CN105108584B - 一种车削颤振检测方法 - Google Patents
一种车削颤振检测方法 Download PDFInfo
- Publication number
- CN105108584B CN105108584B CN201510430371.8A CN201510430371A CN105108584B CN 105108584 B CN105108584 B CN 105108584B CN 201510430371 A CN201510430371 A CN 201510430371A CN 105108584 B CN105108584 B CN 105108584B
- Authority
- CN
- China
- Prior art keywords
- mrow
- mtd
- msub
- mtr
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/12—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring vibration
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种车削颤振检测方法，涉及检测技术领域。车削过程中的机床状态可反映在动态切削力中。本发明中，首先使用离线数据训练模型，使用小波包变换将力信号分解到第六层，计算每个节点的能量，构成64维的特征向量。采用最小二乘支持向量机‑回归特征消除(LSSVM‑RFE)对特征向量进行降维，不断消除冗余特征，选出最优秀的几个特征，并以此来训练最小二乘支持向量机分类器。每个选择出的特征对应的一个小波包节点，在线检测过程中，只需使用小波包矩阵将力信号分解到离线训练中选出的小波包节点，构建特征向量输入分类器中得出检测结果。本发明中由于采用特征降维的方法，具有速度快、识别准确度高的特点，有效保证了加工安全和产品质量。
Description
技术领域
本发明涉及故障检测技术领域，特别是涉及数控机床车削颤振的检测技术。
背景技术
切削颤振是机床闭环切削系统的动态不稳定现象，它是发生在切削刀具与工件之间的剧烈振动。颤振的发生会影响生产效率以及加工质量，同时还可引起过度噪音，刀具损坏等，对产品质量、刀具及机床设备等的危害已毋庸质疑。数控机床的车削状态可反映在机床的振动信号中，通过检测机床状态并实施相应的控制策略，可有效的保证加工产品的质量和提高生产效率，同时减轻刀具磨损。随着现代制造业向高度自动化和精密化方向发展的不断深入，妥善解决加工过程中引发的颤振问题，发展切削颤振的检测技术具有重要的意义。
目前主要的颤振检测方法是振动分析，数控机床的车削状态可反映在机床的振动信号中，尤其是力信号和加速度信号，含有丰富的切削状态信息，并且能够直观地反应切削状态。之前有很多学者通过信号处理方法来进行颤振检测。主要可分为以下三类：第一类是信号频率域的分析，如傅里叶变换，小波分解和希尔伯特变换等。第二类是统计学方法，如排列熵，近似熵等，这类方法中熵的计算具有较高的计算复杂度。第三类是模式识别方法，主要有人工神经网络、案例推理、支持向量机等，这种方法将颤振问题转化为分类问题，可利用多个特征综合判断颤振的发生，一定程度上保证了颤振检测可靠性。然而这种算法一般会综合较多的特征，特征中含有较多的冗余的信息，这对颤振识别准确率和算法执行速度造成影响。
由于切削系统发生颤振具有突发性和不确定性，从正常切削到发生颤振历时很短，一般在几十毫秒以内。因此，需要颤振检测的算法具有快速高效的特点，同时能可靠的检测出颤振。
因此，本领域的技术人员致力于开发一种车削颤振检测方法,相对于目前诸多颤振检测方法具有速度快、识别准确度高的特点，有效保证了加工安全和产品质量。
发明内容
为了克服上述现有技术的不足，本发明提供了一种快速有效的车削颤振检测方法。该方法主要是对基于模式识别的颤振检测方法的改进，提高颤振识别的快速性和稳定性。
为了实现上述目的，本发明提供了一种车削颤振检测方法，所述方法包括以下步骤：
步骤1：通过车削实验获取稳定车削状态下的切削力信号，然后在所述车削实验中采用较大的切削参数以激发出颤振状态获得相应的力信号，离线数据包括所述稳定状态切削力信号和所述颤振状态切削力信号；
步骤2：使用小波包变换将所述颤振状态切削力信号分解到第六层，得到小波系数；对所述第六层的64个节点分别计算节点能量，得到64维的特征向量；离线特征向量集的构建来自于对所述离线数据的所述小波包变换处理；
步骤3：使用最小二乘支持向量机-回归特征消除(LSSVM-RFE)方法对步骤2中得到的所述64维特征向量进行特征降维，每一步消去一个最不重要的特征，最后根据特征消除过程中的检测结果，得到最优秀的特征组合，每个特征对应一个小波包节点；
步骤4：使用步骤3中选出的所述最优秀的特征组合来训练最小二乘支持向量机分类器(LSSVM)；
步骤5：在在线检测过程中，使用小波包矩阵的方法进行小波包变换，将所述颤振状态切削力信号分解到步骤3中选定的所述小波包节点；
步骤6：利用步骤5得到的小波节点系数计算节点能量，构造出维数较低的特征向量；
步骤7：使用步骤6得到的所述维数较低的特征向量输入步骤4中得到的所述最小二乘支持向量机分类器，得到颤振检测结果。
进一步地，所述步骤2中的所述特征向量的构建包括以下步骤：
步骤2-1：对所述颤振状态切削力信号进行加窗，取无重叠的1024个点作为一个数据处理单元；
