声发射熵分析刀具磨损故障预测研究.pdf

《声发射熵分析刀具磨损故障预测研究.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5期机械设计与制造2014年5月MachineryDesign&Manufacture109声发射熵分析刀具磨损故障预测研究席剑辉，林琳(沈阳航空航天大学自动化学院，辽宁沈阳110136)摘要：刀具在加工过程中不断磨损，直接影响构件的加工精度。根据采集的刀具声发射信号，分析声发射序列熵值在不同切削阶段的概率分布特征，建立一种基于刀具磨损状态的重心熵值的阈值检测方法。同时采用最小二乘支持向量机(LeastSquaresSuppo~VectorMachine，LS—SVM)建立声发射序列的熵值预测模型，结合熵值检测实现刀具磨损状态的高精度监测。仿真结果表明：采用最小二乘

2、支持向量机预测熵值能够达到较高的预测精度；刀具的阈值检测，能够及时发现刀具的磨损故障，提高加工效率；二者结合，能够满足实际生产加工需要。关键词：刀具；声发射；熵；支持向量机；故障预测；阈值检测中图分类号：TH16；TH17；TP206+．3文献标识码：A文章编号：1001—3997(2014)05—0109—04FaultPredictionResearchofToolWearofEntropyAnalysisofAcousticEmissionXIJian—hui，LINLin(SchoolofAutomation，ShenyangAerospaceUniversi

3、ty，LiaoningShenyang110136，China)Abstract：Toolwearsconstantlyintheprocessofmachining，whwhhasaninfluenceonthemachiningaccuracyofartifactsdirectly．Probabilitydistributioncharacteristicsofacousticemissionsequencesentropyvaluesindiferentcuttingstagesareanalyzedaccordingtotheacquiredacoustice

4、missionsoftool，andthenamethodofthresholddetectionisestablishedbasedoncenterofgravityentropyofthetoolwearstates．Meanwhile，entropyv~luespredwtionmodelisbuiltwithleastsquaressupportvectormachine(I5一SVM)，andcombinedwithentropydetectiontoachievehighprecisionmonitoringofthetoolwearstates．Simu

5、lationresuhsshowthatentropyvaluesarepredwtedbyIS—SVMandCangethigherpredictionprecision．Inaddition，thresholddetectionofthetoolCandetectfauhstimeZyandimprovetheefficiencyofmachiningTocombinethem，itwillsat@theneedsofactualproductionandprocessing．KeyWords：Tool；AcousticEmission；Entropy；SVM；F

6、aultPrediction；ThresholdDetection1引言建模过程中，实现刀具磨损故障的实时监测。在实际生产加工过程中，刀具的磨损状况对于整个系统的2基于重心熵的刀具磨损状态检测及阈正常运行具有重要的意义。刀具的磨损不仅会影响工件表面的质值估计量，严重的甚至可能造成设备的损伤。为了避免刀具由于磨损引熵值E是对系统状态不确定性的定量衡量指标，可以反映发故障这一问题，需要对刀具的磨损状态进行预测，以便及时地刀具磨损过程中其内部的紊乱程度。引用熵这一特征量，通过预更换刀具，从而避免不必要的损失。测熵值判断刀具的磨损状态。其计算公式为：E=log(p)(1)近年

7、来，故障预测技术发展了一些先进的方法，比较成熟的式中：P厂刀具的声发射信号；，”—信号长度。方法如基于模糊理论的预测技术、灰预测、神经网络预测以及支对数据进行归一化处理，将数据压缩N[o，1]范围内：持向量机预测等。支持向量机(Suppo~VectorMachine，SVM)方法=(p-p⋯)／(p⋯-p)(2)基于统计学习理论的VC维理论，采用新型的结构风险最优化准式中：p—数据的原始值；一压缩后的值；pi一原始数据序列的则，根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷，尽量提高学习机的泛化能力l】1。文献口建立了支持向量机最小值；p