CN115890366A - 对轴承套圈内圆切入磨削加工早期颤振在线监测方法 - Google Patents

Abstract

本发明涉及一种对轴承套圈内圆切入磨削加工早期颤振在线监测方法，利用振动传感器和声发射传感器采集轴承套圈内圆切入磨削加工过程中的振动信号以及声发射信号，提取颤振特征信息，通过特征信息识别效果对比，选取均方频率占比系数和能量熵组成的特征向量导入经不同算法优化后的支持向量机中进行监测，分析监测效果。选取最优表征轴承套圈切入磨削颤振孕育的特征信息并结合最优智能预测模型来实现对轴承套圈切入磨早期颤振在线监测。本发明方法结果对比各组特征向量的识别结果，均方频率占比系数和能量熵组成的特征向量识别准确度和Kappa系数均为结果最高值；对比不同智能算法模型的监测效果，ABC‑SVM模型的监测效果最好，多次识别结果均达到了100％。

Description

对轴承套圈内圆切入磨削加工早期颤振在线监测方法

技术领域

本发明涉及一种检测技术，特别涉及一种对轴承套圈内圆切入磨削加工早期颤振在线监测方法。

背景技术

轴承作为关键的基础部件被广泛地应用于精密机床、航空航天、以及高速发动机等尖端装备领域，而轴承套圈的表面制造精度直接影响到轴承性能，继而影响到尖端装备的工作性能。磨削加工是轴承套圈加工中最后且最重要的一道工序，将直接影响套圈最终的表面质量。由于磨削系统存在刚度不足等问题，在切入磨削时极易产生挠曲变形，引起砂轮和套圈之间的强烈自激振动，产生轴承套圈切入磨削颤振现象。切入磨削颤振会在套圈表面产生振纹，严重影响轴承套圈表面质量。当轴承套圈内表面存在振纹时，振纹会引起周期性的位移激励，造成滚动体与套圈之间的接触力出现周期性变化，最终导致轴承及转子系统产生异常振动和疲劳破坏。因此，针对轴承套圈内圆切入磨削颤振现象，确定一种能够及时有效的监测方法具有重要工程意义。

近年来，国内外许多学者对轴承套圈切入磨削颤振现象进行了理论分析和试验研究，其中一些学者试图通过建立颤振故障产生模型来了解轴承套圈切入磨削颤振产生的机理和影响因素，J.BIERA等提出一种基于外圆切入磨削的时域动态模型，该模型可探究不同磨削工艺参数对非稳定性颤振的影响，但存在稳定可靠性不足、结构较为复杂等问题；LI等基于外圆切入磨削加工过程中的颤振特性进行系统性的研究，提出一种用于外圆切入磨削的预测颤振的时域动态模型，通过实验探究了多种工况下发生的颤振特性；蒋永翔等基于砂轮、工件再生效应的动力学模型，讨论了外圆切入磨削稳定性的特点，提出一种评价外圆切入磨削稳定性的方法；Gourc等建立了主动磁轴承铣削稳定性模型，通过实验验证，得出强烈的强迫振动也会限制切割深度，并将这一结果利用到稳定性图中；Pereverzev等提出一种可以计算特定切削条件下循环时间的新型内圆磨削力模型；YAN等提出了一个四自由度的外圆切入磨削动力学模型，利用时滞和Stribeck效应来描述磨削力中的再生效应以及摩擦效应，并通过延拓算法计算磨削系统的特征值，得到可用于判断再生稳定性和摩擦稳定性的边界。虽然上述基于动力学模型以及颤振稳定性叶瓣图等方法，通过工艺参数优化可以对切入磨削颤振达到抑制效果，但是这些方法针对轴承套圈实际生产，需要通过停机调参，将会增加生产时间，降低加工效率，并且很难实现在线监测。因此，结合声发射、功率、振动等先进传感器技术，通过信号特征提取结合智能算法模型实现对轴承套圈切入磨削加工过程的在线监测，为实时反映套圈加工表面质量提供了新的研究手段。C.Guo等利用声发射信号、功率信号以及神经网络对切入磨削颤振进行在线监测，并通过实验验证了该方法的有效性，但该方法需要特定磨削工况下的声发射信号；Peng等探究了轴承间隙对铣削颤振稳定性的影响，通过频谱分析得到了相应的振动信号；M.Ahrens等利用电涡流传感器、力传感器、声发射传感器、振动传感器，提出了一种可以实现外圆切入磨削颤振在线监测以及抑制的方法；Griffin等设置了两套能够获取磨削信号特征的实验装置，并利用神经网络检测磨削异常，包括颤振等；Chen等提出一种基于BEMD和最小二乘支持向量机(LSSVM)的磨削状态预测方法，结果表明峰值、瞬时能量和实时标准差能有效反映不同的磨削状态；伊龙等针对轴承套圈在磨削中波纹度和表面粗糙度偏大的问题，提出了一种超声辅助内圆磨削方法，得出随着超声振幅的增大，加工表面粗糙度而减小。上述研究虽然能实现切入磨削颤振的在线监测，但是还存在很多不足。其一，所采用的颤振特征信息和智能算法针对轴承套圈切入磨削的适用性还有待考究；其二，颤振特征信息以及智能识别算法只在颤振已经明显发生的情形下辨识出颤振，对颤振孕育阶段(即早期颤振)无能为力。事实上，尽早地识别出颤振，可以最大程度地降低颤振对轴承套圈切入磨削加工过程的损害。王二化等利用颤振发生过程中振动信号在时域和频域中的特性，提取信号中能量比和奇异谱熵系数结合人工神经网络模型实现切削颤振的识别；熊振华等利用声音传感器并以加权小波包熵作为特征，实时地监测车削加工过程中的颤振孕育状态；李欣等利用振动信号提出了一种基于HMM-SVM的颤振识别方法，该方法先通过HMM模型计算待分类特征信号属于正常、孕育和颤振三种情况的概率，然后将概率较大的两种情况的特征信号再通过SVM模型分类，得出结果；吕凯波等利用声压信号作为车削颤振监测的信号源，引入能量峭度指标来反映颤振孕育状态。现有的针对颤振孕育的研究也存在一些问题，首先，大多选取一种传感器采集加工信号，单一传感器监测信号只能片面地反映颤振现象；然后，针对颤振识别选取的表征颤振孕育的特征信息虽能够监测到颤振孕育，但识别效果相较于其他能够表征颤振的特征信息是否更为有效。

