特征融合與GA－SVM在刀具狀態(tài)監(jiān)測中的應(yīng)用研究*

李順才 李 巍 吳明明

(江蘇師范大學機電工程學院，江蘇 徐州 221116)

刀具監(jiān)測實質(zhì)是模式識別問題，對刀具磨損狀態(tài)的預(yù)測準確率取決于反映刀具磨損狀態(tài)敏感特征的數(shù)量與質(zhì)量。為提高識別的穩(wěn)定性和準確率，研究者大多采用多個傳感器采集信號數(shù)據(jù)［1－3］，這雖然可以全面地反映刀具的狀態(tài)，但也勢必導(dǎo)致監(jiān)測成本的上升。

刀具切削過程中采集的振動信號為非線性、非平穩(wěn)信號。小波與小波包分析、經(jīng)驗?zāi)B(tài)分析(EMD)以及在此基礎(chǔ)上的總體經(jīng)驗?zāi)B(tài)分析(EEMD)可以較好地提取出與刀具磨損相關(guān)性大的局部信息。目前的研究基本上是將上述時頻分析方法單獨應(yīng)用，提取出信號所包含的刀具磨損特征。如樊寧［4］、湯為［5］、王細洋［6］、趙小林［7］等人利用小波分析法分別對反映刀具狀態(tài)的力信號、聲發(fā)射信號、電流信號和振動信號等進行分析，建立基于小波分析提取特征的刀具監(jiān)控系統(tǒng);李斌［8］、謝秀嫻［9］等人利用小波包法分別對聲發(fā)射信號和機床主軸電動機電流信號進行分析;王濤，徐濤［10］在對聲信號標準化之后進行EMD分解，將分解所得的各本征模態(tài)函數(shù)(IMF)通過削減算法增強故障特征，將優(yōu)化后IMF和殘余項的能量以及信號的削減比作為特征;陳群濤［11］等對振動信號進行EMD分解，提取出有限個IMF及殘余項，然后對各IMF進行獨立分量分析。關(guān)山［12］等對聲發(fā)射信號進行EMD分解，對分解所得的各個IMF進行自回歸建模，將各自回歸模型的系數(shù)作為支持向量機的輸入向量。張超［13］、聶鵬［14］等通過 EEMD 獲取無模態(tài)混疊的 IMF分量，將敏感 IMF的能量作為特征來進行刀具磨損監(jiān)控。

本文分別建立小波包分析模型、基于小波包的EMD分析模型和EEMD分析模型，用不同方法從不同角度挖掘振動信號所含有的信息，并將多個模型的特征進行融合，使傳感器的性能得到最大化利用，減少對傳感器數(shù)量的需求。在對融合所得特征進行降維后，輸入支持向量機(SVM)即可對刀具磨損狀態(tài)進行有效識別。目前，SVM在刀具磨損狀態(tài)監(jiān)測中得到了廣泛的應(yīng)用，取得了很好的效果。王濤，徐濤［10］建立基于SVM刀具磨損狀態(tài)的數(shù)學模型，通過試驗確認該方法的有效性。關(guān)山［12］等建立基于SVM的刀具磨損狀態(tài)的數(shù)學模型，實驗結(jié)果表明此方法能有效地識別刀具的磨損狀態(tài)。但SVM的懲罰參數(shù)c和核函數(shù)g的設(shè)置值極大地影響監(jiān)測效果，需要多次嘗試才能基本確定SVM模型，且無法確定是否為最優(yōu)。本文采用遺傳算法對c、g值進行自動尋優(yōu)，將所得最優(yōu)c、g設(shè)置為SVM模型的懲罰參數(shù)和核函數(shù)，改善了SVM的性能，提高了監(jiān)控的準確率。

1 特征融合法

特征融合法的步驟如圖1所示，具體說明如下:

(1)分別建立小波包分析、EEMD分析和基于小波包的EMD分析方法的數(shù)學模型，對振動信號進行分析分解。

(2)分別提取上述方法所得局部信號的均方根值(反映局部能量)作為特征，將3種方法所得特征組成特征集。

(3)利用主元分析法，提取特征集所蘊含的反映刀具磨損狀態(tài)變化的本質(zhì)特征，同時起到降維的作用。這里采用累積貢獻率法確定主元數(shù)量。

2 遺傳算法對SVM優(yōu)化步驟

SVM可以有效地處理小樣本問題，避免收斂于局部最優(yōu)、獲取全局最優(yōu)解，無需反復(fù)訓練學習，具有良好的泛化性能，同時解決了多維問題。但在使用SVM時，需要調(diào)整懲罰參數(shù)c和核函數(shù)g。如何對SVM參數(shù)進行優(yōu)化，并無公認的統(tǒng)一方法。采用遺傳算法對懲罰參數(shù)c和核函數(shù)g進行優(yōu)化，可以達成僅利用訓練集找到分類的最優(yōu)參數(shù)的目的，可以高準確率地預(yù)測訓練集和測試集，即使得SVM分類器的學習能力和推廣能力保持一個平衡，避免過學習和欠學習狀況產(chǎn)生。

遺傳算法對SVM的優(yōu)化流程如圖2所示，其關(guān)鍵步驟包括:

(1)初步建立SVM模型。

(2)隨機產(chǎn)生20組懲罰函數(shù)c和核函數(shù)g。

(3)運用遺傳算法對c和g編碼，經(jīng)過一次次的迭代進化，當滿足迭代終止條件時，輸出的末代種群對應(yīng)的便是問題的最優(yōu)解，在本課題中即為最優(yōu)的c和g。

(4)將最優(yōu)c和g設(shè)為SVM的c和g，訓練SVM，建立SVM最終模型，預(yù)測結(jié)果，計算分類準確率。

3 試驗結(jié)果及分析

本試驗以數(shù)控機床為基礎(chǔ)進行，工件材料為45號鋼，刀具型號為CCMT120408。采樣頻率為20000 Hz，采樣點數(shù)為400000 。采用壓電加速度傳感器分別采集48組共計192組給定車削參數(shù)下新刀、輕磨損、正常磨損和嚴重磨損狀態(tài)等4種狀態(tài)下刀具的振動信號，在4種狀態(tài)數(shù)據(jù)中抽出128組數(shù)據(jù)作為訓練樣本數(shù)據(jù)，將剩下的64組數(shù)據(jù)作為測試數(shù)據(jù)。

3.1 振動信號特征

圖3給出了在切削速度1900mm/s、進給量0.8mm/s、背吃刀量0.4mm條件下采集的不同磨損程度刀具的切削振動信號功率譜。從圖3中可以看到其特征(功率譜)集中在0 ～500 Hz，1000 ～1600 Hz，1600 ～2200 Hz，2800 ～3600 Hz，5500 ～6500 Hz之間。小波包法、EEMD法和基于小波包的EMD法能夠根據(jù)信號特點自適應(yīng)地將信號分解，因而能夠獲取振動信號中與刀具磨損相關(guān)的敏感特征信息。

3.2 單模型特征與多模型特征融合對比

小波包法是將信號自適應(yīng)分解在不同頻段，這樣就可以在特定的頻段中，突出特征信息，同時保有時間信息;基于小波包的EMD法利用小波包分解各個頻段的正交特點，將小波包方法運用到EMD分解過程中，較好地解決了模態(tài)混疊，有效地提高了EMD方法的分解能力;總體經(jīng)驗?zāi)B(tài)(EEMD)法則巧妙利用白噪聲均勻分布在整個時頻空間的特點，在待分析信號上加上均勻分布的白噪聲背景，來消除附加的噪聲。這3種方法均可有效地提取出與刀具磨損狀態(tài)敏感的特征信息。

表1為單模型提取出的特征和多模型特征融合后篩選所得特征與刀具磨損狀態(tài)相關(guān)性系數(shù)的對比。

表1 各特征與刀具磨損狀態(tài)相關(guān)系數(shù)對比

運用不同模型所得與刀具磨損狀態(tài)相關(guān)系數(shù)大于0.5的特征對比，發(fā)現(xiàn)4層16頻段小波包的第2、3、7和8頻段;基于小波包的經(jīng)驗?zāi)B(tài)分解IMF1的第4頻段、IMF3的第1頻段及總體經(jīng)驗?zāi)B(tài)分解的IMF4、IMF7與刀具磨損狀態(tài)相關(guān)性大于0.5。由表1可知，多模型融合后所得主元特征與刀具磨損狀態(tài)相關(guān)性更好。