步骤2-2：对步骤2-1的一个数据处理单元信号f0 1(t)按下式进行分解：
其中h(k)和g(k)分别是低通滤波器系数和高通滤波器系数，fj i是第j层第i个节点的小波包系数；
步骤2-3：重复步骤2-2直到分解到第六层，得到每个节点的小波包系数fj i(i＝1,2,…64，j＝6)；
步骤2-4：计算每个节点的能量构成一个64维的特征向量；
步骤2-5：重复步骤2-2至步骤2-4，直到所有所述数据处理单元均处理完，得到特征向量集{(xi,yi)}i＝1,2,…N，其中N是样本个数，xi∈Rn(n＝64)输入特征向量,yi∈R是输出类别。
进一步地，步骤3中的所述最小二乘支持向量机-回归特征消除的方法包括以下步骤：
步骤3-1：随机选取步骤2-5得到的所述特征向量集中的一半样本作为训练样本，剩余的另一半样本作为测试样本；使用所述训练样本按照下式来构建核函数矩阵K：
步骤3-2：求解线性方程组
得到最小二乘支持向量机模型(α,b)；将测试样本x，带入最小二乘支持向量机分类器：
通过比较y(x)与预先设定的输出类别值来判断测试样本的类别，将所有测试样本代入后可以得到当前特征组合小的识别精度；
步骤3-3：计算每个特征的代价函数
其中H是个矩阵，其第(i,j)个分量的yiyjk(xi,xj),H-h去除第h个特征后得到的矩阵；
步骤3-4：对Dh进行排序，去除Dh最小的特征，重新构建核函数矩阵；
步骤3-5：重复步骤3-2至3-4直到只剩下一个特征；
步骤3-6：根据步骤3-2中得到的识别精度，选择最优的特征组合。
进一步地，步骤4中得到的所述分类器训练过程有以下步骤：
步骤4-1：使用步骤3-6中得到的特征向量构建核函数矩阵：
步骤4-2：求解线性方程组：
得到最小二乘支持向量机的参数(α,b)；
步骤4-2：对于测试样本x，即可通过计算：
通过比较y(x)与预先设定的输出类别值进行比较来判断测试样本的类别。
进一步地，步骤5中的小波包矩阵的构建方法包括以下几个步骤：
步骤5-1：由步骤3-6得到了最优特征组合，特征对应的小波包节点序号表示为[Q0，Q1,…,Qk]，使用Mallat算法对单位向量ei进行小波包变换，并按照下式构建小波包矩阵：
其中ei长度为N的单位向量，第i个元素为1，其余元素为0；是小波包操作算子，将信号ei分解到第L层第Q0个节点；依据特征降维方法选择出的小波包节点构建相应的小波包矩阵；
步骤5-2：对于在线得到的一个数据单元X，选定节点的小波包系数可通过下式得到：
WPC＝WPL·X
步骤5-3：通过分离步骤5-2中的小波包系数得到各个节点的小波包系数，并计算相应的节点能量即可构建用于在线检测的特征向量。
本发明的主要思路在于，车削颤振往往发生在特定的频率带，颤振发生时在力信号的傅里叶频谱中会有明显的频率集中。小波包节点能量是一种有效刻画信号能量分布的特征向量，其在颤振检测中有很大的潜力。同时，小波包分解层数越高，小波包节点能量的频率分辨率越高，可得到更多的信息。因此，本发明中使用更高层(第六层)的小波包节点能量作为特征向量。为了解决特征过多而导致的算法耗时长和准确性变差的问题，本发明提出一种基于最小二乘支持向量机-回归特征消除的特征降维方法被用来消去冗余的特征，选出最优秀的几个特征。在线检测过程中，只需要构建选出的那几个特征组成特征向量，输入最小二乘支持向量机分类器来进行颤振检测，提高了颤振识别的稳定性和快速性。
这种基于小波包节点能量、回归特征消除和最小二乘支持向量机的颤振检测方法主要包含以下步骤：
步骤1：首先通过车削实验获取稳定车削状态下的切削力信号，然后在实验中采用较大的切削参数以激发出颤振状态获得相应的力信号，以此作为离线数据。
步骤2：使用小波包变换将力信号分解到第六层，得到小波系数。对第六层的64个节点分别计算节点能量，得到64维的特征向量。对所有数据处理完后即可获得相应的离线特征向量集。
步骤3：使用最小二乘支持向量机-回归特征消除方法对步骤2中得到的64维特征向量进行降维，每一步消去一个最不重要的特征，最后根据特征消除过程中的检测结果，得到最优秀的特征组合，每个特征对应一个小波包节点。
步骤4：使用步骤3中选出的比较优秀的特征组合来训练最小二乘支持向量机分类器(LSSVM)。
步骤5：在在线检测过程中，使用小波包矩阵进行小波包变换，将信号分解到步骤3中选定的小波包节点。
步骤6：利用步骤5得到的小波节点系数计算节点能量，构造出维数较低的特征向量。
步骤7：使用步骤6得到的特征向量输入步骤4中训练出的最小二乘支持向量机分类器，得到颤振检测结果。
与现有技术相比，本发明的有益效果是主要在以下两个方面：
(1)使用第六层的小波包节点能量构造特征向量而不是目前一般使用的三层小波包节点能量，得到了更多的切削状态信息并且更准确的检测颤振，这样，颤振检测精度得到一定的提高。
(2)使用最小二乘支持向量机-回归特征消除的方法来进行特征降维，消除高维特征向量中的冗余信息，提高算法实时特性的同时提高了颤振识别的精度。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
图1为基于小波包节点能量、回归特征消除和最小二乘支持向量机的颤振检测的流程图；
图2为最小二乘支持向量机-回归特征消除的算法实现流程图。
图3为特征降维过程中颤振检测结果对比；
图4为本发明在颤振检测精度和执行时间上的对比结果。
具体实施方式
图1为本发明的总体实施流程图，本发明的快速有效的颤振识别方法包括以下几个步骤：