发明内容

针对现有轴承套圈切入磨削颤振在早期识别中特征量选取和智能算法模型方面的不足的问题，提出了一种对轴承套圈内圆切入磨削加工早期颤振在线监测方法，是一种基于均方频率和能量熵结合人工蜂群优化支持向量机(ABC-SVM)来实现对轴承套圈内圆切入磨削加工早期颤振在线监测的方法。利用振动传感器和声发射传感器采集轴承套圈内圆切入磨削加工过程中的振动信号以及声发射信号，提取颤振特征信息，通过特征信息识别效果对比，选取最优表征轴承套圈切入磨削颤振孕育的特征信息并结合最优智能预测模型来实现对轴承套圈切入磨早期颤振在线监测。

本发明的技术方案为：一种对轴承套圈内圆切入磨削加工早期颤振在线监测方法，具体包括如下步骤：

1)对轴承套圈内圆切入磨削加工中采集到的声发射信号进行小波包分解，得到各频段节点的能量占比，选取含有颤振信息频段的小波包系数进行重构并计算均方频率作为特征量T₁；

2)对轴承套圈内圆切入磨削加工中采集到的振动信号进行CEEMD分解，将分解得到的IMF分量进行相关性计算，利用相关系数筛选并计算得到能量熵作为特征量T₂；

3)将步骤1)和2)获得特征向量[T₁、T₂]作为表征轴承套圈切入磨早期颤振的特征信息送入ABC算法优化后的SVM模型进行分类识别，识别出加工处于无颤振、颤振孕育、颤振爆发状态。

一种对轴承套圈内圆切入磨削加工早期颤振在线监测的SVM模型建立方法，具体包括如下步骤：

1)对轴承套圈内圆切入磨削加工中支撑块处采集到的无颤振、颤振孕育、颤振爆发三个阶段的声发射信号进行小波包分解，得到各频段节点的能量占比，选取含有颤振信息频段的小波包系数进行重构并计算均方频率，从而获得能量占比系数和均方频率；

2)对轴承套圈内圆切入磨削加工中砂轮轴处采集到的颤振、颤振孕育、颤振爆发三个阶段的振动信号进行CEEMD分解，将分解得到的IMF分量进行相关性计算，利用相关系数筛选并计算得到能量熵和时域参数；

3)将步骤1)和2)获得的能量占比系数、均方频率占比系数、能量熵和时域参数四个特征参数两两组成特征向量依次导入未经优化的支持向量机中并利用准确度、Kappa系数和混淆矩阵分析识别结果；最后将均方频率T₁和能量熵T₂作为支持向量机的特征量，组成特征向量[T₁、T₂]作为表征轴承套圈切入磨早期颤振的特征信息；

4)实验共采集样本数据，包括无颤振、颤振孕育、颤振爆发状态的参数特征样本随机分成训练样本和测试样本；

5)支持向量机模型中的核函数γ和惩罚因子C利用ABC算法进行优化计算并结合交叉验证方法，将训练样本作为模型的控制量，以样本的分类精确度作为ABC算法的适应度函数并确定其他初始化参数，最终得出最优参数γ和C；

6)将训练样本导入经ABC算法优化后的SVM模型中进行训练，然后用测试样本进行分类识别，验证颤振识别效果，最终获得对轴承套圈内圆切入磨削加工早期颤振在线监测的SVM模型。

进一步，所述小波包分解将信号高频和低频分量都进行再分解，在轴承套圈磨削加工中发生颤振时，信号频域的主频带会上移，导致均方频率的值也会急剧升高，用均方频率作为识别轴承套圈切入磨颤振发生的一个特征值。

进一步，所述CEEMD分解：通过EMD将轴承套圈磨削加工过程中的非线性、非平稳信号的时间尺度作为特征，将信号逐级分解成一系列固有模态函数IMF和一个残余分量，每个IMF保留局部特征信息且为单一的瞬时频率，其中也涵盖了轴承套圈切入磨颤振特征信息，在此基础上，通过在每个阶段加入呈正负成对形式的辅助噪声来均衡噪声特性达到抑制模态混叠的影响，并且清除参与重构信号中的辅助噪声。

进一步，所述CEEMD分解的每个IMF分量含有不同的频率特征且含有不同的能量值，从而构成振动信号在频率域中的能量分布，得到信号的CEEMD能量熵；相关系数用来衡量CEEMD分解中原始信号与各个IMF分量之间的关联程度，关联程度大于0.5的能量嫡作为颤振识别的特征，有效反应轴承套圈切入磨颤振发生的情况。

本发明的有益效果在于：本发明对轴承套圈内圆切入磨削加工早期颤振在线监测方法，将均方频率占比系数和能量熵组成的特征向量导入经不同算法优化后的支持向量机中进行监测，分析监测效果。本发明方法结果对比各组特征向量的识别结果，均方频率占比系数和能量熵组成的特征向量识别准确度为88.89％，Kappa系数为0.8235，均为结果最高值；对比不同智能算法模型的监测效果，ABC-SVM模型的监测效果最好，多次识别结果均达到了100％。

