特征融合與GA－SVM在刀具狀態監測中的應用研究*

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)

刀具監測實質是模式識別問題，對刀具磨損狀態的預測準確率取決于反映刀具磨損狀態敏感特征的數量與質量。為提高識別的穩定性和準確率，研究者大多采用多個傳感器采集信號數據［1－3］，這雖然可以全面地反映刀具的狀態，但也勢必導致監測成本的上升。

刀具切削過程中采集的振動信號為非線性、非平穩信號。小波與小波包分析、經驗模態分析(EMD)以及在此基礎上的總體經驗模態分析(EEMD)可以較好地提取出與刀具磨損相關性大的局部信息。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的力信號、聲發射信號、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控系統;李斌［8］、謝秀嫻［9］等人利用小波包法分別對聲發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函數(IMF)通過削減算法增強故障特征，將優化后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。關山［12］等對聲發射信號進行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進行有效識別。目前，SVM在刀具磨損狀態監測中得到了廣泛的應用，取得了很好的效果。王濤，徐濤［10］建立基于SVM刀具磨損狀態的數學模型，通過試驗確認該方法的有效性。關山［12］等建立基于SVM的刀具磨損狀態的數學模型，實驗結果表明此方法能有效地識別刀具的磨損狀態。但SVM的懲罰參數c和核函數g的設置值極大地影響監測效果，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。本文采用遺傳算法對c、g值進行自動尋優，將所得最優c、g設置為SVM模型的懲罰參數和核函數，改善了SVM的性能，提高了監控的準確率。

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變化的本質特征，同時起到降維的作用。這里采用累積貢獻率法確定主元數量。

2 遺傳算法對SVM優化步驟

SVM可以有效地處理小樣本問題，避免收斂于局部最優、獲取全局最優解，無需反復訓練學習，具有良好的泛化性能，同時解決了多維問題。但在使用SVM時，需要調整懲罰參數c和核函數g。如何對SVM參數進行優化，并無公認的統一方法。采用遺傳算法對懲罰參數c和核函數g進行優化，可以達成僅利用訓練集找到分類的最優參數的目的，可以高準確率地預測訓練集和測試集，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生。

遺傳算法對SVM的優化流程如圖2所示，其關鍵步驟包括:

(1)初步建立SVM模型。

(2)隨機產生20組懲罰函數c和核函數g。

(3)運用遺傳算法對c和g編碼，經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的便是問題的最優解，在本課題中即為最優的c和g。

(4)將最優c和g設為SVM的c和g，訓練SVM，建立SVM最終模型，預測結果，計算分類準確率。

3 試驗結果及分析

本試驗以數控機床為基礎進行，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組給定車削參數下新刀、輕磨損、正常磨損和嚴重磨損狀態等4種狀態下刀具的振動信號，在4種狀態數據中抽出128組數據作為訓練樣本數據，將剩下的64組數據作為測試數據。

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法能夠根據信號特點自適應地將信號分解，因而能夠獲取振動信號中與刀具磨損相關的敏感特征信息。

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，較好地解決了模態混疊，有效地提高了EMD方法的分解能力;總體經驗模態(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相關性系數的對比。

表1 各特征與刀具磨損狀態相關系數對比

運用不同模型所得與刀具磨損狀態相關系數大于0.5的特征對比，發現4層16頻段小波包的第2、3、7和8頻段;基于小波包的經驗模態分解IMF1的第4頻段、IMF3的第1頻段及總體經驗模態分解的IMF4、IMF7與刀具磨損狀態相關性大于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相關性更好。

3.3 SVM與GA－SVM預測效果對比

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

圖4與圖5分別為運用GA－SVM模型和SVM模型對刀具狀態的預測效果圖。

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

4 結語

本文的研究結果表明，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，融合后，可以得到對刀具狀態更敏感的特征，為刀具模式識別提供基礎。經遺傳算法優化后的SVM(GA－SVM)較未優化的SVM能更好地預測刀具的磨損狀態，且不需對懲罰參數c和核函數g進行嘗試。

［1］鄭金興，張銘鈞，孟慶鑫.多傳感器數據融合技術在刀具狀態監測中的應用［J］.傳感器與微系統，2007，26(4):90－92.

［2］朱曉嶺.多傳感器信息融合技術在銑削過程監測中的應用研究［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測與優化應用研究［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.基于聲發射法的銑刀磨損狀態識別研究［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監控技術研究［J］. 南昌航空大學學報，2011，25(3):42 －47.

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

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

［9］謝秀嫻，付攀，曹偉青.聲發射和小波包分解技術在刀具磨損狀態中的應用［J］.中國測試技術，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，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，2012，46(12):53－58.

［12］關山，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識別的應用［J］. 傳感器與微系統，2012，31(5):147－149.