步骤1：首先通过车削实验获取稳定车削状态下的切削力信号，然后在实验中采用较大的切削参数以激发出颤振状态获得相应的力信号，以此作为离线数据。
步骤2：对原始信号进行加窗，取无重叠的1024个点作为一个数据处理单元。对一个数据单元信号f0 1(t)按下式进行小波包分解：
其中h(k)和g(k)分别是低通和高通滤波器系数，fj i是第j层第i个节点的小波系数。重复上述分解步骤直到分解到第六层，得到第六层每个节点的小波系数fj i(i＝1,2,…64，j＝6)。计算每个节点的能量：
将节点能量列成一排即可构成一个64维的特征向量。对所有数据单元均做上述计算，直到所有数据单元均处理完，得到训练样本集{(xi,yi)}i＝1,2,…N，其中N是样本个数，xi∈Rn(n＝64)输入特征向量,yi∈R是输出类别。
步骤3：图2给出了最小二乘支持向量机-回归特征消除方法的具体实施流程图。随机选取步骤2得到的特征向量集中一半的样本作为训练样本，剩余的另一半样本作为测试样本。使用训练样本按照下式来构建核函数矩阵K：
求解线性方程组：
得到最小二乘支持向量机模型参数(α,b)。将测试样本x，带入最小二乘支持向量机分类器中：
通过比较y(x)与预先设定的输出类别值进行比较来判断测试样本的类别，将所有测试样本带入后可以得到当前特征组合小的识别精度。为了对特征进行排序，首先计算每个特征的代价函数：
其中H是个矩阵，其第(i,j)个分量的yiyjk(xi,xj),H-h是除去第h个特征后得到的矩阵。对Dh进行排序，去除Dh最小的特征。消去一个特征后应重新构建核函数矩阵。重复以上步骤直到只剩下最后一个特征，根据每种特征组合的识别精度，识别精度最高的一个组合即是最优的特征组合。
图3给出了随着特征不断消除过程中，不同的特征组合的颤振识别精度。从图中可以看出，在特征不断减少的过程中，颤振识别精度不断提高，这表明特征中的冗余信息被剔除。当剩余5个特征时，分类器具有最高的颤振检测精度，这5个特征即是最优的特征组合。
步骤4：使用步骤3中得到的最优特征组合来训练最小二乘支持向量机分类器。训练过程包括以下步骤：
首先使用步骤3中得到的特征向量构建Gram矩阵：
求解线性方程组：
得到最小二乘支持向量机的参数(α,b)。对于测试样本x，即可通过计算：
通过比较y(x)与预先设定的输出类别值进行比较来判断测试样本的类别。
步骤5：在在线检测过程中，使用小波包矩阵的方法进行小波包变换，将信号分解到步骤3中选定的几个节点。
由步骤3得到了最优特征组合，特征对应的节点序号表示为[Q0，Q1,…,Qk]，使用Mallat算法对单位向量e进行小波包变换，并按照下式构建小波包矩阵：
其中ei长度为N的单位向量，第i个元素为1，其余元素为0；是小波包操作算子，将信号ei分解到第L层第Q0个节点。这样，依据特征降维方法选择出的小波包节点，可构建相应的小波包矩阵。
对于在线得到的一个数据单元X，特定节点的小波包系数可通过下式得到：
WPC＝WPL·X
通过分离小波包系数得到各个选定节点的小波包系数。
步骤6：利用步骤5得到的小波节点系数计算节点能量，构造出维数较低特征向量。
步骤7：使用步骤6得到的特征向量输入步骤4中得到的支持向量机分类器，得到颤振检测结果。
图4给出了三层小波包节点能量向量、六层小波包节点能量和六层小波包节点能量加上特征降维后的颤振识别结果对比，同时也给出了三种算法的在在线检测过程中的执行时间。由结果可以看出，六层小波包节点能量构成的特征向量由于含有较多的信息和较高的频率分辨率，其比三层小波包节点能量具有更高的颤振识别率，但是由于其在特征提取阶段以及分类器计算阶段具有较高的计算复杂度，故其执行时间大于三层小波包节点能量。对于六层小波包节点能量加上特征降维算法后，由于冗余特征被消除，干扰信息减少。降低在线检测的执行时间的同时也提升了颤振识别率。从图中可以看出，六层小波包节点能量加上特征降维算法具有最佳的颤振检测效果。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (4)
1.一种车削颤振检测方法，其特征在于,所述方法包括以下步骤：
步骤1：通过车削实验获取稳定车削状态下的切削力信号，然后在所述车削实验中采用较大的切削参数以激发出颤振状态获得相应的力信号，离线数据包括所述稳定状态切削力信号和所述颤振状态切削力信号；
步骤2：使用小波包变换将所述颤振状态切削力信号分解到第六层，得到小波系数；对所述第六层的64个节点分别计算节点能量，得到64维的特征向量；离线特征向量集的构建来自于对所述离线数据的所述小波包变换处理；
步骤3：使用最小二乘支持向量机-回归特征消除(LSSVM-RFE)方法对步骤2中得到的所述64维特征向量进行特征降维，每一步消去一个最不重要的特征，最后根据特征消除过程中的检测结果，得到最优秀的特征组合，每个特征对应一个小波包节点；
步骤4：使用步骤3中选出的所述最优秀的特征组合来训练最小二乘支持向量机分类器；
步骤5：在在线检测过程中，使用小波包矩阵的方法进行小波包变换，将所述颤振状态切削力信号分解到步骤3中选定的所述小波包节点；
步骤6：利用步骤5得到的小波包节点系数计算节点能量，构造出维数较低的特征向量；
步骤7：使用步骤6得到的所述维数较低的特征向量输入步骤4中得到的所述最小二乘支持向量机分类器，得到颤振检测结果；
所述步骤2中的所述特征向量的构建包括以下步骤：
步骤2-1：对所述颤振状态切削力信号进行加窗，取无重叠的1024个点作为一个数据处理单元；