附图说明

图1a为本发明内圆切入磨示意图；

图1b为本发明内圆切入磨削系统挠曲变形图；

图1c为本发明内圆切入磨再生效应图；

图1d为本发明磨削颤振三阶段示意图；

图2为本发明轴承套圈切入磨早期颤振特征优选及在线监测流程图；

图3为本发明CEEMD分解流程图；

图4为本发明ABC算法优化SVM参数的流程图；

图5为本发明ABC-SVM的轴承套圈早期颤振监测步骤图；

图6为本发明采集系统示意图；

图7a为本发明声发射传感器在支撑块处无颤振时的原始时域信号图；

图7b为本发明声发射传感器在支撑块处颤振孕育时的原始时域信号图；

图7c为本发明声发射传感器在支撑块处颤振爆发时的原始时域信号图；

图8a为本发明振动传感器在砂轮轴处左右方向无颤振时的原始时域信号图；

图8b为本发明振动传感器在砂轮轴处左右方向颤振孕育时的原始时域信号图；

图8c为本发明振动传感器在砂轮轴处左右方向颤振爆发时的原始时域信号图；

图9a为本发明无颤振状态信号的小波包分解能量特征分布图；

图9b为本发明颤振孕育状态信号的小波包分解能量特征分布图；

图9c为本发明颤振爆发状态信号的小波包分解能量特征分布图；

图10为本发明各组状态均方频率占比系数图；

图11a为本发明无颤振状态的振动信号进行CEEMD分解后的固有模态分量以及残余分量图；

图11b为本发明颤振孕育状态的振动信号进行CEEMD分解后的固有模态分量以及残余分量图；

图11c为本发明颤振爆发状态的振动信号进行CEEMD分解后的固有模态分量以及残余分量图；

图12为本发明各IMF分量相关系数图；

图13为本发明各组状态能量熵图；

图14为本发明各组状态的特征向量图；

图15a为本发明能量占比和均方频率图；

图15b为本发明能量占比和时域参数图；

图15c为本发明能量占比和能量熵图；

图15d为本发明能量占比和能量熵图；

图15e为本发明均方频率和能量熵图；

图15f为本发明时域参数和能量熵图；

图16为本发明四种SVW模型分类结果对比图；

图17为本发明四种SVM算法多次试验比较图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本发明对轴承套圈内圆切入磨削加工早期颤振在线监测方法，利用多传感器对轴承套圈内圆切入磨削加工过程进行监测，首先对支撑块处的声发射信号利用小波包分解得到各频段节点的能量占比，选取含有颤振信息频段的小波包系数进行重构并计算均方频率，从而获得能量占比系数和均方频率占比系数；然后对砂轮轴处的振动信号采用互补式集成经验模态分解(CEEMD)得到多个固有模态分量(IMF)，利用相关系数筛选并计算得到能量熵和时域参数；其次将四个特征参数两两组成特征向量依次导入未经优化的支持向量机中并利用准确度、Kappa系数和混淆矩阵分析识别结果；最后将均方频率占比系数和能量熵组成的特征向量导入经不同算法优化后的支持向量机中进行监测，分析监测效果。

一、轴承套圈内圆切入磨再生颤振原理与在线监测方法：

1.1轴承套圈内圆切入磨再生颤振原理

内圆切入磨削是轴承套圈主要的磨削加工方式之一，加工工序主要是采用高速旋转的砂轮作为工具，与旋转的套圈表面接触，砂轮持续以缓慢的速度沿套圈的径向作进给运动。在磨削力的作用下，砂轮切除套圈表面材料，形成新的表面，使其达到一定的精度要求。如图1a所示，轴承套圈内圆切入磨削加工时，磨床、砂轮和轴承套圈之间形成了一个复杂的动力学磨削系统，由于砂轮直径受到轴承套圈孔径的限制，砂轮轴的直径不能随意增大，并且砂轮轴悬伸在轴承之外的距离较长，即砂轮轴既细又长。因此，内圆磨削系统的主轴挠度大且刚性较差，并且在切入磨削加工时，轴承套圈材料被磨削去除过程会产生较大的法向磨削力F_N，在法向磨削力作用下，轴承套圈与砂轮之间会产生系统挠曲变形，如图1b所示。此时，砂轮和轴承套圈表面都会产生深浅不一且无规则的振纹，随着切入磨削加工持续进行，砂轮和轴承套圈间的作用会双向加剧，产生再生效应，如图1c所示。这将导致系统内部激发反馈产生周期性的强烈自激振动，当系统的激励超过系统阻尼所能承受的范围时，系统处于失稳状态，最终发生再生颤振现象。大量研究表明，在磨削颤振发生之前通常都会经历稳定磨削阶段和颤振孕育阶段，其中颤振孕育阶段作为稳定磨削到颤振爆发之间的过渡阶段，磨削系统的振动程度通常会高于稳定磨削阶段，但达不到颤振爆发的振动程度，如图1d所示磨削颤振三阶段示意图。颤振孕育过程中包含着大量与磨削颤振相关的特征信息，合理并充分利用这些特征信息对轴承套圈切入磨颤振早期监测研究具有很高的价值。

由于轴承套圈磨削颤振发生过程中，结构材料表面会发生微观状态的变化，产生振纹，同时以弹性波的形式释放能量，而该弹性波携带有该状态变化的特征信息，声发射传感器可有效捕获该特征信息，实现材料变形和损伤特征的有效识别。同时轴承套圈颤振又是砂轮和轴承套圈间的磨削力引起的自激振动，而振动传感器可以通过振动位移或振动加速度来反映磨削过程变化，能在一定程度上反映轴承套圈颤振现象。因此，利用振动传感器和声发射传感器采集轴承套圈内圆切入磨加工过程中的振动信号以及声发射信号来实现轴承套圈早期颤振在线监测。

1.2轴承套圈切入磨早期颤振特征优选及在线监测方法

依据轴承套圈切入磨削颤振发生特性，提出采用均方频率和能量熵组合的特征向量作为表征轴承套圈早期颤振监测的特征量，并对比分析常用颤振特征参数组成的特征量对轴承套圈早期颤振监测效果。在智能算法模型选取方面，常用的有支持向量机SVM、BP神经网络、决策树等，其中支持向量机相较其他模型克服了过拟合的缺点，具有训练效率高、泛化能力强的特点，不易陷入局部最优解，已广泛应用于实时预测、模式识别、故障诊断等领域，而在机床加工颤振方面的应用，主要集中在车削、铣削加工中颤振二分类识别，磨削加工中的应用研究较少且都针对滚珠丝杆、轧辊等外圆磨削颤振二分类识别。因此，本发明将支持向量机应用到轴承套圈内圆切入磨削加工中，建立轴承套圈切入磨早期颤振多分类识别模型。但是，支持向量机的性能主要取决于它的核函数及其参数，其中核参数和惩罚因子的选择比较困难，加上轴承套圈早期颤振识别是多分类问题，所以如何用智能优化算法寻找合适的核函数参数，就成为了基于SVM的轴承套圈早期颤振在线监测方法的研究重点。

