基于機器學習主軸振動信號的分類

劉英旭

摘要：本文通過設計機床主軸振動信號的原始數據，對其進行快速傅里葉變換和特征值提取，隨后將提取出來的特征值當作輸入數據輸入機器學習的網絡中進行訓練，并輸出分類結果，試驗準確度達到了82%。

關鍵詞：主軸振動信號分類，快速傅里葉變換，特征值提取，機器學習

Abstract： In this paper， the original data of machine tool spindle vibration signal are designed， and their fast Fourier transform and eigenvalues extraction are carried out. Then the extracted eigenvalues are input into the machine learning network as the input data for training， and the classification results are output. After experiments， the accuracy reached 82%.

Keywords： Spindle vibration signal classification， Fast Fourier transform， eigenvalue extraction， machine learning

1.引言

機床主軸很容易出現故障，所以分析其工作狀態十分必要，而利用數學解析法來處理機床主軸信號的精度不高。隨著機器學習的出現和發展，本文嘗試利用機器學習對設計的機床主軸振動信號進行處理和分類。

2.研究過程和方法

2.1 數據設計

本次實驗將主軸標準振動信號以及額外的誤差信號都簡化設置為正弦或者余弦信號。其中包括：

a.基波信號：

b.主軸轉子彎曲或質量偏心產生的同頻信號：

c.主軸轉子裂紋產生的二倍頻信號：

d.主軸回轉精度差產生的低頻信號：

e.殼體離散干擾高頻信號：

f.隨機誤差產生的隨機信號：

各干擾信號所允許的標準值和參數分別設置為：f0 = 100，A0 = 0.015，f1 = 100，A1 = 0.012，f2 = 200，A2 = 0.010，f3 = 10，A3 = 0.009，f4 = 500，A4 = 0.005，Ax=0.003。通過將這6組信號進行任意的排列組合并且改變每組信號的幅值，本實驗模擬設計了107組主軸振動信號，并且通過添加干擾信號的多少和幅值大小對其進行工作狀態的確定，其中1代表工作狀態良好，2代表工作狀態一般，3代表不能工作。

2.2 ?快速傅里葉變換與特征值提取

本實驗擬對設計的主軸信號進行快速傅里葉變換和特征值的提取。本實驗擬提取6個特征值，分別為時域信號峰峰值、時域信號平均值、時域信號標準差、頻域信號的加權頻率、頻域信號的加權幅值以及頻域信號的幅值平方和，設N為總采樣點數。其中：

時域信號峰峰值：

時域信號的平均值：

時域信號標準差：

在頻域中，設中心頻率1處的幅值為F1，頻率為w1;中心頻率2處的幅值為F2，頻率為w2;中心頻率3處的幅值為F3，頻率為w3;中心頻率4處的幅值為F4，頻率為w4。則有：

頻域信號的加權中心頻率：

頻域信號的加權中心幅值：

頻域信號幅值平方和：

2.3 ?ANN網絡模型的建立

人類的大腦是一個經典的生物神經網絡，而ANN是一個可以學習更深的知識或者可以確定數據的模式的模仿人類大腦的一個算法，一個多層神經網絡的總體結構，包括輸入層，隱藏層，輸出層。每一個層中的神經元都與鄰近層的所有神經元相連接，所以整個系統可以看成一個網絡。輸入的數據直接輸入到輸入層的神經元中，不用經過任何處理，而復雜的計算和處理在隱藏層和輸出層中完成。

本實驗首先設置各項參數，隱藏層的數目沒有嚴格的規定，通常來說從1開始不斷增加，直到可以出現符合實驗要求的結果。輸入層和輸出層的神經元個數與規定的輸入輸出數據個數相同，隱藏層的神經元個數一般被設置為2n+1（n為輸入層的神經元個數），所以本實驗設置輸入層神經元個數為6，隱藏層個數為1，隱藏層神經元個數為13，輸出層神經元個數為1，然后通過Matlab編寫程序對其進行訓練。

結果分析

在本實驗中，一共有85組數據進行機器學習的訓練，11組用來驗證，11組用來測試，共計107組。其中第14、15、50、60、61、74、82、92、102、105和106組數據用來進行測試，其測試結果如下。

由上表可見，在11組數據中，僅有兩組數據出現了網絡計算值和目標值的偏差，所以準確度約為82%，達到了足夠高的準確度并完成了預期目標。

4.結論

本文提出利用機器學習的方法，實現對機床主軸振動信號的分類，準確度高達82%，成功解決機床主軸振動狀態的未知和利用數學解析法分析機床主軸振動信號的精度問題。

參考文獻

【1】龔帝武. 機床主軸振動狀態在線監測方法研究與系統實現【D】.電子科技大學，2020.