一種基于LMD與HMM的刀具磨損故障診斷方法
2020-12-11 來(lái)源：陜西工業(yè)職業(yè)技術(shù)學(xué)院教務(wù)處 作者：鄧豐曼
摘要: 針對(duì)機(jī)床刀具磨損故障信號(hào)難以提取且診斷結(jié)果錯(cuò)誤率高的問(wèn)題，提出了基于局部均值分解( LMD) 與隱馬爾科夫模型( HMM) 的機(jī)床刀具磨損故障診斷方法。首先，運(yùn)用 LMD 對(duì)采集的機(jī)床刀具磨損信號(hào)進(jìn)行濾波并分解成一系列頻帶不同的乘積分量( PF) 信號(hào)，待選取有效的 PF 并進(jìn)行加權(quán)處理后輸入到已經(jīng)訓(xùn)練收斂的 HMM 模型庫(kù)分類(lèi)器，眾多 HMM 模型根據(jù)輸入特征信號(hào)識(shí)別信號(hào)故障。最后通過(guò)實(shí)驗(yàn)驗(yàn)證了基于 LMD － HMM 的機(jī)床刀具磨損故障診斷方法的有效性和實(shí)用性。
關(guān)鍵詞: 刀具磨損; 故障診斷; 局部均值分解; 隱馬爾科夫模型
數(shù)控機(jī)床作為加工制造過(guò)程中最重要的生產(chǎn)工具，其能否高質(zhì)量、長(zhǎng)時(shí)間穩(wěn)定運(yùn)行直接決定產(chǎn)品的質(zhì)量［1］，而刀具作為數(shù)控機(jī)床的直接“操盤(pán)手”，它能否穩(wěn)定工作則決定了產(chǎn)品的加工精度。當(dāng)?shù)毒唛L(zhǎng)時(shí)間使用后，刀具與工件之間的磨損對(duì)刀具的損傷不可避免，故為避免刀具磨損給加工制造過(guò)程中的經(jīng)濟(jì)利益造成損失，及時(shí)更換受損刀具具有重要意義［2］。基于此，國(guó)內(nèi)外學(xué)者對(duì)刀具磨損故障診斷進(jìn)行了深入研究。例如，Benkedjouh 等［3］運(yùn)用盲源分離技術(shù)( blind source separation，BSS) 與連續(xù)小波變換( continuous wavelet transform，CWT) 對(duì)刀具磨損故障進(jìn)行實(shí)時(shí)監(jiān)測(cè)并預(yù)測(cè)其剩余使用壽命( remaininguseful life，ＲUL) ，該方法基于高維特征空間中非線性回歸函數(shù)計(jì)算，并通過(guò)非線性函數(shù)映射來(lái)輸入數(shù)據(jù)從而得到故障特征，實(shí)驗(yàn)結(jié)果表明該方法能有效地反映銑削過(guò)程中刀具的性能退化。Wang 等［4］提出了一種基于多尺度主成分分析( MSPCA) 的銑削過(guò)程刀具磨損在線監(jiān)測(cè)方法，該方法利用小波多分辨率分析，將正常運(yùn)行條件下的訓(xùn)練樣本集分解成不同的尺度后進(jìn)行故障診斷，分析和比較結(jié)果表明，MSPCA 具有更高的故障診斷精度。
近幾年，國(guó)內(nèi)學(xué)者對(duì)刀具故障診斷開(kāi)展了深入研究。為監(jiān)測(cè)機(jī)床刀具磨損程度，劉智鍵等［5］提出了一種基于小波包理論( WPD) 、經(jīng)驗(yàn)?zāi)B(tài)分解( EMD) 以及支持向量機(jī)( SVM) 等相結(jié)合的刀具故障診斷方法，該方法能夠有效地判別刀具磨損程度。李巍等6］根據(jù)刀具磨損狀態(tài)不同時(shí)其不同頻帶的能量不同，將小波包分解方法和基于神經(jīng)網(wǎng)絡(luò)的模糊系統(tǒng)融合器相結(jié)合，用于車(chē)刀狀態(tài)診斷，診斷效果明顯。
LMD ( local mean decomposition，局 部 均 值 分解)［7 － 8］是一種新的非平穩(wěn)信號(hào)處理方法，它在抑制端點(diǎn)效應(yīng)、減少迭代次數(shù)和保留信號(hào)信息完整性等方面具有優(yōu)勢(shì)［9］; HMM( hidden Markov model，隱馬爾科夫模型)［10 － 11］是一種時(shí)間序列的統(tǒng)計(jì)模型，對(duì)于包含大量豐富信息，非平穩(wěn)、低重復(fù)性和復(fù)現(xiàn)性的信號(hào)，它具有很強(qiáng)的模式分類(lèi)能力［12］。筆者針對(duì)刀具故障磨損信號(hào)的特點(diǎn)，綜合 LMD 信號(hào)處理方法的優(yōu)勢(shì)與 HMM 具有很強(qiáng)分類(lèi)能力的優(yōu)點(diǎn)，提出了基于 LMD － HMM 的機(jī)床刀具磨損故障診斷方法。