人工蜂群算法(ABC)是一种新型的基于集群智能的全局优化算法，相比于遗传算法、粒子群等优化算法，能有效解决多目标、多极值问题，收敛速度及求解正确率均显示出其优越性，因此本发明拟采用人工蜂群算法对支持向量机模型的参数进行优化。具体的轴承套圈切入磨早期颤振特征优选及在线监测方法流程如下图2所示。如图2所示，本发明轴承套圈切入磨早期颤振特征优选及在线监测方法主要包括：信号数据采集、特征提取与分析、特征比较和在线监测、结果分析四个部分。首先，利用声发射传感器和振动传感器采集轴承套圈切入磨削加工的信号，其中包括了无颤振、颤振孕育、颤振爆发三个阶段的传感器信号数据。然后，利用小波包分解对三个阶段的声发射信号提取两个特征参数，分别为均方频率T₁和能量占比；利用互补式集成经验模态分解(CEEMD)对三个阶段的振动信号提取两个特征参数，分别为能量熵T₂和时域参数。其中小波包分解和CEEMD相较于常用特征提取方法(小波变换、经验模态分解、希尔伯特-黄变换等)中普遍存在的分辨率差、分解精度低、模态混叠等问题，能有效提高时频分辨率、抑制模态混叠、提高计算效率。接着，将提取到的四个特征参数两两组成特征向量作为支持向量机模型的特征输入，研究各特征向量对颤振孕育的敏感度。其次，将均方频率T₁和能量熵T₂组成的特征向量，作为人工蜂群算法优化支持向量机模型(ABC-SVM)的特征输入，以实现轴承套圈切入磨早期颤振在线监测。

二、颤振特征提取方法：

本发明基于时域和频域方法在处理传感器信号时的特性，利用小波包分解和互补式集成经验模态分解(CEEMD)提高特征提取的时频分辨率，达到抑制模态混叠，提高计算效率，并根据轴承套圈切入磨颤振发生特性，提出采用小波包均方频率T₁和CEEMD能量熵T₂组成的特征向量[T₁、T₂]，作为表征轴承套圈切入磨早期颤振的特征信息。

2.1小波包分解

小波包分解是在小波分析的基础上泛化发展而来，实际上是对小波变换的改进优化，同时也是小波分析的推广。小波包分解将信号高频和低频分量都进行再分解，弥补了小波变换只能对信号低频分量分解的缺点，比小波变换分解更加全面和精细，更能体现出轴承套圈磨削信号全频率特点，特征向量可以自适应频带选择，能够突出轴承套圈发生颤振时的时频局部特点，特征又和频谱对应，从而提高了轴承套圈颤振的时频分辨率。

2.2均方频率

均方频率是以信号频率平方的加权平均，把功率谱的幅值作为权，可以用来描述功率谱主频带位置的分布又能准确反映信号在频域中的变化。在轴承套圈磨削加工中发生颤振时，信号的频域变化是十分明显的，信号的主频带会上移，导致均方频率的值也会急剧升高，因此可以用均方频率作为识别轴承套圈切入磨颤振发生的一个特征值。均方频率的计算如下：

式中，f为频率；S(f)为功率谱的幅值。

2.3互补式集成经验模态分解(CEEMD)

轴承套圈切入磨削发生颤振时，磨削振动信号将会变成非线性、非平稳信号，而EMD算法(经验模态分析)是可以将轴承套圈磨削加工过程中的非线性、非平稳信号的时间尺度作为特征，将信号逐级分解成一系列固有模态函数IMF(intrinsic mode function)和一个残余分量，每个IMF保留局部特征信息且为单一的瞬时频率，其中也涵盖了轴承套圈切入磨颤振特征信息。但是，EMD分解得到的IMF存在模态混叠现象，并且末端效应会影响分解结果。CEEMD算法是EMD算法的一种优化，其核心思想是在EMD的基础上，通过在每个阶段加入呈正负成对形式的辅助噪声来均衡噪声特性达到抑制模态混叠的影响，并且有效清除参与重构信号中的辅助噪声，消除重构误差，降低了添加噪声组数，提高了计算效率，更好的分解轴承套圈磨削信号，是一种高效、简便且稳定性好的模态方法。CEEMD算法分解流程如图3所示。图3中具体分解过程如下：

1)初始化白噪声幅值k和聚合次数M，令i＝1。

2)把第i次添加了白噪声的信号进行EMD分解。将一对呈正负形式、幅值大小相等的白噪声加入到原始信号x(t)中，得到混合后的信号：

式中，P_i(t)和N_i(t)是第i次添加了白噪声的信号，n_i(t)是第i次加入的白噪声。

将加入了白噪声的信号P_i(t)和N_i(t)进行EMD分解，得到m个IMF分量：

式中，

和

为第i次EMD分解后得到的残余分量，m为IMF分量的个数，

和

为第i次EMD分解后得到的第j个IMF分量，j＝1,2,…,m。

3)当i<M时，令i＝i+1，重复运行步骤2)，并且每次都加入幅值大小相同正负形式不同的白噪声。

4)求出M次EMD分解后得到的所有相应的IMF分量

和残余分量

的总体平均值，得到如下：

式中，c_j(t)是经CEEMD分解后得到的第j个IMF分量；r(t)是最终的残余分量，而原始信号可以表示为：

2.4能量熵

熵是能够衡量序列混乱的一种量度，可以反映时间序列波动的复杂性和规律性。近年来，分析振动信号能量熵的方法被广泛应用于机床加工与监测中。因此，通过计算轴承套圈切入磨削加工中信号的能量熵也可以达到识别颤振的发生。

