特征，利用a r t 2 网络 对刀具状态进行实时诊断。 i s s a m 1 2 】提取振动信号的均值、方差、s k e w n e s s 、k u r t o s i s 和小波系数均值和最大 小波熵谱峰值作为特征，利用b p 网络进行刀具状态识别，效果明显。 p e n g y o n g h o n g 1 3 】和y i n g x u ey a 0 0 4 等人对相应信号进行小波包分析并采用模糊神经 网络实现了对刀具状态的监测。 冯翼宁等人【1 5 】利用电流信号、振动信号和a e 信号的小波分析结果，提取相关特征 值，利用b p 网络实现了对刀具状态的识别。 李小俚【l6 】针对切削过程中的振动信号和a e 信号的特点，利用小波分析技术提取信 号深层特征，建立了新型的基于模糊推理的神经网络模型，该模型能融合振动和a e 信 号的特征和描述信号特征与刀具状态的非线性关系，以此识别刀具状态。实验表明小波 模糊神经网络对提高在线刀具监控系统的可靠性极为有效。 喻俊馨等人【l 7 】利用a e 信号的均值、均方值、方差、功率以及小波分解后的8 个频 段的功率作为三层b p 网络的输入，建立了基于松散型小波神经网络的刀具故障监测系 统，对刀具故障的预报正确率达到了百分之九十以上。 朱云芳等人【1 8 】通过小波变换提取刀具a e 信号的5 个频段的均方根值作为神经网络 的输入，来识别刀具磨损状态。实验表明采用小波神经网络的松散型结合对刀具磨损状 态的识别取得了很好的效果。 虽然小波分析和神经网络技术对刀具故障诊断的研究做出了较大的贡献，在工程实 际中也获得了较广泛的应用，但它们各自都有缺陷，有许多不完善的地方。首先，小波 变换是线性的，它本质上就是窗口可调的傅里叶变换【l 昭0 1 ，也就是说一旦选定了小波基 和分解尺度，得到的结果就是某一固定频带的信号，该频带范围只与信号的采样频率有 关，与信号本身无关，就这一点来讲，小波分析不具有自适应性，这在一定程度上制约 了小波分析的应用。其次，神经网络技术缺乏坚实的理论基础，它在实际应用中需要依 靠经验和技巧来解决许多重要设计问题；此外，它需要足够多的数据样本，而在实际应 用中，这个条件往往得不到满足。因此，需要找到一种把时域分析和频域分析结合起来 的信号分析方法，它既能反映信号的频率内容，又能反映该频率内容随时间变化的规律， 还能准确的反映出信号能量随时间和频率的分布情况。在故障分类中，也需要一种适合 于小样本的模式识别的新方法。 2 西华大学硕士学位论文 1 2 刀具故障诊断技术的发展 1 2 1 信号监测 在加工过程中，会有各种参数从不同的角度反映刀具状态的变化，监测信号的选择 是决定监控系统成败的重要因素。监测信号应该能准确而快速地反映刀具状态，便于在 线检测，不易受环境干扰，具有较高的信噪比。 在刀具状态监测中，主要是利用传感器采集切削过程中的物理量( 如切削力、切削 功率、切削温度等) 并将其转换成电信号，以便于后续处理。因此，首先要求采集到的 物理量必须能够准确、真实地反映刀具的状态；其次，传感器的安装应该简单易行，并 且具有较强的抗干扰能力。 1 2 2基于信号处理的刀具故障特征提取方法 在故障诊断过程中，最关键的问题之一就是故障特征的提取，它直接关系到故障早 期预报的可靠性和故障诊断的准确性。目前，人们主要借助于信号处理的理论方法和技 术手段在对原始信号的深度挖掘中获得重要信息从而达到故障特征提取的目的。传统的 信号处理方法有滤波技术、频谱分析技术。近年来出现的信号处理新方法有数字滤波技 术、自适应滤波技术、小波分析技术等等。尤其是小波分析已成为当前信号处理的热点 研究对象，它具有多尺度特性和“数学显微”的特性，可以同时提供信号的时域和频域 的局部化信息。但是小波变换由于采用固定的基函数，它所分解的各个分量不随信号的 变化而变化，失去了本身的物理意义，这在一定程度上制约了小波分析的应用。因此， 本文所要研究的重点问题之一就是将最新的尤其是适合于非平稳信号分析的信号处理 方法应用于刀具故障特征提取中。 