步骤2-2：对步骤2-1的一个数据处理单元信号f0 1(t)按下式进行分解：
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>f</mi>
<mrow>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mn>2</mn>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<mstyle>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mi>&infin;</mi>
</munderover>
<mrow>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mi>f</mi>
<mi>j</mi>
<mi>i</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mi>t</mi>
<mo>-</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mstyle>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>f</mi>
<mrow>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mn>2</mn>
<mi>i</mi>
</mrow>
</msubsup>
<mo>=</mo>
<mstyle>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mi>&infin;</mi>
</munderover>
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mi>f</mi>
<mi>j</mi>
<mi>i</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mi>t</mi>
<mo>-</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mstyle>
</mtd>
</mtr>
</mtable>
</mfenced>
其中h(k)和g(k)分别是低通滤波器系数和高通滤波器系数，fj i是第j层第i个节点的小波包系数；
步骤2-3：重复步骤2-2直到分解到第六层，得到每个节点的小波包系数fj i(i＝1,2,…64，j＝6)；
步骤2-4：计算每个节点的能量构成一个64维的特征向量；
步骤2-5：重复步骤2-2至步骤2-4，直到所有所述数据处理单元均处理完，得到特征向量集{(xi,yi)}i＝1,2,…N，其中N是样本个数，xi∈Rn(n＝64)输入特征向量,yi∈R是输出类别。
2.根据权利要求1所述的车削颤振检测方法，其特征在于，步骤3中的所述最小二乘支持向量机-回归特征消除的方法包括以下步骤：
步骤3-1：随机选取步骤2-5得到的所述特征向量集中的一半样本作为训练样本，剩余的另一半样本作为测试样本；使用所述训练样本按照下式来构建核函数矩阵K：
<mrow>
<msub>
<mi>K</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>k</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
1
步骤3-2：求解线性方程组
<mrow>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<msup>
<mn>1</mn>
<mi>T</mi>
</msup>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<mi>K</mi>
<mo>+</mo>
<mn>2</mn>
<msup>
<mi>&gamma;</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mi>I</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<mi>b</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>&alpha;</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>y</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
得到最小二乘支持向量机模型(α,b)；将测试样本x，代入最小二乘支持向量机分类器：
<mrow>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mi>k</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>b</mi>
</mrow>
通过比较y(x)与预先设定的输出类别值来判断测试样本的类别，将所有测试样本代入后可以得到比当前特征组合小的识别精度；
步骤3-3：计算每个特征的代价函数
<mrow>
<msub>
<mi>D</mi>