采用CEEMD分解的方法，将振动信号分解得到m个IMF分量[c₁,c₂,…,c_m]，相应的可以计算出m个各自分量的能量值：

式中，c_i(t)是第i个IMF分量。通过计算可得到m个分量的能量向量[E₁,E₂,…,E_m]，在残余分量可以忽略的情况下，因为CEEMD分解具有正交性，所以m个分量的能量总和应等于原始振动信号的总能量E，即

将能量值进行归一化：

式中，∑E_i为总能量；∑p_i＝1。由于每个IMF分量[c₁,c₂,…,c_m]含有不同的频率特征且含有不同的能量值，从而构成了振动信号在频率域中的能量分布，由此可以得到信号的CEEMD能量熵：

三、基于人工蜂群优化SVM的早期颤振监测模型

轴承套圈切入磨早期颤振监测是一个多分类问题。支持向量机可用于多分类问题，但其性能的决定因素为核函数及其参数的选取。人工蜂群算法作为一种新颖的智能优化算法，适用于解决多变量函数优化、全局优化问题。因此，本发明提出将人工蜂群算法优化支持向量机(ABC-SVM)作为轴承套圈切入磨早期颤振的监测模型。

3.1人工蜂群优化算法

人工蜂群优化算法(Artifical Bee Colony，ABC)是一种模仿蜜蜂采蜜过程而提出的新型群体智能优化算法，它是依据蜜蜂采蜜时通过不同角色之间相互交流转换和分工协作实现的。ABC算法中包含了引领蜂、跟随蜂和侦查蜂三类蜜蜂，而食物源的位置指的是待优化问题的可行解，食物源的好坏即可行解的优劣是通过蜜源的花蜜量即适应度值来评价。在每一次搜索迭代过程中，引领蜂和跟随蜂是分先后对蜜源进行开采即寻找最优解。侦查蜂则是为了防止陷入局部最优解，当出现陷入局部最优解时能随机搜寻新的食物源。ABC算法的计算过程如下：

1、在搜寻过程中，首先要进行初始化，包括种群数的确定、最大迭代次数M、食物源的个数N、问题的维数D、待优化参数的取值范围、个体的最大更新次数limit，并随机生成初始解集x_ij(i＝1,2,…,N；j＝1,2,…D)。初始化完成后，整个种群包括引领蜂、跟随蜂、侦查蜂将重复循环搜寻过程，直到达到运算迭代次数M或者允许误差ε，则运算结束，输出参数的最优值。

2、在搜寻过程的开始阶段，每个引领蜂会由式(9)生成一个新的解即新的食物源：

v_ij＝x_ij+φ_ij(x_ij-x_kj) (9)

式中，k∈{1,2,…,N}，j∈{1,2,…,D}，且k≠i；φ_ij为[-1,1]之间的随机数。通过计算新解的适应度值(fit_i)来评价食物源的优劣，并进行贪婪选择，如果新解的fit_i高于旧解，则引领蜂记住新的解而放弃旧的解，反之则保留旧解。

3、在所有的引领蜂结束搜索过程后，引领蜂会在招募区跳摇摆舞和跟随蜂分享食物源即解的信息，跟随蜂根据式(10)选择每一个解的概率。

式中，参数fit_i表示第i个蜜源(解)的适应度值。

然后在[-1,1]内随机生成一个数，如果该随机数小于解的概率，则跟随蜂根据式(9)产生一个新的解，并计算新解的适应度值，若新解的适应度值大于旧解的适应度值，则跟随蜂记住新解而放弃旧解，反之则保留旧解；如果该随机数大于解的概率，则跟随蜂保留旧解。

4、在全部跟随蜂完成搜索过程后，若一个解经过limit次迭代后没有被进一步的更新，则认为该解陷入了局部最优，从而放弃该食物源。如果食物源x_i被放弃，那么对应此食物源的引领蜂会转变成侦查蜂，然后由式(11)重新生成一个食物源来替代它。

x_ij＝x_minj+rand(0,1)(x_maxj-x_minj) (11)

式中，j∈{1,2…,D}。之后侦查蜂变成引领蜂，开始重复循环引领蜂的搜索过程。

ABC算法所特有的协作机制以及劳动分工使蜜蜂群能按照不同搜索策略相互协作、共同完成寻优工作，具有较强的全局寻优能力。该算法在故障诊断研究中己经表现出优于遗传算法、蚁群算法和粒子群算法的性能。

3.2人工蜂群算法优化SVM模型参数

由于本发明研究的轴承套圈早期颤振识别为内圆切入磨削加工中颤振三分类问题，识别结果分别为无颤振、颤振孕育、颤振爆发三种，而典型的SVM只是一个标准的二分类器，即“非此即彼”，所以需要将标准的SVM进行多分类转换，组合方法中OAO方法(OnlineAnd Offline)的多分类结果比其他分类方法较为准确，所以本发明选择OAO方法对标准SVM进行多分类转换。将标准的SVM进行多分类变换之后，还需选择合适的核函数，核函数的选择也会影响SVM的分类性能从而影响分类的准确性。常用的核函数有sigmoid核函数、多项式核函数、拉普拉斯核函数和径向基核函数(RBF)，根据实验可知，RBF具有良好的泛化能力且分类效果要优于其他核函数，所以本发明选择RBF作为SVM的核函数。在选取合适核函数后，其性能主要受惩罚因子C和RBF核函数中γ值影响，如何有效选取参数值则成了问题关键。针对此问题，本发明采用人工蜂群算法优化SVM模型参数的方法。该方法流程如图4所示。对样本数据进行归一化处理，送入构建的SVM模型，按3.1人工蜂群优化算法对SVM模型的参数C和γ进行优化，获得优化后ABC-SVM模型。