经验模态分解( e m p i r i c a lm o d ed e c o m p o s i t i o n ，e m d ) 就是近年来出现的用于时频 分析的一种新方法，它基于信号的局部特征时间尺度，可把信号分解为若干个内禀模态 函数( i n t r i n s i cm o d ef u n c t i o n ，i m f ) 之和，分解出的各个i m f 分量突出了数据的局部 特征，对其进行分析可以更准确有效地把握原始数据的特征信息。此外，由于每一个i m f 所包含的频率成分不仅仅与采样频率有关，更为重要的是它还随着信号本身的变化而变 化，因此e m d 方法是一种自适应的时频局部化分析方法，它从根本上摆脱了傅立叶变换 的局限性，具有很高的信噪比，可以精确地给出信号的能量随频率和时间变化的联合分 布情况，非常适用于处理非线性和非平稳信号。自e m d 方法提出后，已有许多学者将其 应用于旋转机械方面及其它领域的研究。 s h u f e n ga i 掣2 1 提出了一种基于e m d 方法和h ii b e r t - h u a n g 变换的齿轮故障诊断 的新方法，该方法将振动信号被e m d 方法分解成的各i m f 分量进行h ii b e r t - h u a n g 变换， 获得信号的h i i b e r t 谱，从而找到齿轮的故障特征信息。实验证明该方法能够有效地诊 实验证明该方法能有效判断传感器的故障。 钟小平等【2 7 埏；用小波分析和e m d 的多分辨率特性，对某旋转运动部件的振动信号进 行分解和重构，进一步做频谱分析和功率谱分析，有效提取了该旋转机械运转部件在电 机失步状态下的故障特征，为此类故障提供了及时、有效的帮助。 从上面的文献中可以看出，e m d 方法的出现为信号分析开辟了一条新的途径，许多 人都将其应用于故障特征提取，并取得了很好的效果。 1 2 3 刀具状态识别方法 传统的模式识别方法是采用判别函数来划分每一个类别的，如何选择有效的判别函 数形式以及在识别过程中如何修正判别函数的有关参数都是很困难的事情，而人工神经 网络作为一种自适应的模式识别技术，并不需要预先给出判别函数。它能够充分利用样 本的状态信息，对来自不同状态的样本逐一进行训练，从而获得均衡的、收敛的权值， 这些权值就代表了网络中内涵的非线性的映射关系。人工神经网络的研究在b p 算法提 出后获得了迅速发展，并在一些工程实际中得到了成功的应用。但是，神经网络缺乏坚 实的理论基础，在对实际应用中提出的许多重要设计问题无法做出准确的回答，只能依 靠经验和技巧来解决，并且它与传统的模式识别方法都存在着同样的问题，即样本数必 须足够大。因此找到一种理论上更严格、且适用于小样本的模式识别方法具有重大意义 统计学习理论( s t a t i s t i c a ll e a r n i n gt h e o r y ，s l t ) 就是一种专门研究小样本情况 4 西华大学硕士学位论文 下的机器学习理，而支持向量机( s u p p o r tv e c t o rm a c h i n e ，s v m ) 则是建立在统计学习 理论基础上的新技术。v v a p n i k 2 8 2 9 等人从二十世纪六、七十年代就开始致力于此方面 的研究，并逐步形成了一套完整的理论体系。到二十世纪九十年代中期，随着理论的最 终完善和一个工程化很强的工具支持向量机的出现，越来越多的研究者开始关注这 一理论。随后s v m 在模式识别中的孤立手写数字识别【3 0 3 1 1 、目标识别【3 2 】、语音识另l j 3 3 】、 图像人脸识别p 4 】和文本分类【35 j 等方面取得了比以往更好的效果。支持向量机这种新的机 器学习方法通过结构风险最小化归纳原理，控制了学习单元的vc 维上界，因此，不易 出现过学习的现象。支持向量机还较好地解决了小样本、非线性和高维模式识别等实际 问题，并克服了神经网络学习方法中网络结构难以确定、收敛速度慢、局部极小点、过 学习与欠学习以及训练时需要大量数据样本等不足，具有良好的推广能力，成为新的研 究分类方法的热点。 