EMD和SVM在刀具故障诊断中的应用

《EMD和SVM在刀具故障诊断中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、2010年10月沈阳航空工业学院学报第27卷第5期JournalofShenyangInstituteofAeronauticalEngineering0ct．2010V01．27No．5文章编号：1007—1385(2010)05—0042—05EMD和SVM在刀具故障诊断中的应用王涛徐涛(沈阳航空航天大学自动化学院。辽宁沈阳110136)摘要：与传统方法相比，声发射传感器在刀具故障诊断方面有很大的优势。将声发射传感器应用于刀具切削过程中，提出了基于经验模态分解(EMD)和支持向量机(SVM)的刀具故障诊断方法。该方法首先对标准化

2、的声发射信号进行经验模态分解，将分解后的有限个固有模态函数(IMF)通过一定的削减算法增强故障类型特征，把每个IMF和残余项的能量以及整个信号的削减比作为特征向量，最后将特征向量输入支持向量机进行训练和测试，判断刀具的故障类型。通过对某一刀具的故障诊断结果进行分析，验证了该方法的实用性和有效性。关键词：刀具；声发射；EMD；支持向量机；故障诊断中图分类号：TP206+．3文献标识码：Adoi：10．3969／j．issn．1007—1385．2010．05．010刀具作为切削过程的直接执行者，在切削过程中不可避免地存在着磨钝和破损等

3、现象，刀具磨损会严重损坏工件的几何尺寸和表面形状，因此，刀具故障检测对于提高切削加工的自动化程度和产品质量具有重要意义。由于金属切削过程中存在丰富的声发射信息，越来越多的学者开始研究基于声发射的刀具故障诊断检测技术。由传感器采集到的声发射信号，信号频率成分丰富，属于典型的非平稳信号。采用传统的时域分析或者频域分析都不能很好的对其进行分析。为此国内外学者将时频分析方法应用于刀具故障信号的特征提取中，文献[1]将采集到的刀具切削过程中的声发射信号作为实验数据，对其进行3层小波包分解，分别将8个频段信号的功率作为特征向量，以此来检测刀具的

4、故障特征。文献[2]利用小波分解技术进行9层分解，提取各个节点的能量，然后利用RBF(径向基函数)神经网络进行刀具故障诊断。经验模态分解(EMD)是近几年比较热门的一种时频分析方法。该方法基于信号的局部特征，将原始信号分解成一系列固有模特函数(IMF)和残余项之和，分解出的各个IMF分量收稿日期：2010—09—07基金项目：沈阳市人才专项基金资助项目(项目编号：07syrc04)作者简介：王涛(1986一)，男，山东济南人，硕士研究生。研究方向：航空发动机零件加工刀具磨损检测技术研究，E—mail：buuord@126．Ⅻ。突出了

5、原始数据的局部特征，残余量体现了原始信号的中心趋势，对它们进行分析可以更准确有效地把握原信号的特征信息。目前，该方法已广泛应用于旋转机械故障诊断中，但应用于刀具故障检测的文章尚未见到。本文首先将采集到的声发射信号进行预处理，再利用EMD对信号进行分解，得到若干个IMF，通过一定的削减算法，增大信号的特征并计算各个IMF分量的能量，各个频带能量的变化可以清楚地揭示信号的内在本质信息，因此可选用内禀模态能量作为特征向量，并由支持向量机分类器来识别刀具状态，该方法有效地避免了小波分解过程中小波基选取的困难，使用支持向量机作为分类器克服了文

6、献[2]中神经网络容易陷入过学习、局部极小点等问题，实验结果表明该方法是有效的。1经验模态分解与支持向量机1．1经验模态分解EMD方法从本质上讲是对信号进行平稳化处理的过程，它将信号中不同尺度的波动或趋势逐级分解开来，产生一系列具有不同特征尺度的数据序列，每一个序列称为固有模态函数分量。经过EMD分解后的IMF分量必须满足以下2个条件：(1)在整个数据序列中，极值点的数量与过零点的数量必须相等或者至多相差一个；(2)在任何一点，由数据序列的局部极大值第4期王涛等：EMD和SVM在刀具故障诊断中的应用43点确定的上下包络线和由局部极小

7、值点确定的下包络线的均值为零，即信号关于时间轴局部对称。经过EMD分解后的原始信号可以表示为：菇(f)=∑Ci(￡)+rn(t)(1)即经过EMD运算，原信号被分解为若干个IMF分量和残余项之和。IMF分量cl，c2，⋯，C／t分别是按照频率由高到底分解出来的，对它们进行分析，可以更准确有效地把握原信号的特征信息。具体理论参见文献[3]。1．2支持向量机支持向量机"。60由Vapnik等提出，是基于统计学系理论框架下的一种新的通用机器学习方法。对于实际应用问题中出现的小样本、过学习、高维数、局部最小等困扰可以给出很好的解决，特别是在

8、小样本、非线性情况下，具有较好的泛化性能。支持向量机本质上是通过非线性变换将输入空间变换到一个高维空间，在这个新空间中求取最优线性分类面。设线性可分样本集为(戈。，Yi)，i=3，⋯，n，菇ER。，Y∈{+1，一1}是类别标号。d维空