一种车削颤振检测方法

文档序号:9388199阅读:546来源:国知局
一种车削颤振检测方法
【技术领域】
[0001] 本发明涉及故障检测技术领域,特别是涉及数控机床车削颤振的检测技术。
【背景技术】
[0002] 切削颤振是机床闭环切削系统的动态不稳定现象,它是发生在切削刀具与工件之 间的剧烈振动。颤振的发生会影响生产效率以及加工质量,同时还可引起过度噪音,刀具损 坏等,对产品质量、刀具及机床设备等的危害已毋庸质疑。数控机床的车削状态可反映在机 床的振动信号中,通过检测机床状态并实施相应的控制策略,可有效的保证加工产品的质 量和提高生产效率,同时减轻刀具磨损。随着现代制造业向高度自动化和精密化方向发展 的不断深入,妥善解决加工过程中引发的颤振问题,发展切削颤振的检测技术具有重要的 意义。
[0003]目前主要的颤振检测方法是振动分析,数控机床的车削状态可反映在机床的振动 信号中,尤其是力信号和加速度信号,含有丰富的切削状态信息,并且能够直观地反应切削 状态。之前有很多学者通过信号处理方法来进行颤振检测。主要可分为以下三类:第一类 是信号频率域的分析,如傅里叶变换,小波分解和希尔伯特变换等。第二类是统计学方法, 如排列熵,近似熵等,这类方法中熵的计算具有较高的计算复杂度。第三类是模式识别方 法,主要有人工神经网络、案例推理、支持向量机等,这种方法将颤振问题转化为分类问题, 可利用多个特征综合判断颤振的发生,一定程度上保证了颤振检测可靠性。然而这种算法 一般会综合较多的特征,特征中含有较多的冗余的信息,这对颤振识别准确率和算法执行 速度造成影响。
[0004] 由于切削系统发生颤振具有突发性和不确定性,从正常切削到发生颤振历时很 短,一般在几十毫秒以内。因此,需要颤振检测的算法具有快速高效的特点,同时能可靠的 检测出颤振。
[0005] 因此,本领域的技术人员致力于开发一种车削颤振检测方法,相对于目前诸多颤 振检测方法具有速度快、识别准确度高的特点,有效保证了加工安全和产品质量。

【发明内容】

[0006] 为了克服上述现有技术的不足,本发明提供了一种快速有效的车削颤振检测方 法。该方法主要是对基于模式识别的颤振检测方法的改进,提高颤振识别的快速性和稳定 性。
[0007] 为了实现上述目的,本发明提供了一种车削颤振检测方法,所述方法包括以下步 骤:
[0008] 步骤1 :通过车削实验获取稳定车削状态下的切削力信号,然后在所述车削实验 中采用较大的切削参数以激发出颤振状态获得相应的力信号,离线数据包括所述稳定状态 切削力信号和所述颤振状态切削力信号;
[0009] 步骤2 :使用小波包变换将所述颤振状态切削力信号分解到第六层,得到小波系 数;对所述第六层的64个节点分别计算节点能量,得到64维的特征向量;离线特征向量集 的构建来自于对所述离线数据的所述小波包变换处理;
[0010] 步骤3 :使用最小二乘支持向量机-回归特征消除(LSSVM-RFE)方法对步骤2中 得到的所述64维特征向量进行特征降维,每一步消去一个最不重要的特征,最后根据特征 消除过程中的检测结果,得到最优秀的特征组合,每个特征对应一个小波包节点;
[0011] 步骤4 :使用步骤3中选出的所述最优秀的特征组合来训练最小二乘支持向量机 分类器(LSSVM);
[0012] 步骤5 :在在线检测过程中,使用小波包矩阵的方法进行小波包变换,将所述颤振 状态切削力信号分解到步骤3中选定的所述小波包节点;
[0013] 步骤6 :利用步骤5得到的小波节点系数计算节点能量,构造出维数较低的特征向 量;
[0014] 步骤7 :使用步骤6得到的所述维数较低的特征向量输入步骤4中得到的所述最 小二乘支持向量机分类器,得到颤振检测结果。
[0015] 进一步地,所述步骤2中的所述特征向量的构建包括以下步骤:
[0016] 步骤2-1 :对所述颤振状态切削力信号进行加窗,取无重叠的1024个点作为一个 数据处理单元;
[0017] 步骤2-2 :对步骤2-1的一个数据处理单元信号f。1 (t)按下式进行分解:
[0019] 其中h(k)和g(k)分别是低通滤波器系数和高通滤波器系数,f/是第j层第i个 节点的小波包系数;
[0020] 步骤2-3 :重复步骤2-2直到分解到第六层,得到每个节点的小波包系数f/(i= 1,2, -64,j= 6);
[0021] 步骤2-4 :计算每个节点的能量⑴构成一个64维的特征向量;
[0022] 步骤2-5 :重复步骤2-2至步骤2-4,直到所有所述数据处理单元均处理完,得到特 征向量集{^7;)}; = 1,2,..^,其中1^是样本个数4£1^(11 = 64)输入特征向量,7#1?是 输出类别。
[0023] 进一步地,步骤3中的所述最小二乘支持向量机-回归特征消除的方法包括以下 步骤:
[0024] 步骤3-1 :随机选取步骤2-5得到的所述特征向量集中的一半样本作为训练样本, 剩余的另一半样本作为测试样本;使用所述训练样本按照下式来构建核函数矩阵K:
[0026] 步骤3-2 :求解线性方程组
[0028] 得到最小二乘支持向量机模型(a,b);将测试样本X,带入最小二乘支持向量机 分类器:
[0030] 通过比较y(x)与预先设定的输出类别值来判断测试样本的类别,将所有测试样 本代入后可以得到当前特征组合小的识别精度;
[0031 ] 步骤3-3 :计算每个特征的代价函数
[0032] D, Ha -a! H ha)
[0033] 其中H是个矩阵,其第(i,j)个分量的yiyjk(Xl,Xj),Hh去除第h个特征后得到的 矩阵;
[0034] 步骤3-4 :对队进行排序,去除Dh最小的特征,重新构建核函数矩阵;
[0035] 步骤3-5 :重复步骤3-2至3-4直到只剩下一个特征;
[0036] 步骤3-6 :根据步骤3-2中得到的识别精度,选择最优的特征组合。
[0037] 进一步地,步骤4中得到的所述分类器训练过程有以下步骤:
[0038] 步骤4-1 :使用步骤3-6中得到的特征向量构建核函数矩阵:
[0040] 步骤4-2:求解线性方程组:
[0042] 得到最小二乘支持向量机的参数(a,b);
[0043] 步骤4-2 :对于测试样本x,即可通过计算:
[0045] 通过比较y(x)与预先设定的输出类别值进行比较来判断测试样本的类别。
[0046] 进一步地,步骤5中的小波包矩阵的构建方法包括以下几个步骤:
[0047] 步骤5-1 :由步骤3-6得到了最优特征组合,特征对应的小波包节点序号表示为 [Q0,Q1,…,QJ,使用Mallat算法对单位向量ei进行小波包变换,并按照下式构建小波包矩 阵:
[0048]
[0049] 其中ei长度为N的单位向量,第i个元素为1,其余元素为0 ;灰P/产是小波包操作 算子,将信号^分解到第L层第Q。个节点;依据特征降维方法选择出的小波包节点构建相 应的小波包矩阵;
[0050] 步骤5-2 :对于在线得到的一个数据单元X,选定节点的小波包系数可通过下式得 到:
[0051] WPC =WPl ? X
[0052] 步骤5-3 :通过分离步骤5-2中的小波包系数得到各个节点的小波包系数,并计算 相应的节点能量即可构建用于在线检测的特征向量。
[0053] 本发明的主要思路在于,车削颤振往往发生在特定的频率带,颤振发生时在力信 号的傅里叶频谱中会有明显的频率集中。小波包节点能量是一种有效刻画信号能量分布的 特征向量,其在颤振检测中有很大的潜力。同时,小波包分解层数越高,小波包节点能量的 频率分辨率越高,可得到更多的信息。因此,本发明中使用更高层(第六层)的小波包节点 能量作为特征向量。为了解决特征过多而导致的算法耗时长和准确性变差的问题,本发明 提出一种基于最小二乘支持向量机-回归特征消除的特征降维方法被用来消去冗余的特 征,选出最优秀的几个特征。在线检测过程中,只需要构建选出的那几个特征组成特征向 量,输入最小二乘支持向量机分类器来进行颤振检测,提高了颤振识别的稳定性和快速性。
[0054] 这种基于小波包节点能量、回归特征消除和最小二乘支持向量机的颤振检测方法 主要包含以下步骤:
[0055] 步骤1 :首先通过车削实验获取稳定车削状态下的切削力信号,然后在实验中采 用较大的切削参数以激发出颤振状态获得相应的力信号,以此作为离线数据。
[0056] 步骤2 :使用小波包变换将力信号分解到第六层,得到小波系数。对第六层的64个 节点分别计算节点能量,得到64维的特征向量。对所有数据处理完后即可获得相应的离线 特征向量集。
[0057] 步骤3 :使用最小二乘支持向量机-回归特征消除方法对步骤2中得到的64维特 征向量进行降维,每一步消去一个最不重要的特征,最后根据特征消除过程中的检测结果, 得到最优秀的特征组合,每个特征对应一个小波包节点。
[0058] 步骤4 :使用步骤3中选出的比较优秀的特征组合来训练最小二乘支持向量机分 类器(LSSVM)。
[0059] 步骤5 :在在线检测过程中,使用小波包矩阵进行小波包变换,将信号分解到步骤 3中选定的小波包节点。
[0060] 步骤6 :利用步骤5得到的小波节点系数计算节点能量,构造出维数较低的特征向 量。
[0061] 步骤7 :使用步骤6得到的特征向量输入步骤4中训练出的最小二乘支持向量机 分类器,得到颤振检测结果。
[0062] 与现有技术相比,本发明的有益效果是主要在以下两个方面:
[0063] (1)使用第六层的小波包节点能量构造特征向量而不是目前一般使用的三层小波 包节点能量,得到了更多的切削状态信息并且更准确的检测颤振,这样,颤振检测精度得到 一定的提尚。
[0064] (2)使用最小二乘支持向量机-回归特征消除的方法来进行特征降维,消除高维 特征向量中的冗余信息,提高算法实时特性的同时提高了颤振识别的精度。
[0065] 以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以 充分地了解本发明的目的、特征和效果。
【附图说明】
[0066] 图1为基于小波包节点能量、回归特征消除和最小二乘支持向量机的颤振检测的 流程图;
[0067] 图2为最小二乘支持向量机-回归特征消除的算法实现流程图。
[0068] 图3为特征降维过程中颤振检测结果对比;
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1