3.3基于ABC-SVM的轴承套圈切入磨早期颤振监测步骤

结合前文所述的小波包分解获取均方频率和CEEMD分解获取能量熵的特征值提取方法，以及ABC-SVM的计算过程，基于ABC-SVM模型对轴承套圈切入磨早期颤振监测的具体步骤为：

1、首先对轴承套圈内圆切入磨削加工中采集到的声发射信号进行小波包分解并利用能量占比系数，确定颤振发生时的特征频段，然后将特征频段的小波包系数进行重构，计算重构后信号的均方频率作为特征量T₁。其次，对加工中的振动信号进行CEEMD分解，将分解得到的IMF分量进行相关性计算，根据相关系数选取相关性高的IMF分量求能量熵作为特征量T₂，组成特征向量[T₁、T₂]；

2、将得到的样本数据分为训练样本和测试样本；

3、SVM模型中的核函数γ和惩罚因子C利用ABC算法进行优化计算并结合交叉验证方法，将训练样本作为模型的控制量，以样本的分类精确度作为ABC算法的适应度函数并确定其他初始化参数，最终得出最优参数γ和C；

4、将训练样本导入经ABC算法优化后的SVM模型中进行训练，然后对测试样本进行分类识别，得到颤振识别结果。如图5所示为ABC-SVM的轴承套圈早期颤振监测步骤。为了验证本文所提出的特征向量以及ABC算法优化SVM模型后实际对轴承套圈早期颤振监测的有效性和准确性，本文设置轴承套圈内圆切入磨削实验并进行分析讨论。

四、实验设置

实验使用的机床型号为3MZ1410的全自动精磨外沟磨床，此机床使用电磁无心夹具，采取支承式无心磨削的加工方式，可适用于加工公差等级在P5以内的轴承外圈沟道的磨削加工。机床砂轮额定转速600HZ，最高工件轴转速25HZ，多用于大批量生产和连续加工。实验选取的砂轮型号为96*16*28A/WA 100L，直径为96mm，粒度为100L，砂轮磨损直径为60mm，砂轮主轴转速为9500rpm，砂轮磨削方式为精磨外沟，每加工三个零件进行修整，修整方式采用金刚滚轮修整，滚轮外径为100mm，转速为41.5HZ。实验加工件为型号6213N.01的轴承套圈，外径为120.02mm，沟径为109.177mm，加工时工件轴转速345rpm，砂轮对轴承滚道采用切入式磨削。实验现场及机床基本参数信息见表1。

表1

本次实验使用高频声发射传感器和三向振动传感器两种传感器相结合的方法对轴承套圈切入磨削加工的颤振现象进行监测。实验中的高频声发射传感器和三向振动传感器自身均具有强磁性。其中，高频声发射传感器型号G150，灵敏度范围＞75db，频率范围为60KHz～400KHz，谐振频率为150KHz，吸附在支撑块位置上，用来监测磨削加工时的声发射信号；三向振动传感器型号ROTE020X，频率范围为5～30KHz，测量范围为0～50g，吸附在砂轮轴上，用来监测磨削加工时的振动信号。图6为实验的传感器采集系统示意图。首先分别将吸附在砂轮轴和支撑块上的三向振动传感器以及声发射传感器通过BNC线与采集卡连接，然后将传感器和采集卡分别外接电源供电，接着采集卡通过USB线将采集到的传感器信号传输到计算机端，最后利用计算机上的采集软件，实现对轴承套圈切入磨削加工时颤振现象信号的实时显示与保存。

五、实验结果分析：

基于上述实验设置，首先对采集到的声发射、振动信号进行时域分析；然后利用小波包分解对声发射信号进行特征参数提取，对提取到的均方频率占比系数进行分析，利用CEEMD分解对振动信号进行特征参数提取，对提取到的能量熵进行分析；接着将提取出的四种特征参数两两组成特征向量导入未经优化的SVM模型进行分类识别并分析实验结果；最后利用人工蜂群优化支持向量机模型对颤振进行在线预测并对实验结果进行研究。

5.1实验数据信号分析

实验采集了磨削时支撑块处的高频声发射信号和砂轮轴处的振动信号，图7a-7c所示为声发射传感器在支撑块处无颤振、颤振孕育、颤振爆发时的原始信号，图8a-8c为振动传感器在砂轮轴处左右方向无颤振、颤振孕育、颤振爆发时的原始信号。通过对比分析三种时期的声发射信号时域图，可以看出颤振孕育和颤振爆发时的信号极值(M2、M3)比无颤振状态的信号极值(M1)大，并且颤振爆发时的信号极值也要大于颤振孕育状态的信号极值，即M3>M2>M1。从图中还可以得出三种时期的声发射信号变化程度也不同，无颤振状态下的信号变化程度(P1)要远小于颤振孕育和颤振爆发时的信号变化程度(P2、P3)，而颤振爆发时期的信号变化程度也要明显大于颤振孕育时期的信号变化程度，即三种时期声发射信号的变化程度随着颤振的发生和加剧而逐渐增大，同时也说明三种时期的声发射信号所包含的高频分量也随着颤振的发生和加剧而逐渐增多。同理，对比分析三种时期的振动信号时域图，也存在类似的结果。虽然从时域上看三种时期的颤振状态有所区别，但颤振是一种非线性、非稳定性现象，特别是颤振孕育时期的信号更为复杂，单一的时域分析并不能全面、准确、稳定的反应颤振信息，而时频分析方法受到了越来越多的关注。因此，本文基于小波包的高时频分辨率、信源精细分解的特点和CEEMD分解高效、稳定及高度抑制误差的特点对上述磨削信号进行特征提取分析。

5.2基于小波包分解对声发射信号特征提取

根据上述实验获取的声发射信号特点，基于小波包方法的高时频分辨率的特点来对信号进行分解剖析，并采用可以反应主频带位置变化的均方频率来表征信号特征。

利用小波包分解原理，对无颤振、颤振孕育、颤振爆发三种状态声发射信号进行处理，采用Db4小波包3层分解，计算出每组信号的8个能量占比，每个能量占比对应为该信号在有效带宽内分解的信号频段，组成该信号的能量特征分布。图9a-9c所示为某组三种状态信号的小波包分解能量特征分布。