<mi>h</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mrow>
<mo>(</mo>
<msup>
<mi>&alpha;</mi>
<mi>T</mi>
</msup>
<mi>H</mi>
<mi>&alpha;</mi>
<mo>-</mo>
<msup>
<mi>&alpha;</mi>
<mi>T</mi>
</msup>
<msub>
<mi>H</mi>
<mrow>
<mo>-</mo>
<mi>h</mi>
</mrow>
</msub>
<mi>&alpha;</mi>
<mo>)</mo>
</mrow>
</mrow>
其中H是个矩阵，其第(i,j)个分量为yiyjk(xi,xj),H-h为去除第h个特征后得到的矩阵；
步骤3-4：对Dh进行排序，去除Dh最小的特征，重新构建核函数矩阵；
步骤3-5：重复步骤3-2至3-4直到只剩下一个特征；
步骤3-6：根据步骤3-2中得到的识别精度，选择最优的特征组合。
3.根据权利要求2所述的车削颤振检测方法，其特征在于，步骤4中得到的所述分类器训练过程有以下步骤：
步骤4-1：使用步骤3-6中得到的特征向量构建核函数矩阵：
<mrow>
<msub>
<mi>K</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>k</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
步骤4-2：求解线性方程组：
<mrow>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<msup>
<mn>1</mn>
<mi>T</mi>
</msup>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<mi>K</mi>
<mo>+</mo>
<mn>2</mn>
<msup>
<mi>&gamma;</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mi>I</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<mi>b</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>&alpha;</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>y</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
得到最小二乘支持向量机的参数(α,b)；
步骤4-2：对于测试样本x，即可通过计算：
<mrow>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mi>k</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>b</mi>
</mrow>
通过比较y(x)与预先设定的输出类别值进行比较来判断测试样本的类别。
4.根据权利要求2所述的车削颤振检测方法，其特征在于，步骤5中的小波包矩阵的构建方法包括以下几个步骤：
步骤5-1：由步骤3-6得到了最优特征组合，特征对应的小波包节点序号表示为[Q0，Q1,…,Qk]，使用Mallat算法对单位向量ei进行小波包变换，并按照下式构建小波包矩阵：
其中ei长度为N的单位向量，第i个元素为1，其余元素为0；是小波包操作算子，将信号ei分解到第L层第Q0个节点；依据特征降维方法选择出的小波包节点构建相应的小波包矩阵；
步骤5-2：对于在线得到的一个数据单元X，选定节点的小波包系数可通过下式得到：
WPC＝WPL·X
步骤5-3：通过分离步骤5-2中的小波包系数得到各个节点的小波包系数，并计算相应的节点能量即可构建用于在线检测的特征向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510430371.8A CN105108584B (zh) | 2015-07-21 | 2015-07-21 | 一种车削颤振检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510430371.8A CN105108584B (zh) | 2015-07-21 | 2015-07-21 | 一种车削颤振检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105108584A CN105108584A (zh) | 2015-12-02 |
| CN105108584B true CN105108584B (zh) | 2017-10-17 |
Family
ID=54656807
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510430371.8A Active CN105108584B (zh) | 2015-07-21 | 2015-07-21 | 一种车削颤振检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105108584B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105626502B (zh) * | 2016-02-01 | 2019-02-19 | 上海交通大学 | 基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法 |