1 3 论文研究的目的、内容及结构 课题来源于四川省教育厅重点项目：支持向量机在刀具状态监测中的应用，项 目编号：0 7 z a l l 8 。课题的目的在于研究如何利用e m d 方法来提取刀具信号的 故障特征并进一步采用支持向量机对刀具的工作状态进行分类的问题，主要研 究工作也将围绕着特征提取和故障分类两个方面展开。 刀具故障诊断过程实际上就是模式识别的过程。一个刀具检测系统由研究对象、加 工条件、传感器检测、信号处理、特征提取及选择、模式识别等模块组成。根据刀具状 态监测在机械制造加工中的重要性，通过对国内外刀具状态检测方法的研究现状及发展 趋势分析，本文的主要内容结构安排如下： 第一章阐述了刀具故障诊断的目的和意义，分析了故障诊断技术的发展情况，引入 了一种新的时频分析方法e m d 和模式识别的新技术s v m ，最后介绍了论文研究的 目的和内容。 第二章介绍了切削力信号的测量系统及其各部分功能和用途。 第三章介绍了e m d 方法的分解技术及其原理和特点。根据切削力信号具有非平稳的 特性，给出了基于e m d 提取切削力信号特征的方法，分析结果表明了采用e m d 方法分解 的各内禀模态函数的能量特征能够正确地反映刀具切削状态。 第四章介绍了统计学习理论的重点内容以及支持向量机算法的主要思想和特点。最 后对支持向量分类器的模型选择问题和学习性能测试方面进行了实例分析。 第五章基于e m d 和支持向量机的方法对刀具故障进行诊断，通过实验验证了该方法 的可行性和有效性，将e m d 方法和支持向量机结合到一起能够实现对刀具磨损状态的识 别，并取得了比较满意的效果。 最后，对全文的主要工作和研究成果进行了总结，并指出了有待进一步改进和研 5 e m d 和支持向量机在刀具故障诊断中的应用 究的方向。 6 西华大学硕学位论文 2 切削力信号的采集 2 1刀具状态的诊断方法 在切削过程中，当刀具出现磨损时，一些与切削过程密切相关的物理量如切削力、 切削功率、切削温度、振动信号等都会发生相应的变化；反过来说，如果监测到这些信 号发生了变化，也就意味着刀具的状态也可能发生变化。所以刀具监测的主要工作就是 跟踪这些信号并加以识别。 对于不同的刀具切削参数有不同的检测方法，刀具状态的检测方法主要分为两种： 直接测量法和间接测量法。直接测量法就是直接测量刀具后刀面磨损带中间部分的平均 磨损量：而间接测量法则是通过测量与刀具磨损有关的物理量( 如切削力、切削温度等) ， 并根据它们与刀具磨损之间的对应关系来判别刀具磨损情况。直接测量法一般只能在刀 具不切削时进行，不能实现在线监控，占用生产工时，因而其应用在实际生产中受到了 一定的限制。与直接测量刀具状态的方法相比，间接测量方法具有在不影响加工过程的 情况下进行连续监测的优点，更适宜于加工中的实时在线监测。因此，大多数国内外学 者都利用这种方法来研究刀具磨损监测中的相关技术难题 3 6 , 3 7 】。 切削力监测法是当前最具实用价值的方法。切削力一直是表征切削过程的最重要的 参数，以切削力信号的静态分量、动态分量或切削分力比值的变化或变化率为参量来监 测刀具状态具有显著优势：切削力信号直接真实，不受加工区内切削和冷却液的影响： 切削力传感器的灵敏度较高可以感知切削力的微小变化；与其它参量相比，切削力信号 幅度较大，干扰信号对它的影响较小，抗干扰能力较强。此外，测力传感器在工业上的 成功应用，使得切削力检测技术在刀具磨损监测研究领域中应用最为广泛：王细洋【3 列 等提出和实现了一种基于切削力状态参量判别刀具故障的方法；何光伟【3 9 】等为研究刀具 磨损监测，运用k i s t l e r 三向测力仪测量铣削过程中的切削力和力矩，对切削力和力 矩进行统计处理，计算切削力、力矩与铣刀径向磨损之间的相关性系数。 基于上述，本文选择切削力信号作为刀具的监测信号。 2 2 切削力信号的测量系统 切削力信号的测量系统一般由测力仪、数据采集系统和计算机三部分组成。