一種車削顫振檢測方法
【技術領域】
[0001] 本發明涉及故障檢測技術領域，特別是涉及數控機床車削顫振的檢測技術。
【背景技術】
[0002] 切削顫振是機床閉環切削系統的動態不穩定現象，它是發生在切削刀具與工件之 間的劇烈振動。顫振的發生會影響生產效率以及加工質量，同時還可引起過度噪音，刀具損 壞等，對產品質量、刀具及機床設備等的危害已毋庸質疑。數控機床的車削狀態可反映在機 床的振動信號中，通過檢測機床狀態并實施相應的控制策略，可有效的保證加工產品的質 量和提高生產效率，同時減輕刀具磨損。隨著現代制造業向高度自動化和精密化方向發展 的不斷深入，妥善解決加工過程中引發的顫振問題，發展切削顫振的檢測技術具有重要的 意義。
[0003]目前主要的顫振檢測方法是振動分析，數控機床的車削狀態可反映在機床的振動 信號中，尤其是力信號和加速度信號，含有豐富的切削狀態信息，并且能夠直觀地反應切削 狀態。之前有很多學者通過信號處理方法來進行顫振檢測。主要可分為以下三類：第一類 是信號頻率域的分析，如傅里葉變換，小波分解和希爾伯特變換等。第二類是統計學方法， 如排列熵，近似熵等，這類方法中熵的計算具有較高的計算復雜度。第三類是模式識別方 法，主要有人工神經網絡、案例推理、支持向量機等，這種方法將顫振問題轉化為分類問題， 可利用多個特征綜合判斷顫振的發生，一定程度上保證了顫振檢測可靠性。然而這種算法 一般會綜合較多的特征，特征中含有較多的冗余的信息，這對顫振識別準確率和算法執行 速度造成影響。
[0004] 由于切削系統發生顫振具有突發性和不確定性，從正常切削到發生顫振歷時很 短，一般在幾十毫秒以內。因此，需要顫振檢測的算法具有快速高效的特點，同時能可靠的 檢測出顫振。
[0005] 因此，本領域的技術人員致力于開發一種車削顫振檢測方法，相對于目前諸多顫 振檢測方法具有速度快、識別準確度高的特點，有效保證了加工安全和產品質量。
【發明內容】
[0006] 為了克服上述現有技術的不足，本發明提供了一種快速有效的車削顫振檢測方 法。該方法主要是對基于模式識別的顫振檢測方法的改進，提高顫振識別的快速性和穩定 性。
[0007] 為了實現上述目的，本發明提供了一種車削顫振檢測方法，所述方法包括以下步 驟：
[0008] 步驟1 :通過車削實驗獲取穩定車削狀態下的切削力信號，然后在所述車削實驗 中采用較大的切削參數以激發出顫振狀態獲得相應的力信號，離線數據包括所述穩定狀態 切削力信號和所述顫振狀態切削力信號；
[0009] 步驟2 :使用小波包變換將所述顫振狀態切削力信號分解到第六層，得到小波系 數；對所述第六層的64個節點分別計算節點能量，得到64維的特征向量；離線特征向量集 的構建來自于對所述離線數據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-回歸特征消除（LSSVM-RFE)方法對步驟2中 得到的所述64維特征向量進行特征降維，每一步消去一個最不重要的特征，最后根據特征 消除過程中的檢測結果，得到最優秀的特征組合，每個特征對應一個小波包節點；
[0011] 步驟4 :使用步驟3中選出的所述最優秀的特征組合來訓練最小二乘支持向量機 分類器（LSSVM);
[0012] 步驟5 :在在線檢測過程中，使用小波包矩陣的方法進行小波包變換，將所述顫振 狀態切削力信號分解到步驟3中選定的所述小波包節點；
[0013] 步驟6 :利用步驟5得到的小波節點系數計算節點能量，構造出維數較低的特征向 量；
[0014] 步驟7 :使用步驟6得到的所述維數較低的特征向量輸入步驟4中得到的所述最 小二乘支持向量機分類器，得到顫振檢測結果。
[0015] 進一步地，所述步驟2中的所述特征向量的構建包括以下步驟：
[0016] 步驟2-1 :對所述顫振狀態切削力信號進行加窗，取無重疊的1024個點作為一個 數據處理單元；
[0017] 步驟2-2 :對步驟2-1的一個數據處理單元信號f。1 (t)按下式進行分解：
[0019] 其中h(k)和g(k)分別是低通濾波器系數和高通濾波器系數，f/是第j層第i個 節點的小波包系數；
[0020] 步驟2-3 :重復步驟2-2直到分解到第六層，得到每個節點的小波包系數f/(i= 1,2, -64,j= 6)；
[0021] 步驟2-4 :計算每個節點的能量⑴構成一個64維的特征向量；
[0022] 步驟2-5 :重復步驟2-2至步驟2-4,直到所有所述數據處理單元均處理完，得到特 征向量集{^7;)}; = 1,2,..^，其中1^是樣本個數4￡1^(11 = 64)輸入特征向量，7#1?是 輸出類別。
[0023] 進一步地，步驟3中的所述最小二乘支持向量機-回歸特征消除的方法包括以下 步驟：
[0024] 步驟3-1 :隨機選取步驟2-5得到的所述特征向量集中的一半樣本作為訓練樣本， 剩余的另一半樣本作為測試樣本；使用所述訓練樣本按照下式來構建核函數矩陣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模型（a，b);將測試樣本X，帶入最小二乘支持向量機 分類器：
