（机械设计及理论专业论文）基于隐markov模型切削过程监测系统研究.pdf

福建农林大学硕士学位论文 中文摘要 机械加工过程中，刀具因切削而产生磨损，通过停机检查或者依靠经验来判 断刀具磨损情况已不能适应机械加工自动化、智能化发展的需求。如何有效地监 测刀具磨损状况已成为各国研究的热点。本研究以钻床工作台面的振动信号为监 测信号，采用多种特征提取方法和多种量化编码技术，并结合时间动态序列的概 率模型一隐m a r k o v 模型( h m m ) ，来对切削过程进行监测研究。 介绍了h m m 的三个基本算法，以及在实际应用中算法的修正和模型初始参 数的确定方法，并列出h m m 的常见结构。讨论h m m 进行刀具磨损监测的工作 原理。 分析对比多种特征提取方法，选择能够明显区分刀具磨损变化的均方根值和 峰值指标、小波包分解、a r 模型这三种特征提取方法。在此基础上，对特征值 参数进行l b g 算法和s o f m 神经网络这两种方法的量化编码。 以h m m 为识别模型，在上述特征提取和量化编码的基础上，对刀具磨损监 测系统进行多方案的研究。结果表明：每种方案下h m m 都具有较好的识别能力， 特别是对磨损的刀具正确识别率均在9 5 以上，能够对刀具磨损状态进行有效监 测。而且，h m m 比目前常用的识别模型一b p 神经网络，具有训练时间短、动 态特性强、容错性好的特点体现了h m m 的可行性和优越性。 关键词：切削过程监测；隐m l r k o v 模型( h m m ) ：特征提取；量化编码；状态 识别 福建农林人学硕士学位论文 a b s t r a c t s t u d yo nc u t t i n gp r o c e s sm o n i t o r i n gs y s t e mb a s e do nh i d d e n m a r k o vm o d e l i n m a n u f a c t u r i n g ，t o o l sa l et u mw o md u r i n gc u t t i n g i td o e sn o ts a t i s f yt h e d e v e l o p i n gr e q u e s to nt h ea u t o m a t i o na n di n t e l l i g e n c em a c h i n e st oc h e c kt h ew e a r i n g c o n d i t i o no fc u t t i n gt o o l sb ye x p e r i e n c eo rs t o p p i n gm a c h i n ei nt h ep r o c e s so f m a n u f a c t u r i n g s o ，h o wt om o n i t o rt h et o o l se f f e c t i v e l yi sb e c o m i n gah o ti s s u ei nt h e f i e l d t h eh i d d e nm a r k o vm o d e l ( h m m ) w h j c hi sat i m ed y n a m i cr e c o g n i t i o nm o d e l , i se m p l o y e dt om o n i t o rt h ed r i l l i n gp r o c e s sb a s e do l lt h ev i b r a t i o ns i g n a l so ft h e m a c h i n ew o r k t a b l e t i n e ef u n d a m e n t a la l g o r i t h m so fh m ma r ei n t r o d u c e di nt h i sp a p e r t h eb a s i c m e t h o d sm o d i f i e di np r a c t i c ea n dm o d e li n i t i a lp a r a m e t e r sc h o s e na t ed e s c r i b e dt o o m e a n w h i l e ，t h es t r u c t u r eo fh m ma n dt h em o n i t o r i n gp r i n c i p l eb a s e do nh m ma r e a l s og i v e n s i g n a l sa r cp r o c e s s e df o rf e a t u r e e x t r a c tr e s p e c t i v e l yb yr m s & p e a ka m p l i t u d e ， f f lw a v e l e tp a c k e t , a rm o d e la n ds oo n f o r m e rt h r e ef c a t l i