一種車削顫振檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及故障檢測(cè)技術(shù)領(lǐng)域，特別是涉及數(shù)控機(jī)床車削顫振的檢測(cè)技術(shù)。
【背景技術(shù)】
[0002] 切削顫振是機(jī)床閉環(huán)切削系統(tǒng)的動(dòng)態(tài)不穩(wěn)定現(xiàn)象，它是發(fā)生在切削刀具與工件之 間的劇烈振動(dòng)。顫振的發(fā)生會(huì)影響生產(chǎn)效率以及加工質(zhì)量，同時(shí)還可引起過(guò)度噪音，刀具損 壞等，對(duì)產(chǎn)品質(zhì)量、刀具及機(jī)床設(shè)備等的危害已毋庸質(zhì)疑。數(shù)控機(jī)床的車削狀態(tài)可反映在機(jī) 床的振動(dòng)信號(hào)中，通過(guò)檢測(cè)機(jī)床狀態(tài)并實(shí)施相應(yīng)的控制策略，可有效的保證加工產(chǎn)品的質(zhì) 量和提高生產(chǎn)效率，同時(shí)減輕刀具磨損。隨著現(xiàn)代制造業(yè)向高度自動(dòng)化和精密化方向發(fā)展 的不斷深入，妥善解決加工過(guò)程中引發(fā)的顫振問(wèn)題，發(fā)展切削顫振的檢測(cè)技術(shù)具有重要的 意義。
[0003]目前主要的顫振檢測(cè)方法是振動(dòng)分析，數(shù)控機(jī)床的車削狀態(tài)可反映在機(jī)床的振動(dòng) 信號(hào)中，尤其是力信號(hào)和加速度信號(hào)，含有豐富的切削狀態(tài)信息，并且能夠直觀地反應(yīng)切削 狀態(tài)。之前有很多學(xué)者通過(guò)信號(hào)處理方法來(lái)進(jìn)行顫振檢測(cè)。主要可分為以下三類：第一類 是信號(hào)頻率域的分析，如傅里葉變換，小波分解和希爾伯特變換等。第二類是統(tǒng)計(jì)學(xué)方法， 如排列熵，近似熵等，這類方法中熵的計(jì)算具有較高的計(jì)算復(fù)雜度。第三類是模式識(shí)別方 法，主要有人工神經(jīng)網(wǎng)絡(luò)、案例推理、支持向量機(jī)等，這種方法將顫振問(wèn)題轉(zhuǎn)化為分類問(wèn)題， 可利用多個(gè)特征綜合判斷顫振的發(fā)生，一定程度上保證了顫振檢測(cè)可靠性。然而這種算法 一般會(huì)綜合較多的特征，特征中含有較多的冗余的信息，這對(duì)顫振識(shí)別準(zhǔn)確率和算法執(zhí)行 速度造成影響。
[0004] 由于切削系統(tǒng)發(fā)生顫振具有突發(fā)性和不確定性，從正常切削到發(fā)生顫振歷時(shí)很 短，一般在幾十毫秒以內(nèi)。因此，需要顫振檢測(cè)的算法具有快速高效的特點(diǎn)，同時(shí)能可靠的 檢測(cè)出顫振。
[0005] 因此，本領(lǐng)域的技術(shù)人員致力于開(kāi)發(fā)一種車削顫振檢測(cè)方法，相對(duì)于目前諸多顫 振檢測(cè)方法具有速度快、識(shí)別準(zhǔn)確度高的特點(diǎn)，有效保證了加工安全和產(chǎn)品質(zhì)量。

【發(fā)明內(nèi)容】

[0006] 為了克服上述現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種快速有效的車削顫振檢測(cè)方 法。該方法主要是對(duì)基于模式識(shí)別的顫振檢測(cè)方法的改進(jìn)，提高顫振識(shí)別的快速性和穩(wěn)定 性。
[0007] 為了實(shí)現(xiàn)上述目的，本發(fā)明提供了一種車削顫振檢測(cè)方法，所述方法包括以下步 驟：
[0008] 步驟1 :通過(guò)車削實(shí)驗(yàn)獲取穩(wěn)定車削狀態(tài)下的切削力信號(hào)，然后在所述車削實(shí)驗(yàn) 中采用較大的切削參數(shù)以激發(fā)出顫振狀態(tài)獲得相應(yīng)的力信號(hào)，離線數(shù)據(jù)包括所述穩(wěn)定狀態(tài) 切削力信號(hào)和所述顫振狀態(tài)切削力信號(hào)；
[0009] 步驟2 :使用小波包變換將所述顫振狀態(tài)切削力信號(hào)分解到第六層，得到小波系 數(shù)；對(duì)所述第六層的64個(gè)節(jié)點(diǎn)分別計(jì)算節(jié)點(diǎn)能量，得到64維的特征向量；離線特征向量集 的構(gòu)建來(lái)自于對(duì)所述離線數(shù)據(jù)的所述小波包變換處理；
[0010] 步驟3 :使用最小二乘支持向量機(jī)-回歸特征消除（LSSVM-RFE)方法對(duì)步驟2中 得到的所述64維特征向量進(jìn)行特征降維，每一步消去一個(gè)最不重要的特征，最后根據(jù)特征 消除過(guò)程中的檢測(cè)結(jié)果，得到最優(yōu)秀的特征組合，每個(gè)特征對(duì)應(yīng)一個(gè)小波包節(jié)點(diǎn)；
[0011] 步驟4 :使用步驟3中選出的所述最優(yōu)秀的特征組合來(lái)訓(xùn)練最小二乘支持向量機(jī) 分類器（LSSVM);
[0012] 步驟5 :在在線檢測(cè)過(guò)程中，使用小波包矩陣的方法進(jìn)行小波包變換，將所述顫振 狀態(tài)切削力信號(hào)分解到步驟3中選定的所述小波包節(jié)點(diǎn)；
[0013] 步驟6 :利用步驟5得到的小波節(jié)點(diǎn)系數(shù)計(jì)算節(jié)點(diǎn)能量，構(gòu)造出維數(shù)較低的特征向 量；
[0014] 步驟7 :使用步驟6得到的所述維數(shù)較低的特征向量輸入步驟4中得到的所述最 小二乘支持向量機(jī)分類器，得到顫振檢測(cè)結(jié)果。
[0015] 進(jìn)一步地，所述步驟2中的所述特征向量的構(gòu)建包括以下步驟：
[0016] 步驟2-1 :對(duì)所述顫振狀態(tài)切削力信號(hào)進(jìn)行加窗，取無(wú)重疊的1024個(gè)點(diǎn)作為一個(gè) 數(shù)據(jù)處理單元；
[0017] 步驟2-2 :對(duì)步驟2-1的一個(gè)數(shù)據(jù)處理單元信號(hào)f。1 (t)按下式進(jìn)行分解：
[0019] 其中h(k)和g(k)分別是低通濾波器系數(shù)和高通濾波器系數(shù)，f/是第j層第i個(gè) 節(jié)點(diǎn)的小波包系數(shù)；
[0020] 步驟2-3 :重復(fù)步驟2-2直到分解到第六層，得到每個(gè)節(jié)點(diǎn)的小波包系數(shù)f/(i= 1,2, -64,j= 6)；
[0021] 步驟2-4 :計(jì)算每個(gè)節(jié)點(diǎn)的能量⑴構(gòu)成一個(gè)64維的特征向量；
[0022] 步驟2-5 :重復(fù)步驟2-2至步驟2-4,直到所有所述數(shù)據(jù)處理單元均處理完，得到特 征向量集{^7;)}; = 1,2,..^，其中1^是樣本個(gè)數(shù)4￡1^(11 = 64)輸入特征向量，7#1?是 輸出類別。
[0023] 進(jìn)一步地，步驟3中的所述最小二乘支持向量機(jī)-回歸特征消除的方法包括以下 步驟：
[0024] 步驟3-1 :隨機(jī)選取步驟2-5得到的所述特征向量集中的一半樣本作為訓(xùn)練樣本， 剩余的另一半樣本作為測(cè)試樣本；使用所述訓(xùn)練樣本按照下式來(lái)構(gòu)建核函數(shù)矩陣K:
[0026] 步驟3-2 :求解線性方程組
[0028] 得到最小二乘支持向量機(jī)模型（a，b);將測(cè)試樣本X，帶入最小二乘支持向量機(jī) 分類器：
[0030] 通過(guò)比較y(x)與預(yù)先設(shè)定的輸出類別值來(lái)判斷測(cè)試樣本的類別，將所有測(cè)試樣 本代入后可以得到當(dāng)前特征組合小的識(shí)別精度；
[0031 ] 步驟3-3 :計(jì)算每個(gè)特征的代價(jià)函數(shù)
[0032] D, Ha -a! H ha)
[0033] 其中H是個(gè)矩陣，其第（i，j)個(gè)分量的yiyjk(Xl，Xj)，Hh去除第h個(gè)特征后得到的 矩陣；
[0034] 步驟3-4 :對(duì)隊(duì)進(jìn)行排序，去除Dh最小的特征，重新構(gòu)建核函數(shù)矩陣；
[0035] 步驟3-5 :重復(fù)步驟3-2至3-4直到只剩下一個(gè)特征；
[0036] 步驟3-6 :根據(jù)步驟3-2中得到的識(shí)別精度，選擇最優(yōu)的特征組合。
[0037] 進(jìn)一步地，步驟4中得到的所述分類器訓(xùn)練過(guò)程有以下步驟：
[0038] 步驟4-1 :使用步驟3-6中得到的特征向量構(gòu)建核函數(shù)矩陣：
[0040] 步驟4-2:求解線性方程組：
[0042] 得到最小二乘支持向量機(jī)的參數(shù)（a，b);
[0043] 步驟4-2 :對(duì)于測(cè)試樣本x，即可通過(guò)計(jì)算：
[0045] 通過(guò)比較y(x)與預(yù)先設(shè)定的輸出類別值進(jìn)行比較來(lái)判斷測(cè)試樣本的類別。
[0046] 進(jìn)一步地，步驟5中的小波包矩陣的構(gòu)建方法包括以下幾個(gè)步驟：
[0047] 步驟5-1 :由步驟3-6得到了最優(yōu)特征組合，特征對(duì)應(yīng)的小波包節(jié)點(diǎn)序號(hào)表示為 [Q0,Q1，…，QJ，使用Mallat算法對(duì)單位向量ei進(jìn)行小波包變換，并按照下式構(gòu)建小波包矩 陣：
[0048]
[0049] 其中ei長(zhǎng)度為N的單位向量，第i個(gè)元素為1，其余元素為0 ;灰P/產(chǎn)是小波包操作 算子，將信號(hào)^分解到第L層第Q。個(gè)節(jié)點(diǎn)；依據(jù)特征降維方法選擇出的小波包節(jié)點(diǎn)構(gòu)建相 應(yīng)的小波包矩陣；
[0050] 步驟5-2 :對(duì)于在線得到的一個(gè)數(shù)據(jù)單元X，選定節(jié)點(diǎn)的小波包系數(shù)可通過(guò)下式得 到：
[0051] WPC =WPl ? X
[0052] 步驟5-3 :通過(guò)分離步驟5-2中的小波包系數(shù)得到各個(gè)節(jié)點(diǎn)的小波包系數(shù)，并計(jì)算 相應(yīng)的節(jié)點(diǎn)能量即可構(gòu)建用于在線檢測(cè)的特征向量。
[0053] 本發(fā)明的主要思路在于，車削顫振往往發(fā)生在特定的頻率帶，顫振發(fā)生時(shí)在力信 號(hào)的傅里葉頻譜中會(huì)有明顯的頻率集中。小波包節(jié)點(diǎn)能量是一種有效刻畫信號(hào)能量分布的 特征向量，其在顫振檢測(cè)中有很大的潛力。同時(shí)，小波包分解層數(shù)越高，小波包節(jié)點(diǎn)能量的 頻率分辨率越高，可得到更多的信息。因此，本發(fā)明中使用更高層（第六層）的小波包節(jié)點(diǎn) 能量作為特征向量。為了解決特征過(guò)多而導(dǎo)致的算法耗時(shí)長(zhǎng)和準(zhǔn)確性變差的問(wèn)題，本發(fā)明 提出一種基于最小二乘支持向量機(jī)-回歸特征消除的特征降維方法被用來(lái)消去冗余的特 征，選出最優(yōu)秀的幾個(gè)特征。在線檢測(cè)過(guò)程中，只需要構(gòu)建選出的那幾個(gè)特征組成特征向 量，輸入最小二乘支持向量機(jī)分類器來(lái)進(jìn)行顫振檢測(cè)，提高了顫振識(shí)別的穩(wěn)定性和快速性。
[0054] 這種基于小波包節(jié)點(diǎn)能量、回歸特征消除和最小二乘支持向量機(jī)的顫振檢測(cè)方法 主要包含以下步驟：
[0055] 步驟1 :首先通過(guò)車削實(shí)驗(yàn)獲取穩(wěn)定車削狀態(tài)下的切削力信號(hào)，然后在實(shí)驗(yàn)中采 用較大的切削參數(shù)以激發(fā)出顫振狀態(tài)獲得相應(yīng)的力信號(hào)，以此作為離線數(shù)據(jù)。
[0056] 步驟2 :使用小波包變換將力信號(hào)分解到第六層，得到小波系數(shù)。對(duì)第六層的64個(gè) 節(jié)點(diǎn)分別計(jì)算節(jié)點(diǎn)能量，得到64維的特征向量。對(duì)所有數(shù)據(jù)處理完后即可獲得相應(yīng)的離線 特征向量集。
[0057] 步驟3 :使用最小二乘支持向量機(jī)-回歸特征消除方法對(duì)步驟2中得到的64維特 征向量進(jìn)行降維，每一步消去一個(gè)最不重要的特征，最后根據(jù)特征消除過(guò)程中的檢測(cè)結(jié)果， 得到最優(yōu)秀的特征組合，每個(gè)特征對(duì)應(yīng)一個(gè)小波包節(jié)點(diǎn)。
[0058] 步驟4 :使用步驟3中選出的比較優(yōu)秀的特征組合來(lái)訓(xùn)練最小二乘支持向量機(jī)分 類器（LSSVM)。
[0059] 步驟5 :在在線檢測(cè)過(guò)程中，使用小波包矩陣進(jìn)行小波包變換，將信號(hào)分解到步驟 3中選定的小波包節(jié)點(diǎn)。
[0060] 步驟6 :利用步驟5得到的小波節(jié)點(diǎn)系數(shù)計(jì)算節(jié)點(diǎn)能量，構(gòu)造出維數(shù)較低的特征向 量。
[0061] 步驟7 :使用步驟6得到的特征向量輸入步驟4中訓(xùn)練出的最小二乘支持向量機(jī) 分類器，得到顫振檢測(cè)結(jié)果。
[0062] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是主要在以下兩個(gè)方面：
[0063] (1)使用第六層的小波包節(jié)點(diǎn)能量構(gòu)造特征向量而不是目前一般使用的三層小波 包節(jié)點(diǎn)能量，得到了更多的切削狀態(tài)信息并且更準(zhǔn)確的檢測(cè)顫振，這樣，顫振檢測(cè)精度得到 一定的提尚。
[0064] (2)使用最小二乘支持向量機(jī)-回歸特征消除的方法來(lái)進(jìn)行特征降維，消除高維 特征向量中的冗余信息，提高算法實(shí)時(shí)特性的同時(shí)提高了顫振識(shí)別的精度。
[0065] 以下將結(jié)合附圖對(duì)本發(fā)明的構(gòu)思、具體結(jié)構(gòu)及產(chǎn)生的技術(shù)效果作進(jìn)一步說(shuō)明，以 充分地了解本發(fā)明的目的、特征和效果。
【附圖說(shuō)明】
[0066] 圖1為基于小波包節(jié)點(diǎn)能量、回歸特征消除和最小二乘支持向量機(jī)的顫振檢測(cè)的 流程圖；
[0067] 圖2為最小二乘支持向量機(jī)-回歸特征消除的算法實(shí)現(xiàn)流程圖。
[0068] 圖3為特征降維過(guò)程中顫振檢測(cè)結(jié)果對(duì)比；