基于拉普拉斯支持向量机的高速机床道具工况检测方法研究.doc

密级： 公开 NANCHANG UNIVERSITY学 士 学 位 论 文THESIS OF BACHELOR（20112015年）题 目 基于支持向量机的高速刀具工况监测 基于支持向量机的高速机床刀具工况监测方法研究摘 要机床刀具磨损在工程中特别是机械加工过程是非常常见的一种现象，刀具磨损将直接影响到机床的加工效率，甚至可能导致产品报废、机床停机等严重后果。在加工过程中刀具的磨损将会对产品的质量和光滑度产生很大的影响，所以为了保证生产质量和效率对刀具工况的实时监测显得尤为重要。传统检测刀具是否磨损一般采用直接测量刀具或者工件的尺寸，与标准尺寸进行对比，但这种方法不仅耗时也很浪费人力。采用实时监测的方法，及时将机床刀具数据监测出来并进行处理后能够立刻得到刀具的实时状态。本文将获得的数据作为支持向量机的输入向量，通过支持向量机的二分类方法将刀具监测的数据进行处理，分为磨损和不磨损两种状态。对刀具进行实时监测，能够及时发现刀具磨损状态，节约人力物力资源成本。关键词：机床刀具；实时监测；支持向量机；磨损状态识别Research on SVM high-speed machine tool condition monitoring based approachAbstractTool wear in engineering,especially mechanical process is a very common phenomenon.Tool wear will directly affect the efficiency of the machining, And may even lead to serious consequences product obsolescence,machine downtime.Tool wear will have a huge impact on the quality and smoothness of the product during processing,So in order to ensure production quality and efficiency for real-time monitoring tool condition is particularly important.Traditional check whether the tool wear is usually directly measure the size of the tool or work piece,compared with the standard size .However this method is not only time consuming but also a waste of manpower.Real-time monitoring method,timely data to monitor machine tool and process out to get real-time status after the tool immediately.Data obtained as SVM input vector,By SVM binary classification method of data processing tool monitoring.And then wear and not wear is divided into two states。In this way, for real-time monitoring tool,the ability to detect tool wear,thus saving the cost of human and material resources.Keyword: Real-time monitoring;SVM;Machine tool;Wear state recognition目录摘 要IAbstractII第一章 绪论11.1 高速刀具磨损状态监测的意义11.2 高速刀具磨损状态的国内外发展现状1第二章 高速刀具状态的监测方法32.1 刀具状态监测方法32.1.1直接测量法32.1.2间接测量法32.2 本文研究内容3第三章 支持向量机对高速刀具磨损状态的识别53.1 支持向量机原理53.1.1学习方法53.1.2泛化性理论63.1.3结构风险最小化63.2 支持向量机73.2.1支持向量机概述73.2.2最大间隔超平面83.2.3线性分类93.2.4核函数10第四章 支持向量机对高速刀具磨损状态监测分类的软件实现114.1 libsvm概述114.2 matlab概述114.3 matlab中libsvm的使用124.3.1训练124.3.2预测124.3.3训练的参数124.3.4训练返回的内容134.3.5预测返回的内容144.3.6读取或保存144.4 本文支持向量机二分类实验14第五章 总结与展望165.1 论文总结165.2 展望16致谢18参考文献19附 录20第一章 绪论1.1 高速刀具磨损状态监测的意义在机床加工过程中，刀具高速运转，在切削过程中不可避免的存在着一定程度的磨损，而刀具磨损的阶段是不同的，细微的磨损对工件的质量并未有太大的影响，只要保证产品尺寸误差在一定范围内，刀具的磨损是可以忽略不计的。但是，刀具磨损到一定阶段，将会对产品产生极大影响，直接影响到生产效率，产品质量、加工精度。刀具磨损较为严重甚至会导致机床停机，危害工作人员的生命健康。刀具磨损状态监测能够实时监测出刀具的磨损状态，及时发现刀具磨损是否已经严重影响到生产。所以，高速刀具磨损状态监测在生产过程中显得尤为重要，它对生产效率、产品质量有着至关重要的作用，同时也能降低劳动力成本和原料成本。目前，国内在机床加工领域实时监测还没有成熟的发展，还停留在研究阶段，没有实际的应用。现阶段对刀具磨损的监测，一般是由现场进行加工生产的工人通过经验，根据高速刀具在切削过程中发出的声音，或者判断产品尺寸是否有较大偏差，但这样的方法一般包含了很多的主观因素，容易受到判断者的影响，很难准确和高效地更换刀具，过早或者过晚的更换刀具都将影响生产效率，造成资源的浪费。还有一种方法即定时更换刀具，但这种方法不够灵活，太过死板。刀具磨损常常与环境还有工件的材质等等因素有很大的关系，定时更换刀具会造成资源的浪费，是一种不太经济的方法。高速刀具磨损状态监测是通过振动加速度传感器分别监测道具X,Y,Z轴方向的振动情况。通过实时测得机床数据，传入系统中，通过支持向量机的分类方法，刀具的磨损实时状态做出判断。这样一来，能够及时发现刀具磨损程度，是否需要即刻更换刀具。这种方法可以减少刀具的浪费，同时也能大大提高生产效率，节约生产资源。1.2 高速刀具磨损状态的国内外发展现状虽然从上个世纪四十年代初国内外对刀具磨损监测就开始了初步的探索目前，对刀具磨损的监测技术发展并不成熟，大部分都处于实验室研究阶段，在实际生产领域中应用并不成熟。目前国内对高速刀具工况的状态监测采用直接法和间接法，而多采用间接法。迄今为止,在刀具状态监测技术领域，多个国家的研究机构已经有了深入的研究并取得了大量的研究成果。注意格式第二章 高速刀具状态的监测方法2.1 刀具状态监测方法刀具状态的监测方法通常可以分为直接和间接测量法。2.1.1直接测量法直接测量法是通过直接识别刀刃外观、几何形状以及表面质量的变化测得的。目前直接测量法常采用的方法是：电阻测量法、光纤测量法、射线测量法、放电电流测量法、微结构镀层法等。但直接测量法存在两个缺点：（1）只能在停机的时候进行监测，占用生产时间；（2）不能检测出在加工过程中突然出现的问题，这使得直接测量法在应用上受到一定的限制。2.1.2间接测量法间接测量法主要是利用在加工过程中与刀具磨损有关的参数，比如切削力、振动强度、噪声、工件几何尺寸等相关物理量。间接测量法可以在加工的过程中进行测量相关项，不需要停机进行，因此也不会影响切削加工过程。然而间接测量法检测的信号容易受到干扰，这也是该方法的一个主要缺点，不过随着模式识别技术与信号分析处理技术的发展，目前国内外大多采用间接测量法。主流的间接测量法有：声发射、切削力测量法、机械功率测量法、振动信号测量法、热电压测量法以及多信息融合检测等方法。2.2 本文研究内容本文研究通过支持向量机的方法，将检测出来的机床数据分为磨损状态和非磨损状态。机床数据的监测是通过振动频率测量法获得的。刀具在切削过程中，刀具与工件会发生摩擦从而产生不同频率的振动刀具状态的监测系统基本结构如图所示：图1 刀具状态的监测系统基本结构第三章 支持向量机对高速刀具磨损状态的识别分类作为数据挖掘领域中一项十分重要的任务，其目的是学会一个分类函数或分类模型，而支持向量机本身就是一种监督式学习的方法，自提出以来得到了迅速的发展并广泛地应用于统计分类以及回归分析等问题当中。支持向量机通过寻求结构化风险最小化的方法，提高了学习机泛化能力，使经验风险和置信范围的最小化，因此支持向量机对于小样本也有很好的统计结果。支持向量机（SVM）由Vapnik及其合作者发明，是在统计学习理论的基础上发展起来的新一代的学习算法，它在文本（超文本）分类、图像分类、生物序列分析、手写识别等领域中均获得了较好的发展的应用。在1992年计算学习的理论会议上介绍进入机器学习领域，之后便受到了广泛的关注。其后在20世纪90年代中后期得到了全面而深入的发展，现在已经成为机器学习和数据挖掘的标准工具。3.1 支持向量机原理3.1.1学习方法使用样例来合成计算机程序，这样的过程称为学习方法。通常把假设集合或者假设空间的选择看做是学习过程的关键因素，从训练数据中学习并从假设空间中选择假设的算法，这个算法也称为学习算法，常作为第二个重要因素。在线学习算法的质量可以由训练阶段的出错总数衡量，可以应用监督学习方法到批量训练数据上。学习算法可能存在的缺点有：(1)学习算法可能是低效的，可能出现局部最小值的情形。(2)输出的假设规模可能大到不切实际。(3)若训练样例书目有限，过大的假设函数类将会导致过拟合以及很差的泛化性。(4)学习算法常常受到大量参数的控制，选择往往是通过启发式参数调节过程，使系统使用困难并且不可靠。尽管存在着这些缺陷，学习算法在实际应用领域却取得了可观的成功。而支持向量机能够处理所有的这些问题。3.1.2泛化性理论由于随着自由度的增加，分类超平面变得更加不适定，所以适应性的增加容易导致过拟合的产生。成功控制核函数特征空间的适应性需要一套完善的泛化性理论，它能够精确描述控制学习器中哪个因子能够保证好的泛化能力。出现的几个学习理论中最合适的莫过于Vapnik和Chervonenkis（VC）理论。从历史上讲VC理论也促进了SVM的出现。