| CN106141815B (zh) * | 2016-07-15 | 2018-07-17 | 西安交通大学 | 一种基于ar模型的高速铣削颤振在线辨识方法 |
| CN106564012B (zh) * | 2016-11-01 | 2018-08-21 | 苏州微著设备诊断技术有限公司 | 一种磨削加工颤振的检测方法 |
| CN106553084B (zh) * | 2016-11-29 | 2019-01-11 | 天津大学 | 一种基于小波包变换和近似熵特征的机床颤振在线监测方法 |
| CN107297649B (zh) * | 2017-06-05 | 2019-05-28 | 天津大学 | 一种基于小波包和希尔伯特变换的机床颤振在线监测方法 |
| CN107378641B (zh) * | 2017-08-23 | 2019-02-01 | 东北电力大学 | 一种基于图像特征和lltsa算法的刀具磨损状态监测方法 |
| CN109605128B (zh) * | 2019-01-09 | 2020-03-31 | 西安交通大学 | 一种基于功率谱熵差的铣削颤振在线检测方法 |
| CN111695582A (zh) * | 2019-04-10 | 2020-09-22 | 燕山大学 | 一种颤振纹理的检测方法及其装置 |
| CN110434676B (zh) * | 2019-07-29 | 2020-05-22 | 北京理工大学 | 一种多传感器时频特征融合的镗削颤振监测方法 |
| CN112405072B (zh) * | 2020-11-11 | 2022-04-26 | 上海交通大学 | 一种机床切削颤振的在线监测方法及装置 |
| CN112395809B (zh) * | 2020-11-20 | 2023-12-19 | 华中科技大学 | 一种加工零件表面振纹缺陷检测方法 |
| CN115555920B (zh) * | 2022-10-12 | 2024-05-10 | 山东大学 | 基于自适应变分模态分解的在线颤振检测方法及系统 |
| CN116175281B (zh) * | 2023-04-26 | 2023-06-23 | 成都瑞雪丰泰精密电子股份有限公司 | 一种加工中心主轴系统振动异常检测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07214416A (ja) * | 1994-02-02 | 1995-08-15 | Toyota Motor Corp | ターンブローチ加工方法及び装置 |
| CN102284888A (zh) * | 2011-02-25 | 2011-12-21 | 华中科技大学 | 一种数控机床车削稳定性在线监测方法 |
| JP2012213851A (ja) * | 2011-03-28 | 2012-11-08 | Okuma Corp | 振動判別方法、及び振動判別装置 |
| CN103048041A (zh) * | 2012-12-20 | 2013-04-17 | 北京信息科技大学 | 基于局部切空间和支持向量机的机电系统故障诊断方法 |
| CN103218624A (zh) * | 2013-04-25 | 2013-07-24 | 华东理工大学 | 基于生物特征的识别方法及装置 |
| CN103786069A (zh) * | 2014-01-24 | 2014-05-14 | 华中科技大学 | 一种机械加工设备的颤振在线监测方法 |
| CN103927556A (zh) * | 2014-05-07 | 2014-07-16 | 天津工业大学 | 一种基于小波包和近似熵的心电信号分类方法 |
| CN103968933A (zh) * | 2014-04-09 | 2014-08-06 | 西安电子科技大学 | 基于模糊域特征的光纤振动信号识别方法 |
-
2015
- 2015-07-21 CN CN201510430371.8A patent/CN105108584B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07214416A (ja) * | 1994-02-02 | 1995-08-15 | Toyota Motor Corp | ターンブローチ加工方法及び装置 |
| CN102284888A (zh) * | 2011-02-25 | 2011-12-21 | 华中科技大学 | 一种数控机床车削稳定性在线监测方法 |
| JP2012213851A (ja) * | 2011-03-28 | 2012-11-08 | Okuma Corp | 振動判別方法、及び振動判別装置 |
| CN103048041A (zh) * | 2012-12-20 | 2013-04-17 | 北京信息科技大学 | 基于局部切空间和支持向量机的机电系统故障诊断方法 |
