信号输入
信 号 预 处 理
小波包分解与重构
支 持 向 量 机
特征提取(能量)
故 障 模 式 识 别
图 1 刀具故障诊断流程图
(1)对预处理后的AE信号进行三层小波包分解,为了防止故障特征向量的维数过大选择了小波包分解树结构。用(0,0)表示原信号,(j,k)表示小波包分解第j层的第k个频带的小波系数。如图2。
(0,0)
(1,0)
(1,1)
(2,0)
(2,1)
(2,2)
(2,3)
(3,0)
(3,1)
(3,2)
(3,3)
(3,4)
(3,5)
(3,6)
(3,7)
图 2 分解结构
(2)对各小波包系数进行重构,有选择地提取频带范围的信号。
(3)对重构后的信号求取各频带的能量,用分解信号能量占总能量的百分比作为反映设备运行状态。
设小波包分解后第j层的第k个频带的重构信号对应的信号能量为,则有
其中,k=0,1,2,…, -1 (10)式中:N表示数据长度;表示重构信号的离散点的幅值。
信号总能量E等于各子频带的能量之和,即
(11)进行能量归一化可得到小波包特征提取的特征向量
(12)
(4)按一对多分类算法建立3个两类分类器,将多类问题转化为两类问题[5,10]选用径向基(RBF)核函数,对提取的特征向量作为故障数据样本进行训练,对待测样本故障判断。
5 实验分析与结果
5.1试验过程
试验在数控车床上进行,切削速度:2.54 cm/s;切削用量:0.013 mm/转;切削深度:4.3 mm;工件材料:AISII018;刀片材料:TNMA432;采样频率:4MHz;采样点数:4096;滤波截止频率:100K-1MHz。
在研究中根据刀具磨损量的不同分成新刀、轻度磨损、严重磨损3种状态进行,对相应的状态进行故障特征提取,将这3种运行状态的各10组信号时域波形,用小波包函数“db5”对AE信号进行三层小波包分解和重构,对重构后的信号在每个频段上求取能量值,进而得到信号的特征向量,然后对这些数据进行规范化处理,作为设计的支持向量机分类器的训练样本,以此确定特征向量与刀具运行状态之间的关系。根据上述的训练样本,按判别式(8)分别建立对应3种刀具状态的3个两类分类器,它们的支持向量的个数分别为10,8,10。每个两类分类器可从3种刀具状态中识别出处于什么状态。将3个两类分类器按二叉树形式组合,便成为1个可分离3种刀具状态的故障分类器。
5.2实验分析
为了验证建立的故障分类器,对刀具的新刀状态、初期磨损和严重磨损状态各模拟3组时域的数据样本,经小波包分解后提取得到的特征向量如表3 。将表3 的特征向量输入到故障分类器中,得到的分类结果如表4 。从表4 得知建立的故障分类器是切实可行的。新刀状态和严重磨损状态的AE信号时域波形如图3,4。
图 3 新刀状态AE信号时域波形
图 4 严重磨损状态AE信号时域波形
表 3 刀具特征向量样本
运行状态
特征向量
各个频段能量百分比
E(3,0)
E(3,1)
E(3,2)
E(3,3)
E(3,4)
E(3,5)
E(3,6)
E(3,7)
新刀状态
X1
0.4284
0.3937
0.0282
0.1294
0.0002
0.0013
0.0131
0.0056
新刀状态
X2
0.4301
0.3829
0.0279
0.1296
0.0002
0.0012
0.011
0.0046
初期磨损
X3
0.6026
0.2852
0.0136
0.0699
0.0001
0.0007
0.0065
0.0029
初期磨损
X4
0.5823
0.3033
0.0146
0.0756
0.0001
0.0013
0.0089
0.0034
严重磨损
X5
0.8467
0.1343
0.0022
0.0147
0.0001
0.0002
0.0012
0.0006
严重磨损
X6
0.8236
0.1445
0.0028
0.0158
0.0001
0.0004
0.0021
0.0008
表 4 识别结果
输入向量
SVM1
SVM2
SVM3
输出结果
X1
1
-1
-1
新刀状态
X2
1
-1
-1
新刀状态
X3
-1
1
-1
初期磨损
X4
-1
1
-1
初期磨损
X5
-1
-1
1
严重磨损
X6
-1
-1
1
严重磨损
6 结论
在小波包提取特征向量的基础上,建立了基于支持向量机的多故障分类器。这种诊断方法具有算法简单、训练时间短、诊断精度高等优点,表现出良好的鲁棒性和分类能力,能较好地解决刀具故障诊断中状态的识别问题。
参考文献
【1】 陈新全,李西南,邓 敏 .金属切削过程中的声发射现象及其研究的意义[J].长沙电力学院学报,2001,16(1):75~76
【2】 RABINI R, MENEGHETTJ U. Application of the envelope and wavelet transform analysis for the diagnosis of incipient faults in ball bearings [J].Mechanical Systems and Signal Processing, 2001, 15(2):287~302
【3】WANG W J. Wavelet for detecting mechanical faults with high sensitivity [J]. Mechanical System and Signal Pnocessing,2001,15(4):685~696
【4】周小勇,叶银忠.小波分析在故障诊断中的应用[J].控制工程,2006,13(1):70~73.
【5】 袁胜发,褚福磊.SVM多类分类算法及其在故障诊断中的应用[J].振动工程学报,2004,17(5) :420~422
【6】 BURGES J C C. A tutorial on support vector machine for pattern recognition [J]. Data Mining and Knowledge Discovery, 1998, (2):121~167
【7】 VAPNIK V. Statistical learning theory [M]. New York: John Wiley&Sons, 1998
【8】 ZHANG Ling, HANG Bo. Relationship between supper vector set and kerel functions based SVM and three-layer feedforword networks [J].Chinese J of Computer, 2002, 25(7):1~5
【9】何正嘉,管艳阳,孟庆丰,等.机械设备非平稳信号的故障诊断原理及应用[M].北京:高等教育出版社,2000
【10】 GUNN S R. Support vector machines for classification and regression[R]. Southampton: Department of Electronics and Computer Science, University of Southampton, 1998