如图2 1 所示，测力仪通常安装在刀架或机床工作台上，负责拾取切削力信号，再将力信号转换 为弱电信号：数据采集系统对此弱电信号进行调理和采集，使其变为可用的数字信号； 计算机通过一定的软件平台，将切削力信号显示出来，并对其进行数据处理和分析。本 文中的实验是采用了k i s t l e r 公司提供的一套切削力测量设备来进行切削力信号的检 测，该测量系统包括9 2 5 7 b 型测力仪、5 0 1 9 b 型多通道电荷放大器以及数据采集软件 e m d 和支持向量机在刀具故障诊断中的应用 ( d y n o w a r e ) 2 8 2 5 a 1 - 2 。 浏力仪 图2 1 切削力测量系统示意图 f i g 2 1 s y s t e md i a g r a mf o rm e a s u r i n gc u t t i n gf o r c e 2 2 1切削测力仪 切削测力仪通常分为应变式测力仪、电流式测力仪和压电式测力仪三种类型。 应变式测力仪由弹性元件、电阻应变片及相应的测量转换电路组成。它的测量原理 是：把电阻应变片贴在弹性元件表面，并将其连接在某种形式的电桥电路中，当弹性元 件受到力的作用产生变形时，电阻应变片也随之变形，引起电阻值的变化，从而使电桥 的输出发生变化，通过标定建立输出电压与力之间的关系，利用此关系即可计算出切削 力的大小。应变式测力具有性能稳定、灵活性大等优点，但是其测量精度和动态特性主 要取诀于弹性元件的结构。要提高应变式测力仪的测量精度以及动态特性，必须解决灵 敏度和刚度之间的矛盾。 电流式测力仪采用的是间接测量切削力的方法。它的测量原理是：主轴电机电流会 因切削力的变化而变化，通过测量其电流可估计切削力的大小。采用电流式测力仪测力 简单经济，但是其测量精度低，且测得的电流信号有一定的滞后现象，无法满足实时监 测的高要求。 。 压电式测力仪是以压电晶体为力传感元件的切削测力仪。它的工作原理主要是利用 了压电效应的原理：当石英晶体在外力的作用下发生变形时，在晶体的表面上就会产生 一些异号极化电荷，通过测量电荷量就可以获得切削力测量的目的。压电式测力仪具有 灵敏度高、受力变形小等特点，从动态测力的观点出发，它是一种比较理想的测力传感 器。 本文实验采用的9 2 5 7 b 型测力仪就属于压电式测力仪，它主要由底板，项板和在其 间预紧安装的四个压电式三分量力传感器组成。它的项板上可安装钢刀架，配合原刀具 在车床上测量三个正交的切削力。 西华大学硕士学位论文 2 2 2 电荷放大器 电荷放大器的主要功能是将电荷转变成线性的电压信号。本文实验使用的5 0 1 9 b 型 号仪器是一台由微处理器控制的可多量程校准的多通道电荷放大器。它的典型应用就是 配合压电式测力计用于切削力的测量以及瞬时信号的测量。可以通过前面控制面板上的 液晶显示屏与控制按钮读出和调节被测参数。 2 2 3 数据采集软件 k i s t l e r 公司开发的d y n o w a r e 是一种特别适合于切削力测量的且易于使用的数据 采集软件。该软件提供了被测信号曲线的图形和计算功能以及用于主要测量仪器的配置 参数和被测数据的储存功能。图2 2 所示便是采用d y n o w a r e 显示的被测信号图形。 图2 2 被测切削力信号的显示图形 f i g2 2g r a p h i cd e m o n s t r a t i o no ft h ec u t t i n gf o r c e 2 3 本章小结 本章简要介绍了刀具状态的诊断方法，根据切削力信号是表征切削过程的最重要的 参数以及它在作为监测刀具状态的参量时所具有的各种优势，本文选择其作为反映刀具 状态的监测信号；接着又介绍了切削力信号测量系统的组成和各部分的主要功能以及用 途。 9 e m d 和支持向量机在刀具故障诊断中的应用 3 基于e m d 方法的切削力信号特征提取 3 1概述 早期，在各种信号分析的方法中，傅里叶变换分析占据着重要位置。它能反映信号 的频率特性，是一种很好的频域分析方法，但是它不提供任何时域信息，导致其在分析 中存在时域与频域局部化的矛盾。