| CN103218624A (zh) * | 2013-04-25 | 2013-07-24 | 华东理工大学 | 基于生物特征的识别方法及装置 |
| CN103786069A (zh) * | 2014-01-24 | 2014-05-14 | 华中科技大学 | 一种机械加工设备的颤振在线监测方法 |
| CN103968933A (zh) * | 2014-04-09 | 2014-08-06 | 西安电子科技大学 | 基于模糊域特征的光纤振动信号识别方法 |
| CN103927556A (zh) * | 2014-05-07 | 2014-07-16 | 天津工业大学 | 一种基于小波包和近似熵的心电信号分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105108584A (zh) | 2015-12-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105108584B (zh) | 一种车削颤振检测方法 | |
| CN109323754A (zh) | 一种列车车轮多边形故障诊断检测方法 | |
| CN107478418A (zh) | 一种旋转机械故障特征自动提取方法 | |
| CN107830996A (zh) | 一种飞行器舵面系统故障诊断方法 | |
| CN112207631B (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
| CN114372535A (zh) | 基于生成式对抗网络的电力设备故障识别装置及方法 | |
| Qian et al. | Intelligent chatter detection based on wavelet packet node energy and LSSVM-RFE | |
| CN114386452B (zh) | 核电循环水泵太阳轮故障检测方法 | |
| CN117171544B (zh) | 基于多通道融合卷积神经网络的电机振动故障诊断方法 | |
| CN105930602A (zh) | 一种基于最优加权小波包熵的颤振检测方法 | |
| CN113157561A (zh) | 一种数控系统软件模块的缺陷预测方法 | |
| Karmakar et al. | Multilevel Random Forest algorithm in image recognition for various scientific applications | |
| CN110610203A (zh) | 基于dwt和极限学习机的电能质量扰动分类方法 | |
| Bhadra et al. | Applied machine learning for bearing fault prognostics | |
| Batool et al. | Oversampling based on data augmentation in convolutional neural network for silicon wafer defect classification | |
| CN115452376A (zh) | 基于改进轻量级深度卷积神经网络的轴承故障诊断方法 | |
| Zhou et al. | Marine propulsion shaft system fault diagnosis method based on partly ensemble empirical mode decomposition and SVM | |
| Zhao et al. | Acoustic emission signals classification based on support vector machine | |
| CN107783896A (zh) | 一种数据处理模型的优化方法和装置 | |
| Fu et al. | Multi-scale Convolutional Neural Networks Based on Self-attention And Residual Network for Industrial Equipment Fault Diagnosis | |
| Van Hulse et al. | Skewed class distributions and mislabeled examples | |
| Zhou et al. | Convolutional neural network and data augmentation method for electricity theft detection | |
| Gao et al. | Aggregating data sampling with feature subset selection to address skewed software defect data | |
| CN113705637A (zh) | 一种断路器机械故障检测方法、系统、设备及可读存储介质 | |
| Bakhtiary et al. | Speeding up neural networks for large scale classification using wta hashing |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |