EMD和SVM在刀具故障诊断中的应用.pdfVIP

2010年10月 沈阳航空工业学院学报 第27卷第5期 JournalofShenyangInstituteofAeronauticalEngineering 0et．2010 V01．27 No．5 文章编号：1007—1385(2010)05～0042—05 EMD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：A doi：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 突出了原始数据的局部特征，残余量体现了原始 程中不可避免地存在着磨钝和破损等现象，刀具 信号的中心趋势，对它们进行分析可以更准确有 磨损会严重损坏工件的几何尺寸和表面形状，因 效地把握原信号的特征信息。目前，该方法已广 此，刀具故障检测对于提高切削加工的自动化程 泛应用于旋转机械故障诊断中，但应用于刀具故 度和产品质量具有重要意义。由于金属切削过程 障检测的文章尚未见到。本文首先将采集到的声 中存在丰富的声发射信息，越来越多的学者开始 发射信号进行预处理，再利用EMD对信号进行分 研究基于声发射的刀具故障诊断检测技术。由传 解，得到若干个 IMF，通过一定的削减算法，增大 感器采集到的声发射信号，信号频率成分丰富，属 信号的特征并计算各个 IMF分量的能量，各个频 于典型的非平稳信号。采用传统的时域分析或者 带能量的变化可以清楚地揭示信号的内在本质信 频域分析都不能很好的对其进行分析。为此国内 息，因此可选用内禀模态能量作为特征向量，并由 外学者将时频分析方法应用于刀具故障信号的特 支持向量机分类器来识别刀具状态，该方法有效 征提取中，文献 [1]将采集到的刀具切削过程中 地避免了小波分解过程中小波基选取的困难，使 的声发射信号作为实验数据，对其进行 3层小波 用支持向量机作为分类器克服了文献 [2]中神经 包分解，分别将8个频段信号的功率作为特征向 网络容易陷入过学习、局部极小点等问题，实验结 量，以此来检测刀具的故障特征。文献 [2]利用 果表明该方法是有效的。 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 1 经验模态分解与支持向量机 具故障诊断。经验模态分解 (EMD)是近几年 比 1．1 经验模态分解 较热门的一种时频分析方法。该方法基于信号的 EMD方法从本质上讲是对信号进行平稳化 局部特征，将原始信号分解成一系列固有模特函