由图9a-9c可知，轴承套圈磨削时的信号能量主要集中在前三个信号频段，且颤振的发生伴随着能量频移的现象。通过比对研究三种状态下的小波包能量特征分布，可以发现，随着颤振发生程度的加剧，第一个信号频段的能量占比逐渐减少，而第二个和第三个信号频段的能量占比逐渐增加，说明信号的频段能量再往高频段移动，信号的高频分量逐渐增多，也证明上述对声发射信号时域变化特点分析的正确性。由图可知，前三个信号频段不仅是磨削加工时的主要信号频段，同时也蕴含了丰富的颤振信息，因此对前三段信号频段的小波包系数进行重构，来计算重构后信号的均方频率，同时将小波包分解后得到的8个节点的能量占比作为小波包分解后的另一特征参数。

为提高颤振特征的普适性，将小波包系数重构后的信号均方频率与颤振爆发状态下的最大均方频率的占比系数T₁作为颤振特征。该特征是个无量纲参量，且数值在区间[0,1]内，对不同工况下都具有适用性，能够有效的对颤振进行识别。T₁的计算公式如下：

式中，r_max为颤振爆发状态下的均方频率最大值。采集了60组实验数据，经过计算后的均方频率占比系数如图10所示。

图10中分别展示了8组稳定状态、颤振孕育状态、颤振爆发状态信号的均方频率占比系数T₁。当发生早期颤振时，信号频率变化明显，信号的主频带上移，均方频率增大，且随着颤振的加剧，信号主频带继续上移，均方频率继续增大，所以三种状态的均方频率依次增大。因此，经小波包分解后得到的均方频率占比系数作为颤振识别的特征，可以有效反应轴承套圈切入磨颤振发生的情况。

5.3基于CEEMD分解对振动信号特征提取

针对选取振动信号的特征提取方法，为了避免单一信号处理方法存在缺陷而导致特征参数缺乏精度，影响后续算法识别，同时基于CEEMD分解方法有着较强的抑制误差能力并且分解结果更加彻底，所以选取CEEMD分解方法对振动信号提取能量熵特征，来弥补小波包分解的不足。

对图8a-8c中三种状态的振动信号进行CEEMD分解，其中添加了幅值为0.2的正负对称白噪声，实验次数为100次，分解后的固有模态分量以及残余分量如图11所示。

图11a-11c中每个固有模态分量均包含了原始信号不同频段的固有特征，但是在CEEMD分解的过程中，常常也会产生虚假分量，并且过大的信息量也会对后续预测及速度产生影响，所以需要对每个固有模态分量进行分析筛选。相关系数可以用来衡量CEEMD分解中原始信号与各个IMF分量之间的关联程度，系数取绝对值，0～0.09为非相关，0.1～0.2为弱相关，0.2～0.5为中等相关，0.5～1.0为强相关。图11a-11c中各个分解分量的相关系数见图12。

如图12所示，从IMF1到IMF10表示信号频带从高频到低频，对应相关系数呈下降趋势，说明信号中涵盖的颤振信息从高频带到低频带逐渐减少，在高频带涵盖了更多的颤振信息。三种状态的IMF1相比，颤振爆发、颤振孕育、无颤振的相关系数依次降低，且都大于0.5为强相关，其余IMF分量的相关系数基本低于0.5，表明在三种状态信号的高频分量中，IMF1涵盖的颤振信息最多，且随着早期颤振的发生和加剧，IMF1中涵盖的颤振信息又逐渐增多，证实上述所说的信号频移现象。

图12中三种状态的前三个IMF分量与原始信号的相关系数基本都在0.1以上，说明前三个IMF分量和原始信号相关，涵盖了信号中的主要颤振信息，IMF4～IMF10可以看作是虚假分量，忽略不计。因此，选取前三个IMF分量来计算其能量熵T₂，同时选取前三个IMF分量来计算其时域参数，包括平均值、方差、最大最小值、极差、峭度、偏度、波形因子、峰值因子、脉冲因子、裕度因子等13个特征参数，作为CEEMD分解方法的时域特征量。计算后的能量熵如下图13所示。

如图13所示，图中展示了8组稳定状态、颤振孕育状态，颤振爆发状态信号的能量熵T₂。在稳定磨削时，信号的能量嫡值要远远大于颤振爆发状态下的能量嫡值，且颤振孕育状态下的能量熵位于无颤振状态和颤振爆发状态之间。这表明稳定磨削时，振动信号经过分解，能量分布比较平均，信息也比较不确定，所以能量嫡高；当发生早期颤振现象时，信号能量会出现频移现象，向颤振频率处集中，即往高频处集中，此时能量分布不再平均，信息不确定性变小，所以能量嫡减小。因此，经CEEMD分解后前三个IMF的能量嫡作为颤振识别的特征，可以有效反应轴承套圈切入磨颤振发生的情况。

图14为均方频率占比系数和能量熵组成的特征向量。为了探究上述提取到的均方频率占比系数和能量熵结合智能算法进行早期颤振识别的实际效果，通过试验与其他颤振特征量进行对比分析，讨论各特征量在轴承套圈切入磨早期颤振识别中的有效性。

5.4实验预测识别结果

本实验共采集60组试验样本，其中无颤振、颤振孕育、颤振爆发状态的参数特征样本各20组，按照7：3的比例随机分成训练样本和测试样本，即42组训练样本和18组测试样本。为了验证小波包均方频率占比系数、CEEMD能量熵以及ABC-SVM模型对轴承套圈切入磨早期颤振识别的有效性和优越性，设计了两组试验。第一组试验中，将小波包能量占比、小波包均方频率占比系数、CEEMD时域参数、CEEMD能量熵中两两特征参数构建的特征向量进行颤振多分类识别，其中各组特征向量统一使用未经参数优化过的SVM模型进行识别，具体识别结果如表2所示，而为了更直观详细的展示对颤振各时期分类的识别效果，绘制了如图15a-15f所示的混淆矩阵图；第二组试验中，将未经优化的支持向量机、遗传算法优化支持向量机(GA-SVM)、模拟退火优化支持向量机(SA-SVM)以及人工蜂群优化支持向量机(ABC-SVM)对颤振进行多分类识别，其中各组特征向量统一用小波包均方频率占比系数和CEEMD能量熵进行构建，具体识别结果如图16所示。