r c sa r ec h o s e n a c c o r d i n gt o t h ec o r r e l a t i o nb e t w e e nf e a t u r e sa n dt o o lw e a gc o n d i t i o n i nv e c t o r q u a n t i z a t i o ns y s t e mw h i c hi sf o r m e dt or e s o l v et h ec o d i n gp r o b l e ma f t e rt h ef e a t u r e e x t r a c ti nh m m ，t y p i c a ll b ga l g o r i t h mi si n t r o d u c e d , m o t h e rs y s t e mc a l l e ds o f m n e t w o r ki sa d o p t e da sw e l l h m mi su s e df o rr e c o g n i t i o n ，f o l l o w i n gt h ef e a t u r ee x t r a c t i o na n dc o d i n g s o m u l t i m e t h o db a s e do nh m ma r es t u d i e d ，t h er e s u l ti n d i c a t e st h a te v e r ym e t h o dh a sa h j g hr a t ei nr e c o g n i t i o n 。e s p e c i a l l yf o rt h ew o r nt o o l ，i sa b o v e9 5 h m mc a n e f f e c t i v e l ym o n i t o rt h et o o lw e a rc o n d i t i o n ，a n dc o m p a r e dt ob pn e t w o r kw i d e l yu s e d i nr e c o g n i t i o n h m mh a ss 伽em e r i ta ss h o r t t i m et r a i n i n g , s t r o n gt i m e d y n a m i c , a d a p t i v ei nu n r e a s o n a b l es i g n a l k e y w o r d s ：c u t t i n gm o n i t o r , h i d d e n m a r k o v m o d e i ( h m m ) ，f e a t u r ee x t r a c t ， ； q u a n t i z a t i o na n dc o d i n g c o n d i t i o nr e c o g n i t i o n 独创性声明 本人声明，所呈交的学位( 毕业) 论文，是本人在指导教师的指导下独立完 成的研究成果，并且是自己撰写的。尽我所知，除了文中作了标注和致谢中已作 了答谢的地方外，论文中不包含其他人发表或撰写过的研究成果。与我一同对本 研究做出贡献的同志，都在论文中作了明确的说明并表示了谢意，如被查有侵犯 他人知识产权的行为，由本人承担应有的责任。 学位( 毕业) 论文作者亲笔签名：量i 趸 日期： 即7 丫 学位( 毕业) 论文作者亲笔签名：孑h i 篁日期：2 口7 v 论文使用授权的说明 本人完全了解福建农林大学有关保留、使用学位( 毕业) 论文的规定，即学 校有权送交论文的复印件，允许论文被查阅和借阅；学校可以公布论文的全部或 部分内容，可以采用影印、缩印或其他复制手段保存论文。 保密，在年后解密可适用本授权书。 口 不保密，本论文属于不保密。 学位孑业) 论文作者亲笔签名：知f 定 日期 指导教师亲笔签名： 叶六鸭 # 磊倍 矽叮￥ 嗍叩一 福建农林人学硕士学位论文 1 1 前言 第1 章绪论 机械制造业是国民经济的支柱产业，正向柔性化、智能化方向发展。切削加 工作为机械制造的重要组成部分，也正朝着整体自动化、智能化方向迈进。刀具 磨损是切削加工过程中常见的失效形式，它不仅会造成工件表面质量和尺度精度 的下降，而且还会造成工件报废、刀具断裂、机器故障等，所以为了进一步提高 产品质量和生产效率，增强机械加工自动化、智能化程度，就必须对切削过程进 行监测。在推进自动化、智能化的过程中，上世纪八、九十年代国外研究表明， 数控系统配置刀具监测系统后，可减少故障停机时间的7 5 ，提高生产率1 0 6 0 ，提高机床利用率5 0 以上“”美国k c n n a m c t a l 公司的研究表明，刀具监 控系统不仅提高了刀具本身的利用率，而且还可以避免刀具失效所导致的工件报 废及机床故障，节约费用达3 0 。总之，切削过程监测系统是实现生产过程无人 化、智能化，保证产品质量，提高生产效率，减少或消除设备故障的重要手段。 因此，在切削过程中对刀具磨损状态进行监测具有深远的意义 但是，由于切削过程中受到材料物性变化、切削条件波动、工艺系统非线性 耦合等因素的影响，使得监测过程中信号的特点是：动态变化、整体非平稳、随 机性强，重复再现性差。信号的这种特点，对刀具磨损的监测具有一定的难度， 很多研究都还处于理论阶段，都在努力寻求与其相适应的监测模型来处理切削过 程这一复杂的动态过程 1 2 切削过程监测系统研究的现状 切削过程监测技术是关于刀具磨损的监测研究，是在传感器、计算机等基础 上发展起来的- i q 新技术。从上世纪年代初开始，该技术得到迅速发展，已 开发出不少刀具实时监测系统，有些已进入实用阶段，投入到市场。但受现场环 境及误报率较高等因素的影响，很多监测系统还不完善，仍处在研究改进阶段。 根据信号的特点和检测方式的区别，切削过程监测方法可分为直接监测法和 间接监测法两类。直接法直接测量刀具磨损面的大小或切削刃形状的变化，通常 在刀具不切削时离线检测，影响了整个加工效率，所以这种方法在刀具监测系统 中很少应用。随着光学法、接触电阻法、放射性法等新技术的发展，直接法也可 以实现在线监测，但这些方法因设备安装问题，只适合一些特定的切削过程( 如 福建农林大学硕士学位论文 车削，磨削) ，实际应用受到很大的限制；间接法通过检测刀具磨损、破损的相 关信号( 如振动信号，切削力信号) 来间接获取工况信息，容易实现刀具状态的 在线实时监测，而且其原理方法适合任何一种切削，可实现方法的移植。因此， 目i j i 大多数的监溯系统都采用间接法，其整个监测系统的主要流程如图1 1 所示。 机床 上的 传感 嚣 信号 采集 信号 分析 处理 刀具 磨损 状态 识别 图1 1 切削过程刀具状态的主要监测流程 控制 机床 工作 状态 本研究采用间接法，并在以下的论述中如未特别说明，切削过程监测系统就 是指间接法切削过程监测系统，因此，对切削过程监测系统研究的发展现状可从 三个方面论述：信号获取、信号分析处理、状态识别。 1 2 1 信号获取 信号获取就是在切削过程监测中采用何种监测信号，通常称为监测方法。监 测信号是从传感器获取的，传感器性能的好坏直接影响到监测系统的好坏。关于 传感器性能的研究不在本研究的范围，但传感器的选择要有利于安装，有利于信 号的传输与处理。目前在切削过程监测系统中主要包含以下几种传感信号的监测 方法 1 2 1 1 声发射监测 声发射是一种固体材料变形和产生裂纹的过程中所发射的声脉冲，是应变能 的快速释放而产生的弹性波，简称a e ( a c o u s t i ce m i s s i o n ) 。当刀具磨损或破损时， 刀具受力变化引起变形能量变化，声发射信号的振幅也发生变化，据有关实验分 析发现“1 ，正常切削产生的e a 信号主要是工件材料的塑性变形，其功率谱分布 1 0 0 l s z 以下数值很大，1 0 0 k k 以上较小；而当刀具破损时，1 0 0 k h z 以上频率 成分的e a 信号要比正常切削时大得多，特别是1 0 0 5 0 0 k l - l z 之间的频率成分更 大些，因此，只要选取合适带宽的e a 传感器便可间接反映出刀具磨损情况，并 较早预报刀具的磨损，实现对刀具磨损的监测。该方法的优点是：它直接来源于 切削区，与刀具状态相关程度高，且一般是高频信号，故不易受环境噪声的干扰， 福建农林大学硕士学位论文 并具有灵敏度高，响应快的特点。但是由于切削过程中的声发射源很多，工件材 料的变形与断裂、切削之间的摩擦及切削的断裂都伴随声发射信号的产生。同时 声发射信号的产生机理十分复杂，使其结构成分十分复杂，很难对不同的声发射 信号进行有效的处理。另外采用a e 要求监测系统有高频信号处理仪器及与之相 应的计算机，成本相对较高。因此，a e 应用范围受到限制。 1 2 1 2 切削力监测 切削力在切削过程中会随着刀具磨损量的不同而变化，一般来说，刀具磨损 量越大，切削能力就越差，切削时所需的切削力就越大，因此可以通过检测切削 过程中切削力的变化来监控刀具的磨损状态，目前该方法已广泛应用在钻、车、 铣等加工的刀具监测研究中。4 ”。切削力的成分可分为静态力和动态力两部分， 它在某一基准值上波动，这个基准值是切削力的平均力，是切削力的静态分量， 而波动的部分就是切削力的动态分量伽。用切削力监测，它能直接反映加工过程 中的动态行为，具有反应灵敏、判断直观的特点，适合多种切削加工嗍。但是切 削力监测在大多数实验中需要在刀柄或主轴上贴应变片或其它应力应变传感器， 这样它或多或少地改动机床的部分结构。 1 2 1 3 电机电流监测 在切削过程中，当刀具磨损严重或破损发生时，导致切削力发生变化，引起 主轴转矩发生变化，进而导致电机电流发生变化“。所以通过检测电机的电流变 化就可以间接的监控刀具状态，达到监测的目的。采用电流监测，传感器易于安 装，信号检测方便，无需改变加工系统的机械结构，还可避免加工环境中的切屑、 油、烟、振动等干扰，也是目前研究和应用较多的一种监测方法“。但这种 监控对刀具状态的变化反应不灵敏，监控阈值设置困难，且易受电网电压、电机 工作温度等因素的影响。在小尺寸刀具或切削用量比较小时，监控效果差，一般 仅适合于粗加工重切削场合机床的过载保护。 1 2 1 4 振动和噪声监测 振动和噪声信号对刀具的磨损状况有着较高的敏感度，当刀具的磨损量发生 变化时，刀具与工件之间接触部分摩擦状况也发生改变，从而引起加工系统振动 模式和幅度范围的变化。已有的研究表明，不同方向振动信号谐波成分与工艺系 统各阶固有频率密切相关，振幅( 或能量) 随着刀具磨损量的增加而增加，尤其在 剧烈磨损肘，振幅变化非常显著m 1 在传统的加工过程中。有经验的工人能根据 福建农林大学硕士学位论文 振动和噪声的变化来判断刀具的磨损程度。 振动信号频响范围宽，其最常用的是加速度传感器，具有检测装置简单、安 装调整方便、测量信号易于引出等特点。但是振动信号易受加工系统和环境中其 它振动的影响，含有大量的随机噪声，因此，目前采用振动信号监测刀具磨损、 破损的方法中，信号的处理显得非常重要“5 “”。 1 2 2 信号分析处理 切削过程监测系统采集到的传感器信号，包含丰富的刀具工况信息和噪声信 息，不能直接拿来作为识别系统的信号输入，需对其做一些必要的处理。 1 2 2 1 原始信号的预处理 由于来自传感器的原始信号随机性强、信噪比低，不能直接输入到识别模型 中进行识别，必须进行预处理，如神经网络输入特征中混有噪声将引起神经网络 的学习能力下降，从而使系统性能下降”。对于声发射信号，其频率范围远远高 于机械振动和环境噪声信号的频率。因而，可采用高通滤波方式去除干扰信号； 对于切削力信号，由于其频率不高，所以可以进行电荷放大和低通滤波，但滤波 后信号还包括大量的机床、刀具等振动信号，所以在信号分析时，还必须除去这 些噪声信号；对于电流信号，它是由霍尔传感器转换获得，同样可进行信号放大 和低通滤波，但它抗干扰能力差，在实际实验中，常常需要大量的测试，得到温 度、电压等对电流波动的函数，再对测试结果进行校正；对于振动和噪声信号， 信号成分复杂与系统结构有较大的关系，但表征刀具工况的信息多处在低频部 分，可进行放大和低通滤波另外，原始信号的预处理还包括其它的一些处理， 如信号的截取、分帧、零均值化等。信号的预处理是为信号的特征提取做准备的， 但预处理要保持原信号的特点，以免原信号的。失真”。 1 2 2 2 信号的特征提取 原始信号经过预处理后，得到与切削状态有关的信息，但这些信息并不能直 接反映刀具的状态。大多数经预处理后的信号仍较为复杂，无法得到刀具状态变 化的明显特征目前常从时域、频域和时频域进行特征提取，从而获得刀具磨损 情况的特征信号，为识别或分类奠定基础。 4 福建农林大学硕士学位论文 ( 1 ) 时域分析 时域分析，就是以时间为坐标轴的信号处理方法，主要包括一阶斜率求导法、 求均值方差、相关分析、时间序列分析等。通常采集到的传感器信号多为时域信 号，所以直接对时域信号进行处理具有直观且容易理解的特点，在切削过程监测 系统的研究中广泛运用“埘。但是切削过程中表征刀具磨损状况的信号中常常 含有大量的非稳定、时变性强的成分，某些信号时域分析很难提取出信号的明显 特征，使其运用受到一定的限制。 ( 2 ) 频域分析 频域分析就是以频率为坐标轴的频谱分析方法，体现了信号的振幅( 能量) 与频率的关系。自1 9 6 5 年c o o l y t u k e y 在计算数学杂志上提出快速傅立叶变换 ( f f t ) “”以来，离散频谱分析实现信号从时域到频域的变换。频域分析实际物 理意义明确，能够提供比时域波形更加直观的特征信息。因而以离散频谱为基础 的数字信号特征提取是现行信号处理中较为常用的方法。但是以h 丌为基础的 频谱分析法只能在有限区间内进行，这就不可避免会产生因时域截断带来的能量 泄漏，使得离散频谱的幅值、相位和频率都可能产生较大误差，针对这个不足， 国内外研究者提出了许多种对幅值谱或功率谱进行校正的方法啪。2 “2 “，但是由 于截断的关系，校正后的结果仍然存在误差。同时由于大部分实际机械加工系统 中的切削信号包含有大量的瞬态信号及时变信号，而f f r 分析只能得到相应信 号的统计平均结果，很难在时域和频域同时得到非平稳信号的全部和局部化分析 结果。 ( 3 ) 时频域分析 时频域分析，就是结合时域分析和频域分析，该分析法主要用来分析信号的 局部信息，适合多数复杂的信号处理。时频域分析方法主要有：加窗傅立叶变换、 小波分析和h i l l b e r t h u a n g 变换等。 加窗傅立叶变换是在时域图上的某一局部加上一个窗函数，然后对其傅立叶 变换，该方法处理方法简单，容易理解，但是在窗函数的选择和窗口大小确定上 不能随时根据信号的变化而发生相应的改变。 小波分析是信号时频分析的一个重要分支，已成功应用在图像处理、故障诊 断等领域。小波分析通过小波基函数的伸缩、平移展开，不仅能够有效提取信号 中的微弱信号和突变信号，还能实现对信号的有效滤波。近几年的小波热，使小 福建农林大学硕士学位论文 波分析在工程领域应用广泛，在切削过程监测中也已取得不少研究成果“。“。 但是小波变换在小波基函数选择和尺度参数选择上没有一定的标准，不同的基函 数和尺度参数有不同的变换结果。 h i l l b e r t h u a n g 变换( h h t ) 。1 是新出现的一种以瞬时频率为核心的时频域 分析方法，该变换基于经验模态分解( e m d ) ，将时间序列分解成一组本征模函 数( i m f ) ，再经过希尔伯特变换后组合成时频幅值谱。 1 2 3 状态识别 切削过程监测系统中，根据刀具的正常、磨损、破损等不同状态，通过采集， 得到不同状态下的信号，经预处理和特征提取后，进行分析或比较，识别刀具的 磨损状态。目前常见的状态识别方法有：阙值法、模式识别法和人工智能法。 1 2 3 1 阈值法 阈值法是基于线性模型，根据刀具不同磨损状态，设置不同的阈值，当实际 加工过程中，表征刀具的磨损的特征值超过这一阈值时，便说明刀具发生了某种 程度的磨损阈值法关键在阈值的确定，该方法比较直接，适合一般线性系统， 但对于比较复杂的非线性系统该方法会出现较大的误识别。 1 2 3 2 模式识别法 。 模式识别法是系统的现行状态与先验知识的综合处理。在刀具监测系统中， 对事先可能出现的刀具磨损状态进行分类，作为先验知识库( 模板) ，再把当前 监测得到的刀具磨损特征信号，经识别模型计算处理后与先验知识库中的类型进 行匹配，实现刀具磨损状态的识别。常见的模式识别方法有：距离函数法、统计 概率法。 距离函数法常见有欧式距离，马氏距离等，根据最近原则实现归类和匹配； 统计概率法，主要是根据对各总体的统计特征及概率的大小来确定最有可能的状 态，如b a y e s 分类器。模式识别法适合非线性复杂的系统，但是需要较为明确的 先验知识库以及模式空间需要较好的可分性，否则会出现较高的误识别率。 i 2 3 3 人工智能法 人工智能法是模拟人对事物识别的原理而建立的模型。通过对模型知识的储 备或训练使其具有一定的识别能力。人工智能法主要包括：专家系统和神经网络。 专家系统是以领域专家和操作者的经验知识为核心，通过演绎推理来获取判 6 福建农林人学硕士学位论文 别结果。专家系统能够利用专家的知识来判断刀具的磨损状况，但是该方法的主 要缺点是专家知识集获取的困难和知识集的不完备。 神经网络是模拟生物神经系统而建立起来的一个非线性动力系统，具有高度 整体性，自适应、自组织和自学习能力，通过它可以实现多变量之间的非线性映 射。在切削监测系统中，利用它可将多刀具状态参数进行融合处理得到综合决策 结果1 。在对刀具切削过程的各类信号进行分类时，首先设定刀具的几组磨损模 式，获取各组模式的足够样本特征信号，通过给定的算法训练神经网络，得到相 应的神经网络模型；最后，对未知的信号经特征提取，输入神经网络进行判断决 策，达到刀具状态识别的目的。在此方面国内外研究者取得较大成果“” 神经网络具有较强的分类识别能力，能够实现复杂的非线性模式的分类和识别， 但是神经网络存在样本获取困难、忽略专家知识、训练时间长等不足。同时神经 网络在刀具磨损监测时，只对某一时刻信号进行判断，表现为静态特性，而在切 削过程中许多瞬变信号并不表征刀具已磨损，需判断下几个时刻信号的情况，从 多个连续判断结果中断定刀具的磨损状况，显然神经网络的静态特性在此方面就 显得有些不足。 ， 1 3 基于h m m 切削过程监测的研究现状 隐m a r k o v 模型( h m m ) 是一种识别模型，常用于模式识别，它是一种双重 随机过程，不仅状态到状态之间的转移是随机的，而且每个状态的观狈4 值也是随 机的，即包括状态转移的随机过程和状态值输出的随机过程，其中状态转移的随 机过程是隐式的，所以称为“隐”m a r k o v 模型。图1 2 为一个h m m 简图，虚线框 内为状态的转移情况，是不可见的，我们只能看到这些状态的观测值，这些观测 值由哪一个状态发出是未知的。 观测序列： i 图1 2h m m 简图 7 1-、 鬻 福建农林大学硕士学位论文 根据h m m 的结构，我们可以把刀具的磨损情况看成是h m m 中的状态序列 把每一个状态看成是刀具磨损的一种程度，状态的转移代表磨损程度的变化，在 谚 别刀具磨损情况时，这些磨损程度( 状态) 我们是不知道的，是隐性的，但是 由这些磨损程度反映出来的信号( 如振动信号) 是可以“观测”的，可看成是 h m m 的观测序列。因此，用h m m 来描述切削过程刀具磨损是可行的，h m m 在 一定意义上模拟了刀具磨损的过程，表明h m m 作为刀具磨损状态的识别模型是 可行且科学的。 有关h m m 刀具磨损监测的研究起步较迟，1 9 9 1 年，g e o r g i a 技术学院的 h e c klp 等人将h m m 引入到机械系统监测中，建立了基于h m m 的多传感器 刀具检测与预报系统，他用左右型h m m 描述钻孔过程中刀具磨损的动态特性， 即由“锋利”、“磨钝”和。破损”三部分构成，并通过前向算法求得前向概率， 且用该概率值来判断刀具所处的状态，同时还利用前向概率和状态转移矩阵递推 出下一时刻前向概率值，并以它为预测变量，对刀具磨损过程进行预报d 。】随后 1 9 9 7 年，o w s l e y 等人将自组织特征映射( s o f m ) 与h m m 结合，以s o f m 处理 结果为特征，h m m 为识别器对刀具切削过程进行监测，取得了一定的研究成果 嘲近几年，随着信号处理方法的发展，l i t a o w a n g 等人将车削振动信号进行小 波分解，把各尺度的能量作为一个特征矢量，结合l b g 量化方法。