特征融合与GA－SVM在刀具状态监测中的应用研究*

李顺才 李 巍 吴明明

(江苏师范大学机电工程学院，江苏 徐州 221116)

刀具监测实质是模式识别问题，对刀具磨损状态的预测准确率取决于反映刀具磨损状态敏感特征的数量与质量。为提高识别的稳定性和准确率，研究者大多采用多个传感器采集信号数据［1－3］，这虽然可以全面地反映刀具的状态，但也势必导致监测成本的上升。

刀具切削过程中采集的振动信号为非线性、非平稳信号。小波与小波包分析、经验模态分析(EMD)以及在此基础上的总体经验模态分析(EEMD)可以较好地提取出与刀具磨损相关性大的局部信息。目前的研究基本上是将上述时频分析方法单独应用，提取出信号所包含的刀具磨损特征。如樊宁［4］、汤为［5］、王细洋［6］、赵小林［7］等人利用小波分析法分别对反映刀具状态的力信号、声发射信号、电流信号和振动信号等进行分析，建立基于小波分析提取特征的刀具监控系统;李斌［8］、谢秀娴［9］等人利用小波包法分别对声发射信号和机床主轴电动机电流信号进行分析;王涛，徐涛［10］在对声信号标准化之后进行EMD分解，将分解所得的各本征模态函数(IMF)通过削减算法增强故障特征，将优化后IMF和残余项的能量以及信号的削减比作为特征;陈群涛［11］等对振动信号进行EMD分解，提取出有限个IMF及残余项，然后对各IMF进行独立分量分析。关山［12］等对声发射信号进行EMD分解，对分解所得的各个IMF进行自回归建模，将各自回归模型的系数作为支持向量机的输入向量。张超［13］、聂鹏［14］等通过 EEMD 获取无模态混叠的 IMF分量，将敏感 IMF的能量作为特征来进行刀具磨损监控。

本文分别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，用不同方法从不同角度挖掘振动信号所含有的信息，并将多个模型的特征进行融合，使传感器的性能得到最大化利用，减少对传感器数量的需求。在对融合所得特征进行降维后，输入支持向量机(SVM)即可对刀具磨损状态进行有效识别。目前，SVM在刀具磨损状态监测中得到了广泛的应用，取得了很好的效果。王涛，徐涛［10］建立基于SVM刀具磨损状态的数学模型，通过试验确认该方法的有效性。关山［12］等建立基于SVM的刀具磨损状态的数学模型，实验结果表明此方法能有效地识别刀具的磨损状态。但SVM的惩罚参数c和核函数g的设置值极大地影响监测效果，需要多次尝试才能基本确定SVM模型，且无法确定是否为最优。本文采用遗传算法对c、g值进行自动寻优，将所得最优c、g设置为SVM模型的惩罚参数和核函数，改善了SVM的性能，提高了监控的准确率。

1 特征融合法

特征融合法的步骤如图1所示，具体说明如下:

(1)分别建立小波包分析、EEMD分析和基于小波包的EMD分析方法的数学模型，对振动信号进行分析分解。

(2)分别提取上述方法所得局部信号的均方根值(反映局部能量)作为特征，将3种方法所得特征组成特征集。

(3)利用主元分析法，提取特征集所蕴含的反映刀具磨损状态变化的本质特征，同时起到降维的作用。这里采用累积贡献率法确定主元数量。

2 遗传算法对SVM优化步骤

SVM可以有效地处理小样本问题，避免收敛于局部最优、获取全局最优解，无需反复训练学习，具有良好的泛化性能，同时解决了多维问题。但在使用SVM时，需要调整惩罚参数c和核函数g。如何对SVM参数进行优化，并无公认的统一方法。采用遗传算法对惩罚参数c和核函数g进行优化，可以达成仅利用训练集找到分类的最优参数的目的，可以高准确率地预测训练集和测试集，即使得SVM分类器的学习能力和推广能力保持一个平衡，避免过学习和欠学习状况产生。

遗传算法对SVM的优化流程如图2所示，其关键步骤包括:

(1)初步建立SVM模型。

(2)随机产生20组惩罚函数c和核函数g。

(3)运用遗传算法对c和g编码，经过一次次的迭代进化，当满足迭代终止条件时，输出的末代种群对应的便是问题的最优解，在本课题中即为最优的c和g。

(4)将最优c和g设为SVM的c和g，训练SVM，建立SVM最终模型，预测结果，计算分类准确率。

3 试验结果及分析

本试验以数控机床为基础进行，工件材料为45号钢，刀具型号为CCMT120408。采样频率为20000 Hz，采样点数为400000 。采用压电加速度传感器分别采集48组共计192组给定车削参数下新刀、轻磨损、正常磨损和严重磨损状态等4种状态下刀具的振动信号，在4种状态数据中抽出128组数据作为训练样本数据，将剩下的64组数据作为测试数据。