3.3 SVM與GA－SVM預(yù)測效果對比

在對反映刀具磨損狀態(tài)的敏感特征進行提取后，需要以此為基礎(chǔ)，建立模型，對刀具磨損狀態(tài)進行識別與預(yù)測。本文采用的是SVM模型與通過遺傳算法優(yōu)化后的GA－SVM兩種模型。其中遺傳算法對SVM優(yōu)化所設(shè)定的參數(shù)為:進化代數(shù)200;種群數(shù)量20;交叉概率0.5;變異概率0.01;SVM Cross Validation參數(shù)3。

圖4與圖5分別為運用GA－SVM模型和SVM模型對刀具狀態(tài)的預(yù)測效果圖。

經(jīng)過遺傳算法的優(yōu)化后，無需對c，g值進行嘗試性選擇，即可計算出最優(yōu)c，g值，提升SVM的分類精度。圖4為測試集的GA－SVM預(yù)測效果圖，可知經(jīng)過優(yōu)化的SVM其測試準確率達到93.75%(60/64)，優(yōu)于圖5中未優(yōu)化之前的SVM預(yù)測效果。

4 結(jié)語

本文的研究結(jié)果表明，多模型提取信號特征，可以獲得比單模型更多的敏感特征，可以從不同角度更全面地反映刀具的磨損狀態(tài)，融合后，可以得到對刀具狀態(tài)更敏感的特征，為刀具模式識別提供基礎(chǔ)。經(jīng)遺傳算法優(yōu)化后的SVM(GA－SVM)較未優(yōu)化的SVM能更好地預(yù)測刀具的磨損狀態(tài)，且不需對懲罰參數(shù)c和核函數(shù)g進行嘗試。

［1］鄭金興，張銘鈞，孟慶鑫.多傳感器數(shù)據(jù)融合技術(shù)在刀具狀態(tài)監(jiān)測中的應(yīng)用［J］.傳感器與微系統(tǒng)，2007，26(4):90－92.

［2］朱曉嶺.多傳感器信息融合技術(shù)在銑削過程監(jiān)測中的應(yīng)用研究［D］.南昌:南昌航空大學，2010.

［3］張文思.基于多傳感器的切削過程監(jiān)測與優(yōu)化應(yīng)用研究［D］.上海:東華大學，2007.

［4］樊寧，郭培全，高子輝.基于小波分析的切削力信號特性研究［J］.機床與液壓，2009，37(1):162 －163.

［5］湯為.基于聲發(fā)射法的銑刀磨損狀態(tài)識別研究［D］.上海:上海交通大學，2009.

［6］王細洋，龍亮，郭敏，等.基于振動信號的刀具狀態(tài)監(jiān)控技術(shù)研究［J］. 南昌航空大學學報，2011，25(3):42 －47.

［7］趙小林，趙學智，陳統(tǒng)堅，等.刀具磨損的小波檢測［J］.工具技術(shù)，2001，35(2):39 －41.

［8］李斌，丁玉發(fā)，劉紅奇.小波包分析技術(shù)在電流刀具磨損監(jiān)測系統(tǒng)中的應(yīng)用［J］.心智與計算，2010，4(4):258 －264.

［9］謝秀嫻，付攀，曹偉青.聲發(fā)射和小波包分解技術(shù)在刀具磨損狀態(tài)中的應(yīng)用［J］.中國測試技術(shù)，2006，32(2):40－42.

［10］王濤，徐濤.基于EMD和SVM的刀具故障診斷方法［J］.工具技術(shù)，2011(45):63－67.

［11］陳群濤，石新華，邵華.基于振動信號EMD和ICA的刀具破損識別［J］.工具技術(shù)，2012，46(12):53－58.

［12］關(guān)山，王龍山，聶鵬.基于EMD與LS－SVM的刀具磨損識別方法［J］. 北京航空航天大學學報，2011，37(2):144 －148.

［13］張超，陳建軍.EEMD方法和EMD方法抗模態(tài)混疊對比研究［J］.振動與沖擊，2010，29(5):87 －90.

［14］聶鵬，徐洪垚，劉新宇，等.EEMD方法在刀具磨損狀態(tài)識別的應(yīng)用［J］. 傳感器與微系統(tǒng)，2012，31(5):147－149.