形成h m m 的输入特征，取得很好的识别效果田1 。2 0 0 4 年，郑建明博士采用监测切削力信 号方法，提出多种信号特征提取方法，并结合s o f m 量化编码，完成多个特征 的基于h m m 钻头磨损监测的研究，取得了较好的研究成果“” 总的来说，基于h m m 的刀具磨损监测的研究取得了一定的进展，也获得了 不少研究成果，但这些都还处于理论研究阶段。先前的研究侧重h m m 的引入， 今后的研究将侧重特征提取方法、量化编码方法、模型改造等方面的研究 1 4 技术路线 针对切削过程信号整体动态非平稳的特点，本文采用h m m 完成切削过程监 测系统的研究，具体为：研究h m m 的基本理论和建模方法、建立切削( 钻削j 过程监测实验系统、研究多种信号特征提取和多种量化编码方法、测试h m m 的 识别效果整个研究的技术路线如图1 3 所示。 本研究采用振动信号监测方法，根据图1 3 ，先对振动信号进行特征提取， 得到不同刀具磨损状况的特征值参数，之后对这些特征参数进行量化编码，形成 h m m 的输入特征，其中部分用来训练h m m ，建立刀具各种磨损状况的典型 8 福建农林人学硕士学位论文 h m m 库作为匹配模板，而另一部分用来进行刀具磨损状态的识别。在技术路线 中，拟解决关键问题在于实验平台的建立、信号的特征提取、量化编码、h m m 的构建这四方面的内容。 建 立 实 验 皿 台 振 动 信 号 采 集 时域分析 f f r 分析 小渡包分解 a r 模型 l b o 量化编 码 s o f m 量化编 码 h m m 理论研究及初始 参数确定 图1 3 基于h m m 切削过程监测研究的技术路线 1 5 创新之处及研究意义 训练刀具磨损h m m 库 计算每个h m m 概率 几聂磊 识别刀具磨损状态 本研究创新之处是采用h m m 这一动态识别模型，结合多种特征提取和多种 量化编码方法，建立一个基于h m m 的多方案刀具磨损监测系统，完成切削过程 监测的研究该研究从整体上综合信号处理、矢量量化、模式识别这三大技术。 采用多种传统方法和现代方法，推进该领域研究的发展。 本研究的意义在于推广h m m 在刀具磨损监测中的应用，因为该模型适合切 削过程信号复杂、整体非平稳、时序性强的特点，这对提高切削过程监测的可靠 性及监测能力，具有一定的意义，也为今后建立可靠性强、实时性强的切削过程 监测系统提供一条可行的参考路径，迸而推迸机械加工过程自动化和智能化的进 展。 1 6 论文总体结构 第1 章，论述了切削过程监测的研究意义及其发展现状，强调了基于h m m 刀具磨损监测的研究现状，并在此基础上提出本研究的技术路线、创新之处、研 究意义及论文结构。 第2 章，介绍h m m 的基本理论，给出模型的结构、数学表达式和计算处理 方法。并根据实际需要对其做适当的修正 9 福建农林人学硕士学位论文 第3 章，建立基于h m m 切削过程监测的实验系统，包括切削主体的选择， 信号的选择，实验平台的建立和软件介绍。 第4 章，介绍信号的特征提取，包括时域、频域、时频域三种信号处理方法， 并给出相应具体的有代表性的处理方式。同时也介绍a r 模型的特征提取方法。 在运用h m m 之前，需对特征信号进行量化编码，着重介绍了l b g 算法和s o f m 网络的量化编码方法。 第5 章，确定h m m 的基本参数与基本结构，并在第4 章分析的基础上，结 合h m m ，确定几种研究方案，测试h m m 的识别效果 第6 章，结论与展望，给出全文总结并对研究的不足之处提出展望。 1 7 本章小结 ( 1 ) 综述了切削过程监测的研究现状及存在的问题。 ( 2 ) 论述了基于h m m 切削过程监测的研究现状 ( 3 ) 给出本研究的技术路线、创新之处、研究意义及论文结构。 福建农林人学硕十学位论文 第2 章h m m 的基本理论 隐m a r k o v 模型( h m m ) 最初是1 9 7 0 年前后b a u m 等人9 建立起来的， 随后由c m u 的b a k e r 和i b m 的j e l i n e k 等人m 州将其应用到语音识别中。在八 十年代初b e l l 实验室r a b i n e r 等人m 1 对h m m 进行深入介绍，提出将这一方法用 于非特定人语音识别，以后这一方法才逐渐成为研究的热点。近年来关于h m m 的应用已经延伸到工程中其他领域，如目标跟踪、故障诊断、滤波处理等“嘲。 2 1 i t m m 的定义 h m m 是由一般m a r k o v 模型发展而来的。它是一个双重随机过程，包括状 态到状态之间转移的随机过程和状态输出值的随机过程，其“隐”性表现在状态 之间的转移即m a r k o v 链是不可见的，是隐性的。h m m 根据观测值分布是离散 还是连续的可分为离散h m m 和连续h m m ，本研究采用离散h m m ，如无特别 说明，本研究所说的h m m 就是指离散h m m 。