3.1 振动信号特征

图3给出了在切削速度1900mm/s、进给量0.8mm/s、背吃刀量0.4mm条件下采集的不同磨损程度刀具的切削振动信号功率谱。从图3中可以看到其特征(功率谱)集中在0 ～500 Hz，1000 ～1600 Hz，1600 ～2200 Hz，2800 ～3600 Hz，5500 ～6500 Hz之间。小波包法、EEMD法和基于小波包的EMD法能够根据信号特点自适应地将信号分解，因而能够获取振动信号中与刀具磨损相关的敏感特征信息。

3.2 单模型特征与多模型特征融合对比

小波包法是将信号自适应分解在不同频段，这样就可以在特定的频段中，突出特征信息，同时保有时间信息;基于小波包的EMD法利用小波包分解各个频段的正交特点，将小波包方法运用到EMD分解过程中，较好地解决了模态混叠，有效地提高了EMD方法的分解能力;总体经验模态(EEMD)法则巧妙利用白噪声均匀分布在整个时频空间的特点，在待分析信号上加上均匀分布的白噪声背景，来消除附加的噪声。这3种方法均可有效地提取出与刀具磨损状态敏感的特征信息。

表1为单模型提取出的特征和多模型特征融合后筛选所得特征与刀具磨损状态相关性系数的对比。

表1 各特征与刀具磨损状态相关系数对比

运用不同模型所得与刀具磨损状态相关系数大于0.5的特征对比，发现4层16频段小波包的第2、3、7和8频段;基于小波包的经验模态分解IMF1的第4频段、IMF3的第1频段及总体经验模态分解的IMF4、IMF7与刀具磨损状态相关性大于0.5。由表1可知，多模型融合后所得主元特征与刀具磨损状态相关性更好。

3.3 SVM与GA－SVM预测效果对比

在对反映刀具磨损状态的敏感特征进行提取后，需要以此为基础，建立模型，对刀具磨损状态进行识别与预测。本文采用的是SVM模型与通过遗传算法优化后的GA－SVM两种模型。其中遗传算法对SVM优化所设定的参数为:进化代数200;种群数量20;交叉概率0.5;变异概率0.01;SVM Cross Validation参数3。

图4与图5分别为运用GA－SVM模型和SVM模型对刀具状态的预测效果图。

经过遗传算法的优化后，无需对c，g值进行尝试性选择，即可计算出最优c，g值，提升SVM的分类精度。图4为测试集的GA－SVM预测效果图，可知经过优化的SVM其测试准确率达到93.75%(60/64)，优于图5中未优化之前的SVM预测效果。

4 结语

本文的研究结果表明，多模型提取信号特征，可以获得比单模型更多的敏感特征，可以从不同角度更全面地反映刀具的磨损状态，融合后，可以得到对刀具状态更敏感的特征，为刀具模式识别提供基础。经遗传算法优化后的SVM(GA－SVM)较未优化的SVM能更好地预测刀具的磨损状态，且不需对惩罚参数c和核函数g进行尝试。

［1］郑金兴，张铭钧，孟庆鑫.多传感器数据融合技术在刀具状态监测中的应用［J］.传感器与微系统，2007，26(4):90－92.

［2］朱晓岭.多传感器信息融合技术在铣削过程监测中的应用研究［D］.南昌:南昌航空大学，2010.

［3］张文思.基于多传感器的切削过程监测与优化应用研究［D］.上海:东华大学，2007.

［4］樊宁，郭培全，高子辉.基于小波分析的切削力信号特性研究［J］.机床与液压，2009，37(1):162 －163.

［5］汤为.基于声发射法的铣刀磨损状态识别研究［D］.上海:上海交通大学，2009.

［6］王细洋，龙亮，郭敏，等.基于振动信号的刀具状态监控技术研究［J］. 南昌航空大学学报，2011，25(3):42 －47.

［7］赵小林，赵学智，陈统坚，等.刀具磨损的小波检测［J］.工具技术，2001，35(2):39 －41.

［8］李斌，丁玉发，刘红奇.小波包分析技术在电流刀具磨损监测系统中的应用［J］.心智与计算，2010，4(4):258 －264.

［9］谢秀娴，付攀，曹伟青.声发射和小波包分解技术在刀具磨损状态中的应用［J］.中国测试技术，2006，32(2):40－42.

［10］王涛，徐涛.基于EMD和SVM的刀具故障诊断方法［J］.工具技术，2011(45):63－67.

［11］陈群涛，石新华，邵华.基于振动信号EMD和ICA的刀具破损识别［J］.工具技术，2012，46(12):53－58.

［12］关山，王龙山，聂鹏.基于EMD与LS－SVM的刀具磨损识别方法［J］. 北京航空航天大学学报，2011，37(2):144 －148.

［13］张超，陈建军.EEMD方法和EMD方法抗模态混叠对比研究［J］.振动与冲击，2010，29(5):87 －90.

［14］聂鹏，徐洪垚，刘新宇，等.EEMD方法在刀具磨损状态识别的应用［J］. 传感器与微系统，2012，31(5):147－149.