VC维的直观定义是：对一个指标函数集，如果存在n个样本能够被函数集中的函数按所有可能的2n种形式分开，则称函数集能够把n个样本打散；函数集的VC维就是它能打散的最大样本数目n。若对任意数目的样本都有函数能将它们打散，则函数集的VC维是无穷大，有界实函数的VC维可以通过用一定的阀值将它转化成指示函数来定义。VC维常常被作为衡量机器复杂程度和描述分类系统的性能指标，是数学和计算机科学中非常重要的定量化概念。它反映了函数集的学习能力，VC维越大则机器学习越复杂。然而目前并没有通用的关于如何计算任意函数集的VC维理论，仅仅对于机械较为特殊的函数集的VC维可以准确的知道，而对于一些稍微复杂的学习机器，例如神经网络，其VC维不仅与函数集选择有关通常也会受学习算法等的影响，故确定其VC维更加困难。对于已经给定的学习函数集，如何用理论或者实验方法计算它的VC维仍然是当前学习理论中有待研究的问题。3.1.3结构风险最小化支持向量机（SVM）方法是基于统计学习的VC维理论以及结构最小化原理基础上提出的，为了防止过拟合的问题提出了结构风险化的策略。结构风险由置信风险和经验风险组成，其中置信风险和经验风险分别是指分类器对未知样本进行分类得到的误差和训练好的分类器对训练样本重新分类得到的误差，也即样本误差。当模型的模型复杂度和条件概率分布、损失函数是对数损失函数，由模型先验概率表示，此时的结构风险最小化问题可以等价于最大后验概率估计问题，那么监督学习问题就转变成为经验风险或者结构风险函数的最优化问题，此时的经验风险或者结构风险函数是最优化的目标函数。支持向量机优化目标是结构化风险最小而不是经验风险最小，因此具有优秀的泛化能力，这也是支持向量机成为目前最常用效果最好的分类器之一的原因。影响置信风险的因素主要有训练样本的数目以及分类函数的VC维。训练样本数目越多，置信风险就越小；VC维越大，那么问题的解的种类就越多，推广能力也就越差，置信风险也越大。所以要想达到降低置信风险的目的，就要增加样本数的同时降低VC维。而一般的分类函数需要提高VC维，虽然这样通过提高样本的特征数据量来降低了经验风险，却会导致置信风险的变高，因此结构风险也会相应变高。结构风险最小化就是同时考虑了经验风险与结构风险。在小样本的情况下取得较好的分类效果，保证经验风险的同时，降低VC维可以控制学习机器在整个样本集上的期望风险。当训练样本给定的条件下,分类间隔越大，对应的分类超平面集合的VC维就越小。要想达到真实风险最小，根据结构风险最小化原则只需要使推广性的界中置信范围最小。3.2 支持向量机3.2.1支持向量机概述这里的“机”即“机器”，支持向量机实际上是一种算法，一种可训练的机器学习方法。支持向量机（SVM）也是定义在特征空间上的间隔最大的线性分类器，是一种二类分类模型。支持向量机的学习策略就是间隔最大化，这样使支持向量机有别于感知机，这种学习策略可以形式化维一个求解二次规划的问题，也等价于正则化的合页损失函数的最小化问题。因此，支持向量机可以利用已知的有效算法，进而发现目标函数的全局最小值。支持向量机不仅在解决小样本非线性问题和高维模式识别中具有良好的效果，在函数拟合等其他机器学习问题中也得到了大力推广，所以从90年代开始便迅速地发展起来。我们通常希望分类的过程是一个机器学习的过程。我们希望能够通过一个n-1维的超平面把在n维实空间中的数据点分开，这个超平面常常被称为线性分类器，我们可以找到许多符合要求的分类器。同时我们也希望能够一个最优平面，能够将不同类的数据点以最大间隔分开，这个最优平面也称为最大间隔超平面。如果我们能够找到满足条件的最优平面，那么这个分类器就称为最大间隔分类器。支持向量机的主要思想可以概括为两点：（1）支持向量机主要针对线性可分的情况进行分析，对于线性不可分的情况，通过使用非线性映射算法（核函数）将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。（2）支持向量机给予结构风险最小化理论，在特征空间构建最优分割超平面，使学习器得到全局最优化，并且在整个样本的空间的期望风险以某个概率满足一定上界。3.2.2最大间隔超平面支持向量机将输入向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的两边建有两个互相平行的超平面。建立方向合适的分隔超平面使两个与之平行的超平面间的距离最大化。其假定为，平行超平面间的距离或差距越大，分类器的总误差越小。一般来说，一个点距离分离超平面的远近可以表示分类预测的确信程度，这里的远近即指函数间隔。函数间隔的定义为：对于给定的训练数据集和超平面(，b)，定义超平面(，b)关于样本点(Xi，Yi)的函数间隔为函数间隔可以作为衡量分类预测的正确性以及确信度的参考，但此时超平面不是唯一确定的，这就还需要对超平面的法向量加一些约束，比如通过规范化使间隔大小确定，这时函数间隔称为几何间隔。对于线性可分的训练数据集有无穷多个线性可分的分离超平面，但是几个间隔最大的分离超平面却是可以唯一确定的，这里的最大化也称作间隔最大化。间隔最大化是指对于给定的训练数据集，找到一个几何间隔最大的超平面，使其具有充分大的确信度能够对训练数据甚至对于离超平面很近的最难分的实例点也能进行准确分类，也有足够大的确信度。如何让求得一个几何间隔最大的分离超平面即求最大间隔分离超平面可以表示为一个约束最优化问题。即我们希望约束条件可以表示为超平面(，b)对于每个给定训练样本点的几何间隔是至少是，其中指最大化超平面(，b)关于训练数据