一个h m m 由以下几个部分组成： 状态空间s - ( s z ，s ：，s ) ，为状态数； 随机状态序列变量口一 g l ，口：，叮) ，吼s ： 状态转移概率矩阵月一k ，1 i 墨，1 s ， ( 2 1 ) 口一h 吼“- s j i q , 一s s ) 2 0 ，( 2 - - 2 ) 帆酗。1 j ， ( 2 - 3 ) 开始状态向量石一一p 瓴一墨) ，耋而1 ； ( 2 4 ) 输出符号集合k - y 。屹，) ； ( 2 5 ) 状态观测值发生橛率矩阵口一饥 ，1 s f s ，1 s 七m 艮- 烈咋i ) 苫0 0 k 1 1 ( 2 6 ) ( 2 7 ) ( 2 8 ) 福建农林大学硕士学位论文 所以一个h m m 包括很多部分，为了方便标记，可以用一个三元组表示： 一，b ，石) ( 2 9 ) 其拓扑结构见图2 1 。 图2 1 h m m 的拓扑结构 h m m 有三个基本问题评估问题，已知a 和d 计算p ( d 协) ，这个问题可 以用来判断哪个模型概率较高；状态解码问题，已知a 和d 求最优p ( d 协) 的 状态序列，这个问题可以用于计算出哪条路径最有可能；训练问题，己知d 调 整参数使p ( d l a ) 最大，这个问题可以用来从已有数据估计模型的参数。；个基 本问题对应三个基本算法。 2 2i - i m m 的基本算法 2 2 1 前向后向算法 该算法是i 扫b a u m 等人提出，它主要是用于解决h m m 的第一个基本问题。 ( 1 ) 前向算法 定义前向变量为： 口。a ) - e ( 0 1 _ ，0 2 ，o ：，q 。- s , l a ) ， 1 墨f 量r( 2 1 0 ) 则有初始化 a1一啊岛(01)(2-11) 递归 福建农林大学硕士学位论文 其中 口，+ - ( 加【善口，( f 坞p ，( d ，+ - ) ， 1 班r ，1 ， 2 1 2 b j ( o , + 1 ) 一尸 + 1 v k l q ，= s j ) 终结 p d o , ) t a ) 。善a r ( f ) ( 2 ) 后向算法 。 与前向算法相似，定义后向变量为： ( 2 1 3 ) ( 2 1 4 ) 属( i ) - p ( o , “，d ，+ 2 ，o r l q , - s j ，a ) ， 1 s f s t - 1( 2 1 5 ) 则有初始化 岛o ) - 1 ，1 a i 递归 ( 2 1 6 ) 尼伊荟口f ( q 二) 钆( n f - 2 一1 , t - 弘。，1 ，s 2 _ 1 7 其中6 j ( d ，。) 与式( 2 1 3 ) 一样，终结 p ( 以) | a ) 。善岛( f ) ( 3 ) 前向后向算法结合 综合前向和后向算法可得： ( 2 1 8 ) p ( d l a ) _ 以 d ，h a ) 。善荔q o 弦口6 ，( q - ) 属+ t ( ，) ，1 s f s r 一12 1 9 2 2 2v i t e r b i 算法 。 它主要用于解决给定一个模型和观测值序列，在最佳意义上确定此观测序列 所对应的状态序列( 状态路径) g ，即解决h m m 的第二个问题 定义4 ( f ) 为时刻f 沿着一条状态路径g l ，叮：，吼- 1 且吼- s i ，产生出 福建农林人学硕士学位论文 d l ，0 2 ，d ，的最大概率，既有： 4 ( f ) 一m a xp ( g 。，9 2 ，吼- l ，吼- s io l ，0 2 ，o ：阻) ( 2 2 0 ) 吼, q 2 4 d 。 则最佳状态序列求解步骤如下： 初始化 也( f ) 一乃岛( d i ) ，1 f n ( 2 2 1 ) 氟(f)-0，1isn(2-22) 递归 4 ( f ) 。2 紧【6 一o ) 口p p ，( d ) ，2 f r ，1 sj 蔓 ( 2 2 3 ) 妒，( j ) 一a r g m i ( f ) 口d 】， s ，s ，_ a x 6 , 2t s t1n(2-24) l i “ 终结 p - 罟紧嗡( f ) 】 ( 2 2 5 ) g ；- a t g m a x 6 r ( f ) 】( 2 - - 2 6 ) 最佳状态序列求取 鼋：一蛾。( 目- ) ，t r l t 一2 ，1 ( 2 2 7 ) 2 2 3b a u m - - w e l c h 算法 它主要是用于解决h m m 的训练问题，完成h m m 的参数估计，即h m m 第三 个问题的解决。定义皇( f ，) 为给定训练序列 q 和模型a 时，时刻r 时模型处于 状态s 和时刻f + 1 时处于状态s j 时的概率，即 爵( f ，) 一p ( q ，- s ，目，+ l - s | ( o ： ，a ) ( 2 2 8 ) 根据前文的前向变量和后向变量的定义可得： 毒o ，) 一口，o ) a f 6 ( o ；+ ，) 卢。( ，) 尸( q ) | a ) ( 2 2 9 ) 那么，f 时刻模型处于s j 的概率为： 皇( f ) 一p h o , ，口一s , l x ) ( 2 3 0 ) 得 1 4 福建农林大学硕士学位论文 o ) 荔) i 口，o ) 危( f ) p ( 他m a ) ( 2 3 1 ) r l 7 1 因此善量o ) 表示从状态墨转移出去次数的期望值，而荟o ，d 表示从状态s 转移到状态s ，次数的期望值。所以，可导出了b a u m - - w e l c h 算法中极大似然重 估的公式： 3 一皇( f ) ，1 s f ( 2 - - 3 2 ) i 一萋岳( f ，) 蓦( f ) ，- ；z ，1 sj (2-33) - ，豁扣小山t sm(2-34) 这样由初始模型开始，通过极大似然估计逐步更新模型参数，增大观测序列的概 率，最后收敛到使p ( d l a ) 最大 2 3h m m 在实际应用中的改进 h m m 在实际运用中还存在一些问题，需要对其改进修正，下面介绍常见的 问题及改进修正方法， 2 3 1 下溢问题的处理 。 在前向一后向算法和b a u m w e l c h 算法中，都有a ，( f ) 和只( f ) 的递归计算， 由于所有的量都小于1 所以随着t 的增加，口。( f ) 和尼( f ) 都迅速的趋于零，出现 了下溢问题，因此可采取增加比例因子的方法，对有关算法加以修正。 ( 1 ) 对口，( f ) 的处理 取标定因子c ，。少善口i ( f ) ( 2 - - 3 5 ) 得到修正的前向变量： 口i(f)-ci口l(f)(2-36) 由递推公式( 2 - - 1 2 ) 得 福建农林人学硕士学位论文 州加【善口j ( f ) 4 。p 鸬+ ” 则 ， 口湘) - “形荟州j ) c t 1 a t 棚 ， 1 - j ( 2 ) 对届( f ) 的处理 同样将比例因子q 引入到属( f ) 中，得 群( f ) 一岛( f ) - 1 由递推公式( 2 - - 1 7 ) 五m 酗+ ，) p 2 舢) 则 ( j ) 一c 。互o ) ( 3 ) 对p ( d 协) 的修正处理 根据口( f ) 的处理可知 口? ( f ) - c l c 2 e t a ( f ) 而 砉啪，噜耘伽执( 0 ，) - 叩：。扣加号 则 叩：q 一扣d 因此 - 删咖善口r ( 加慨c r 两边取对数得： 1 9 尸( d 阻一善1 9 ( c ， ( 2 3 7 ) ( 2 3 8 ) ( 2 3 9 ) ( 2 4 0 ) ( 2 4 1 ) ( 2 4 2 ) ( 2 4 3 ) ( 2 4 4 ) ( 2 4 5 ) ( 2 - 4 6 ) 福建农林人学硕十学位论文 ( 4 ) 对重估公式的修正 根据比例因子代入到b a u m w e l c h 算法，可导出重估公式的修正公式： j l f 口：( f ) 卢? ( f ) ，1 s f s n 。 ( 2 4 7 ) i 一蓦c t + j 口：( f ) 口，屯j ) 以，( ，) 薯西( f 衙( f ) 1 s ，s ( 2 - - 4 8 ) 。荟摹( ，) 所( ，) 善西( ，) ( d ，1 s ，s ，1 s 七s ( 2 4 9 ) 2 3 2 多观测序列下h m m 重估公式修正 使用多个观测序列进行h m m i ) l l f f 埘，b a u m - - w e l c h 算法的重估公式必须加 以修正，如果i 个观测序列表示为： 0 一 d ”，d ，0 ) ( 2 - - 5 0 ) 这里d “= d n d ，d ，) 表示第f 个观测序列。假定每一个观测序列独立于其 它观测序列，那重估的目标是调整模型a 的参数，能够使下列公式的值为最大： p ( o i a ) 。珥p ( d ，) i ) 。另 ( 2 5 1 ) 因此对l 个训练序列，重估公式修正为： i 。扣例。p ( d i 饥1 北 ( 2 - 5 2 ) 一 口h i b 且一 推耖( i ) f l y 协】 拉麴竺叫 ，驸l r l 驴r , 巩，】 ，1 i s ，1 j ，s n ( 2 5 3 ) ，1 量，s n ，1 s k m ( 2 - - 5 4 ) 2 3 3h m m 初始化的改进 训练时，b a u m - - w e l c h 重估算法只能得到局部最优值，不同的初始模型将产 1 7 福建农林大学硕士学位论文 生不同的训练结果因此如何选取好的初始模型，使最后求出的局部最优与全局 最优接近，变的很有意义，但是至今这个问题还没得到很好的解决。在实际处理 时，大多是采用一些经验方法。一般认为，初始状态向量万和状态转移概率矩阵 a 对识别效果影响不是太大，可以对这两组参数的初值设置为均匀分布或随机分 布，但要满足其各自的约束条件。观测值发生概率矩阵口的初值对h m m 影响较 大，一般倾向采取较为复杂的初值选取方法。一种典型的h m m 参数估计过程“o 如图2 2 示。这里，初始模型丑可以任意选取。因为有p ( o i 互卜p ( o l a ) ，所以互 是a 改进后的模型，再将互作为初值，用重估公式得到石。这样就避免了初值选 择的不当，变经典的a 一万为a 一互一万。 另外，在许多情况由于训练数据的不足，训练出来的观测矩阵b 中存在较多 的零值，零值的存在是不切实际的，需