1 、基于 LMD － HMM 的信號(hào)處理方法
基于 LMD － HMM 的刀具磨損故障診斷方法能夠?qū)Φ毒吣p信號(hào)準(zhǔn)確處理的同時(shí)，還可以對(duì)故障類(lèi)型進(jìn)行自動(dòng)判別分類(lèi)。其故障診斷流程如圖 1 所示。
圖 1 刀具磨損故障診斷流程圖
1．1 基于 LMD 的刀具磨損故障特征
提取對(duì)刀具磨損故障做出準(zhǔn)確識(shí)別判斷前，需對(duì)故障特征信號(hào)進(jìn)行有效提取，其具體步驟如下:步驟 1，提取刀具磨損信號(hào)，并對(duì)該提取信號(hào)進(jìn)行濾波預(yù)處理以消除低頻噪聲的干擾。步驟 2，運(yùn)用 LMD 方法對(duì)經(jīng)過(guò)預(yù)處理的信號(hào)進(jìn)行分解，分解出若干個(gè)乘積分量( product function，PF) PFi( i = 1，2，…，n，n ∈ N) ，每個(gè)分量代表特定頻帶的信號(hào)，故 LMD 信號(hào)處理方法可理解為將完整信號(hào)“剝離”成若干具有特定頻帶的特征信號(hào)分量。步驟 3，由于 LMD 的端點(diǎn)效應(yīng)、滑動(dòng)補(bǔ)償以及循環(huán)終止條件選取等問(wèn)題將造成分解結(jié)果中有虛假分量的存在，這將對(duì)分解準(zhǔn)確性造成影響，故需要對(duì)產(chǎn)生的虛假分量進(jìn)行去除。
本文采用求取各 PFi分量與原始信號(hào)的相關(guān)系數(shù)來(lái)消除虛假分量的影響。步驟 4，選取相關(guān)系數(shù)并加入到 PFi分量中，然后對(duì)每個(gè) PFi求取能量值 Ei，即：
1．2 基于 HMM 的刀具磨損故障識(shí)別模型
將經(jīng)過(guò) LMD 分解后并進(jìn)行故障特征提取的特征向量 T 運(yùn)用通訊領(lǐng)域編碼技術(shù)中的 Lloyds 算法對(duì)齊進(jìn)行量化處理，然后輸入 3個(gè) HMM 模型( 正常狀態(tài)、前期磨損狀態(tài)以及后期磨損狀態(tài)) 進(jìn)行訓(xùn)練，待每個(gè) HMM 故障診斷模型訓(xùn)練收斂后，對(duì)每個(gè)模型重新輸入未知故障的故障特征向量得出似然概率值并識(shí)別故障類(lèi)型。
2 、實(shí)驗(yàn)驗(yàn)證
在 CK0620 加工中心上安裝 YT － 15 硬質(zhì)合金刀具對(duì)回轉(zhuǎn)體零件進(jìn)行車(chē)削，主軸轉(zhuǎn)速為 1500r / min，切削深度為 0．2 mm，進(jìn)給量為 0．1 mm / r，采樣頻率為 51 200 Hz，得到 3 種狀態(tài)的振動(dòng)信號(hào)數(shù)據(jù)如圖 2 ～4 所示。
圖 2 刀具正常磨損信號(hào)
圖 3 刀具前期磨損信號(hào)
圖 4 刀具后期磨損信號(hào)
根據(jù)刀具后刀面磨損值將刀具磨損情況分為 3種情況: 當(dāng) VB ＜ 0．1 mm 時(shí)為正常切削( VB為刀具后刀面平均磨損量) ; 當(dāng) 0．1 mm≤ VB ＜ 0．2 mm 時(shí)為前期磨損; 當(dāng) VB ≥ 0．3 mm
時(shí)為后期磨損［13］; 當(dāng)0．2 mm≤ VB ＜ 0．3 mm 時(shí)，為中期磨損，本文不做考慮。分別采集 3 種狀態(tài)的信號(hào)，每種信號(hào)共采集40 組標(biāo)定為訓(xùn)練樣本，每組 4096 個(gè)點(diǎn)。3 種狀態(tài)的原始信號(hào)如圖 2 ～4 所示。
首先，將 3 種信號(hào)的前 40 組數(shù)據(jù)進(jìn)行 LMD 分解( 如圖 5 所示，為簡(jiǎn)化表示，只列出刀具后期磨損故障 LMD 分解結(jié)果) 并求取相關(guān)系數(shù)( 表 1) ; 然后對(duì)處理好的數(shù)據(jù)進(jìn)行歸一化并標(biāo)量量化得到特征向量; 最后將 3 種特征向量輸入將要訓(xùn)練的 HMM 模型，即 HMM1( 正常狀態(tài)) 、HMM2( 前期磨損狀態(tài)) 以及 HMM3( 后期磨損狀態(tài)) ，待模型收斂后停止輸入。一般情況下，模型訓(xùn)練 36 次即可達(dá)到收斂狀態(tài)。
表 1 后期磨損信號(hào) PF 分量與原始信號(hào)的相關(guān)系數(shù)
圖 5 刀具后期磨損信號(hào)
LMD 分解結(jié)果隨后，重新采集包括 3 種狀態(tài)的未知刀具磨損狀態(tài)信號(hào)，每類(lèi)共采集 20 組，同樣經(jīng)過(guò) LMD 分解、選取 PFi分量并求取相關(guān)系數(shù)，然后經(jīng)過(guò)歸一化以及標(biāo)量量化處理后得到特征向量，最后分別輸入 3種狀態(tài) HMM 模型進(jìn)行故障類(lèi)型判別。結(jié)果如圖6 ～ 8 所示。
圖 6 刀具正常狀態(tài) HMM 模型識(shí)別效果
圖 7 刀具前期磨損狀態(tài) HMM 模型識(shí)別效果
圖 8 刀具后期磨損狀態(tài) HMM 模型識(shí)別效果
由圖 6 ～8 可知，刀具正常磨損狀態(tài)識(shí)別率達(dá)到了 100% ，前期磨損狀態(tài)識(shí)別率達(dá)到 90% ，后期磨損狀態(tài)識(shí)別率達(dá)到了 95% 。
3 、結(jié)束語(yǔ)
本文提出的基于 LMD － HMM 刀具磨損故障診斷方法能夠準(zhǔn)確地對(duì)刀具 3 種狀態(tài)進(jìn)行識(shí)別，故障識(shí)別率達(dá)到了 90% 以上，證明了該方法的有效性和實(shí)用性。
該方法對(duì)刀具磨損信號(hào)準(zhǔn)確識(shí)別的優(yōu)勢(shì)使其能夠被用在機(jī)床刀具磨損故障自動(dòng)識(shí)別以及其它旋轉(zhuǎn)機(jī)械故障易發(fā)領(lǐng)域，為相關(guān)領(lǐng)域的故障及時(shí)診斷和處理提供了參考。
投稿箱：
如果您有機(jī)床行業(yè)、企業(yè)相關(guān)新聞稿件發(fā)表，或進(jìn)行資訊合作，歡迎聯(lián)系本網(wǎng)編輯部， 郵箱：skjcsc@vip.sina.com
如果您有機(jī)床行業(yè)、企業(yè)相關(guān)新聞稿件發(fā)表，或進(jìn)行資訊合作，歡迎聯(lián)系本網(wǎng)編輯部， 郵箱：skjcsc@vip.sina.com
更多相關(guān)信息
業(yè)界視點(diǎn)
| 更多
行業(yè)數(shù)據(jù)
| 更多
- 2025年6月 新能源汽車(chē)銷(xiāo)量情況
- 2025年6月 新能源汽車(chē)產(chǎn)量數(shù)據(jù)
- 2025年6月 基本型乘用車(chē)（轎車(chē)）產(chǎn)量數(shù)據(jù)
- 2025年6月 軸承出口情況
- 2025年6月 分地區(qū)金屬切削機(jī)床產(chǎn)量數(shù)據(jù)
- 2025年6月 金屬切削機(jī)床產(chǎn)量數(shù)據(jù)
- 2025年5月 新能源汽車(chē)銷(xiāo)量情況
- 2025年5月 新能源汽車(chē)產(chǎn)量數(shù)據(jù)
- 2025年5月 基本型乘用車(chē)（轎車(chē)）產(chǎn)量數(shù)據(jù)
- 2025年5月 軸承出口情況
- 2025年5月 分地區(qū)金屬切削機(jī)床產(chǎn)量數(shù)據(jù)
- 2025年5月 金屬切削機(jī)床產(chǎn)量數(shù)據(jù)
- 2025年4月 新能源汽車(chē)銷(xiāo)量情況
博文選萃
| 更多
- 機(jī)械加工過(guò)程圖示
- 判斷一臺(tái)加工中心精度的幾種辦法
- 中走絲線切割機(jī)床的發(fā)展趨勢(shì)
- 國(guó)產(chǎn)數(shù)控系統(tǒng)和數(shù)控機(jī)床何去何從？
- 中國(guó)的技術(shù)工人都去哪里了？
- 機(jī)械老板做了十多年，為何還是小作坊？
- 機(jī)械行業(yè)最新自殺性營(yíng)銷(xiāo)，害人害己！不倒閉才
- 制造業(yè)大逃亡
- 智能時(shí)代，少談點(diǎn)智造，多談點(diǎn)制造
- 現(xiàn)實(shí)面前，國(guó)人沉默。制造業(yè)的騰飛，要從機(jī)床
- 一文搞懂?dāng)?shù)控車(chē)床加工刀具補(bǔ)償功能
- 車(chē)床鉆孔攻螺紋加工方法及工裝設(shè)計(jì)
- 傳統(tǒng)鉆削與螺旋銑孔加工工藝的區(qū)別