基于奇异分解与最小二乘支持向量机的刀具磨损识别方法研究.pdf

《基于奇异分解与最小二乘支持向量机的刀具磨损识别方法研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第33卷第3期东北电力大学学报V01．33．No．32013年6月JournalofNortheastDianliUniversityJun．，2013文章编号：1005—2992(2013)03—0005—05基于奇异分解与最小二乘支持向量机的刀具磨损识别方法研究关山(东北电力大学机械工程学院，吉林吉林132012)摘要：针对刀具磨损声发射信号的非平稳特征，提出了基于奇异值分解和最小二乘支持向量机的刀具磨损状态识别方法。该方法首先对声发射信号进行经验模态分解，将其分解为若干个固有模态函数之和，利用固有模态函数构造初始特征向量矩阵，然后对初始特征向量矩阵进行奇异值分解，计算奇异

2、谱，将奇异谱做为特征向量，送入最小二乘支持向量机训练、识别。结果表明：该方法能很好地识别刀具磨损状态，与神经网络相比具有更高的识别率。_【．0=：=．0．Ⅱ关键词：刀具磨损状态识别；奇异值分解；经验模态分解；最tJ~z．乘支持向量机420442O4中图分类号：TH164文献标识码：A金属切削过程中会产生非常丰富的声发射信号J，这些信号直接来源于切削区，频率高，受切削条件和刀具参数变化的影响小，抗环境干扰能力强，灵敏度较高，因此被越来越多的应用于刀具磨损监测。经验模态分解(EmpiricalModeDecomposition，EMD)是N．E．Huang5提出的一种自适应的信号分

3、解方法。该方法基于信号的局部特征，能把复杂信号分解为有限个固有模态函数(IntrinsicModeFunction，IMF)之和，非常适合处理非线性、非平稳过程l7J。支持向量机l9是基于结构风险最小化原则的模式识别方法，该方法克服了传统神经网络需要依靠大量的典型故障数据样本或设计者的经验知识等缺点，解决了小样本、非线性易陷入局部极小值等问题。综合以上因素，本文提出了基于固有模态函数奇异值分解和最小二乘支持向量机(LeastSquaresSupportVectorMachine，LS—SVM)的刀具磨损识别方法：采用EMD方法将声发射信号分解，得到若干个IMF分量，用这些IMF

4、分量构造初始特征向量矩阵；再利用奇异值分解方法提取刀具磨损特征，作为LS—SVM的输入，实现刀具磨损的分类。1刀具磨损实验方法声发射传感器依靠磁力紧紧吸附在刀柄上，声发射信号经前置放大、预处理、数据采集卡送人计算机。实验的目的是研究刀具磨损量(采用刀具后刀面磨损量VB表示)与变切削参数(切削速度、进给量、切削深度)之间的关系。三种切削参数的不同取050oOlOOoo150oO值组合形成多种不同的切削条件，这就需要做大量的切削实验，这在实际中是不可行的，为此设计了图1刀具不同磨损阶段的声发射信号收稿日期：2013一O1—14基金项目：东北电力大学博士科研启动基金资助(BSJXM一

5、201115)作者简介：关山(1970一)，男，吉林省吉林市人，东北电力大学机械工程学院副教授，博士，主要研究方向：机械制造及自动化技术方面的研究．6东北电力大学学报第33卷L。(3。)正交实验表3组，共27个不同切削参数组合。图1为刀具在不同磨损阶段的声发射信号。o，o。o0。o0o0o0。2刀具磨损信号特征的提取2．1经验模态分解原理EMD的具体分解步骤如下：(1)确定信号所有的局部极值点，然后用三次样条线分别将局部极大值、局部极小值连接起来形成上、下包络线。求出上、下包络线的均值m(t)。(2)将原始数据序列减去包络线均值m(t)后，得到一个去掉低频的新数据序列：h，(￡

6、)=()一m(￡)，(1)判断h(t)是否为IMF，若不满足IMF条件，将h(t)看作新的(t)，重复执行1、2步，直到h(t)满足IMF条件，记C(t)=h(t)，将c(t)视为IMF1。(3)将r=(t)一C。(t)看作新的(t)，重复1、2步计算过程，依次得到IMF2，IMF3，⋯。直到c(t)或r满足给定的终止条件时，筛选结束。最终，原始数据序列(t)可由这些IMF分量及一个趋势项r表示：k()=∑c(t)+r，o0。o0，ooo。。(2)0式中：各IMF分量C(t)，c(t)，⋯，C(t)分别包含了信号从高到低不同频率段的成分。图2、图3分别为刀具不同磨损阶段声发射信

7、号的EMD分解图，图中只表示出前9个IMF分量。／—／＼—————、八八卜一———～—一一—＼／—＼／—O10o02o()o3o()04000010oO20oo3o0O4OOO图2VB为0．10毫米时信号EMD分解结果图3VB为0．33毫米时信号EMD分解结果从图中可以看出：随着刀具磨损量的增加，信号中各IMF分量成份的变化，因此可以将各IMF分量组成反映刀具磨损量变化的初始特征向量矩阵。大量的实验数据表明：对不同磨损阶段的声发射信号进行EMD分解，得到8～11个数目不等的IMF分量。其中绝