[0030] 通過比較y(x)與預先設定的輸出類別值來判斷測試樣本的類別，將所有測試樣 本代入后可以得到當前特征組合小的識別精度；
[0031 ] 步驟3-3 :計算每個特征的代價函數
[0032] D, Ha -a! H ha)
[0033] 其中H是個矩陣，其第（i，j)個分量的yiyjk(Xl，Xj)，Hh去除第h個特征后得到的 矩陣；
[0034] 步驟3-4 :對隊進行排序，去除Dh最小的特征，重新構建核函數矩陣；
[0035] 步驟3-5 :重復步驟3-2至3-4直到只剩下一個特征；
[0036] 步驟3-6 :根據步驟3-2中得到的識別精度，選擇最優的特征組合。
[0037] 進一步地，步驟4中得到的所述分類器訓練過程有以下步驟：
[0038] 步驟4-1 :使用步驟3-6中得到的特征向量構建核函數矩陣：
[0040] 步驟4-2:求解線性方程組：
[0042] 得到最小二乘支持向量機的參數（a，b);
[0043] 步驟4-2 :對于測試樣本x，即可通過計算：
[0045] 通過比較y(x)與預先設定的輸出類別值進行比較來判斷測試樣本的類別。
[0046] 進一步地，步驟5中的小波包矩陣的構建方法包括以下幾個步驟：
[0047] 步驟5-1 :由步驟3-6得到了最優特征組合，特征對應的小波包節點序號表示為 [Q0,Q1，…，QJ，使用Mallat算法對單位向量ei進行小波包變換，并按照下式構建小波包矩 陣：
[0048]
[0049] 其中ei長度為N的單位向量，第i個元素為1，其余元素為0 ;灰P/產是小波包操作 算子，將信號^分解到第L層第Q。個節點；依據特征降維方法選擇出的小波包節點構建相 應的小波包矩陣；
[0050] 步驟5-2 :對于在線得到的一個數據單元X，選定節點的小波包系數可通過下式得 到：
[0051] WPC =WPl ? X
[0052] 步驟5-3 :通過分離步驟5-2中的小波包系數得到各個節點的小波包系數，并計算 相應的節點能量即可構建用于在線檢測的特征向量。
[0053] 本發明的主要思路在于，車削顫振往往發生在特定的頻率帶，顫振發生時在力信 號的傅里葉頻譜中會有明顯的頻率集中。小波包節點能量是一種有效刻畫信號能量分布的 特征向量，其在顫振檢測中有很大的潛力。同時，小波包分解層數越高，小波包節點能量的 頻率分辨率越高，可得到更多的信息。因此，本發明中使用更高層（第六層）的小波包節點 能量作為特征向量。為了解決特征過多而導致的算法耗時長和準確性變差的問題，本發明 提出一種基于最小二乘支持向量機-回歸特征消除的特征降維方法被用來消去冗余的特 征，選出最優秀的幾個特征。在線檢測過程中，只需要構建選出的那幾個特征組成特征向 量，輸入最小二乘支持向量機分類器來進行顫振檢測，提高了顫振識別的穩定性和快速性。
[0054] 這種基于小波包節點能量、回歸特征消除和最小二乘支持向量機的顫振檢測方法 主要包含以下步驟：
[0055] 步驟1 :首先通過車削實驗獲取穩定車削狀態下的切削力信號，然后在實驗中采 用較大的切削參數以激發出顫振狀態獲得相應的力信號，以此作為離線數據。
[0056] 步驟2 :使用小波包變換將力信號分解到第六層，得到小波系數。對第六層的64個 節點分別計算節點能量，得到64維的特征向量。對所有數據處理完后即可獲得相應的離線 特征向量集。
[0057] 步驟3 :使用最小二乘支持向量機-回歸特征消除方法對步驟2中得到的64維特 征向量進行降維，每一步消去一個最不重要的特征，最后根據特征消除過程中的檢測結果， 得到最優秀的特征組合，每個特征對應一個小波包節點。
[0058] 步驟4 :使用步驟3中選出的比較優秀的特征組合來訓練最小二乘支持向量機分 類器（LSSVM)。
[0059] 步驟5 :在在線檢測過程中，使用小波包矩陣進行小波包變換，將信號分解到步驟 3中選定的小波包節點。
[0060] 步驟6 :利用步驟5得到的小波節點系數計算節點能量，構造出維數較低的特征向 量。
[0061] 步驟7 :使用步驟6得到的特征向量輸入步驟4中訓練出的最小二乘支持向量機 分類器，得到顫振檢測結果。
[0062] 與現有技術相比，本發明的有益效果是主要在以下兩個方面：
[0063] (1)使用第六層的小波包節點能量構造特征向量而不是目前一般使用的三層小波 包節點能量，得到了更多的切削狀態信息并且更準確的檢測顫振，這樣，顫振檢測精度得到 一定的提尚。
[0064] (2)使用最小二乘支持向量機-回歸特征消除的方法來進行特征降維，消除高維 特征向量中的冗余信息，提高算法實時特性的同時提高了顫振識別的精度。
[0065] 以下將結合附圖對本發明的構思、具體結構及產生的技術效果作進一步說明，以 充分地了解本發明的目的、特征和效果。
【附圖說明】
[0066] 圖1為基于小波包節點能量、回歸特征消除和最小二乘支持向量機的顫振檢測的 流程圖；
[0067] 圖2為最小二乘支持向量機-回歸特征消除的算法實現流程圖。
[0068] 圖3為特征降維過程中顫振檢測結果對比；