因此，傅里叶变换的局限性使其只适用于统计量不随 时间变换的平稳信号。而在实际中所遇见的信号常常是非平稳信号，在分析此类信号时， 不仅要求能获得它的频率内容，还要能获得它的频率内容随时间变化的规律。这就是时 频分析要解决的问题。 最初的时频分析方法大部分都是以傅里叶变换为基础，不能从根本上克服傅里叶变 换的局限性。8 0 年代中叶出现的小波变换达到了对信号的时频局部化分析的目的，成为 国内外学者和学科领域研究的热点。小波变换通过伸缩平移运算对信号逐步进行多尺度 细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求， 从而可聚焦到信号的任意细节。也有人把小波变换称为“数学显微镜”。目前，小波分 析在理论研究和工程应用中飞速发展，它在信号分析、图像识别、地震勘探、数据压缩、 语音合成等众多领域中都取得了具有应用价值和科学意义的成果。但是小波分析方法具 有先验性，即在信号分析之前就已确定了基函数，且一旦确定了就不能更改。 1 9 9 8 年，美籍科学家n o r d e ne h u a n g 1 9 】【删等提出了针对非线性、非稳定信号分析 的新方法叫i l b e r t h u a n g 变换。该变换由h u a n g 变换和h i l b e r t 谱分析两部分组成。 其核心是经验模态分解( e m d ) ，即任意复杂信号都可分解成从高频到低频的若干个内禀 固有模态函数( i m f ) 。h i i b e r t - h u a n g 变换的分析方法能描绘出信号的时频图、时频谱 和幅值谱，是一种自适应的时频局部化分析方法，比小波变换更适于分析非平稳信号。 该方法自提出以来就引起了广泛关注，已被应用于各类科学领域的研究中：生物工程信 号处型4 1 4 3 1 、地球物理学m 舯】、图像处理【4 5 1 、结构测试【删等。 3 2e m d 方法 3 2 1 e m d 方法分解的基本原理 e m d 方法假设任意信号都可以由不同的内禀模态函数( i m f ) 组成，每个i m f 分量既 可以是线性的，也可以是非线性的，但是i m f 分量必须满足以下两个条件：一是其极值 点个数和过零点数相同或最多相差一个，二是由其局部极大值和极小值构成的上下包络 均值必须为零。这样，任意一个信号都可以分解成为有限个i m f 分量之和。 i m f 分量可按以下步骤“筛分 获得： ( 1 ) 确定原始信号s ( f ) 的所有局部极值点，然后用三次样条线将所有的局部极大值 1 0 塑兰奎堂堕圭堂垡堡茎 点连接起来形成上包络线，再将所有局部极小值点连接起来形成下包络线，这两条包络 线就包络了所有的信号数据。 ( 2 ) 上下包络线的平均值记为m 。( t ) ，求出( t ) = s ( f ) 一( t ) ，如果啊( f ) 满足i m f 的条件，那么岛( t ) 就是s ( f ) 的第一个分量。 ( 3 ) 如果啊( t ) 不满足i m f 的条件，则把啊( t ) 作为原始数据，重复( 1 ) 、( 2 ) 得到 上、下包络线的平均值，z 。( t ) ，再判断j l l l 。( t ) = 扛( t ) - m ，。( t ) 是否满足i m f 的条件，如果不 满足，则重复循环上述步骤k 次，使得 。( t ) = 啊( h ) ( f ) 一码。( t ) 满足i m f 的条件。记 c l ( t ) = 啊。( f ) ，则c l ( t ) 为信号s ( f ) 的第一个i m f 分量。 为了保证i m f 分量在频率和幅值上都要有明确的意义，对筛分的迭代次数必须有所 限制，迭代次数过多可能会使所有的i m f 分量成为一个具有常幅值的调频信号，仅仅保 留了频率调制的特点，而无法说明幅值变化的物理现象。在具体的算法实现上，可利用 下面的经验公式判酬1 9 】： 7 。 h ( k - i ) ( o - h a 酬。 ( 3 1 )