第一组试验中，选取准确度和Kappa系数作为评价识别结果的指标。其中准确度是指分类结果正确的样本数占全部测试样本的比重，Kappa系数表示算法分类的结果和完全随机分类的结果相比，分类错误减少的比例，是一种衡量分类精度的指标。Kappa系数的计算结果为-1～1，但通常其值是落在0～1之间，并且其值越大，表示分类的效果越好。根据Kappa系数的计算结果可分为五种情况来表示不同级别的一致性：0.0～0.20极低的一致性、0.21～0.40一般的一致性、0.41～0.60中等的一致性、0.61～0.80高度的一致性和0.81～1几乎完全一致。具体识别结果如下表2所示。

从表2可知，b组的识别准确度仅为72.22％，Kappa系数为0.5853，为中等一致性，特征维度为21维，而对比a、c、d、f四组识别结果，在特征向量中组合了小波包均方频率占比系数或CEEMD能量熵特征参数后，识别准确度和Kappa系数均高于b组，都为高度一致性，特征维度均有所下降，说明组合了小波包均方频率占比系数或CEEMD能量熵后增加了颤振有效信息，提高了颤振识别效果。e组识别结果相比其他组，准确度和Kappa系数均为最高值，且准确度进一步提高到了88.89％，Kappa系数达到0.8235，为几乎完全一致，特征维度降至2维。结果验证了小波包均方频率占比系数和CEEMD能量熵作为表征轴承套圈切入磨削颤振的特征参数的有效性，并且两者组成的特征向量识别颤振多分类的效果明显优于其他特征向量。

表2

由表2各组结果可看出Kappa系数和准确度有着正相关关系，这是因为试验样本较为均衡。当试验样本不均衡时，通常Kappa系数能够更好地评价分类的优劣，而Kappa系数又是基于混淆矩阵计算求得，其中混淆矩阵图是一种表示精度评价的标准格式，所以为了更加直观详细的展示各特征向量对颤振各时期的识别结果，绘制了图15a-15f所示的混淆矩阵图。图15a-15f中各图的每一列代表了预测类别，每一行代表了数据的真实归属类别，横纵坐标中的1、2、3分别表示无颤振、颤振孕育、颤振爆发这三类，百分数表示每一类识别正确的样本所占比例以及错误识别成其他类别的样本所占比例，而矩阵对角线上的百分数为样本识别正确的比例。

从图15a-15f可以看出，图15a和图15b中的第3类识别正确样本所占比例分别为83.3％和85.7％，第3类错误样本都识别成第2类，比例分别为16.7％和14.3％，而图15c、图15d、图15e、图15f中第3类识别正确率均为100％，说明当能量占比和均方频率占比系数、能量占比和时域参数组成的特征向量进行颤振多分类识别时，对颤振爆发状态识别会产生错误样本，错误识别成颤振孕育状态，而其他特征向量对颤振爆发状态识别较为准确。图15c和图15f中的第1类识别正确率分别为85.7％和83.3％，第1类错误样本都识别成第2类，比例分别为14.3％和16.7％，而图15a、图15b、图15d、图15e中第1类识别正确率均为100％，说明当能量占比和能量熵、时域参数和能量熵组成的特征向量进行颤振多分类识别时，对无颤振状态识别会产生错误样本，错误识别成颤振孕育状态，而其他特征向量对无颤振状态识别较为准确。通过对比图15a-15f中六幅图的第2类识别正确率可知，每组都出现了第2类识别错误样本，且第2类识别正确率均为各类最低，说明颤振孕育作为无颤振和颤振爆发的过渡状态，区分难度较大，不容易识别。图15b中第2类识别正确率仅有50％，即能量占比和时域参数作为特征向量对颤振孕育状态识别效果最差，而图15a、图15c、图15d、图15f中含有均方频率占比系数或能量熵特征参数时，第2类识别正确率均有所提高，并且图15e中，第2类的识别正确率最高，为80％，说明将均方频率占比系数和能量熵作为特征向量，对颤振孕育状态识别正确率最高，两者组合能有效提高颤振孕育状态的识别。

第二组试验的识别结果如图17所示。图中三种颜色代表颤振发生的三种状态，无颤振状态，颤振孕育状态和颤振爆发状态。圆点代表样本，其中有边框圆点代表测试样本，而无边框圆点代表训练样本，圆点所在位置于同色区间内，则表示该样本点分类正确，反之，圆点所在位置于不同色区间内，则表示该样本点分类错误。

从图16各模型分类结果可以看出，错误分类样本都集中在第2类，即颤振孕育状态，且经过优化的SVM模型的分类识别结果都有所提高。其中，GA-SVM模型和SA-SVM模型的训练样本准确度分别为92.86％和95.24％，测试样本准确度都达到了94.44％，而本发明采用的ABC-SVM模型的训练样本准确度高达100％，测试样本准确度也达到了100％。可知GA-SVM、SA-SVM、ABC-SVM三种模型都能有效的进行早期颤振识别，而ABC-SVM模型的识别效果最优。

考虑到一次运行结果可能存在偶然性，为了进一步验证ABC-SVM模型相较于其他三个分类模型的优越性，将实验样本进行10次随机划分，每次按照7∶3的比例划分成训练集和测试集，用10次的训练集和测试集分别训练、测试各分类模型，记录每次运行的准确度，得到图17所示的结果。在10次试验中，ABC-SVM模型的识别准确度均高于其他三种模型，且都达到了100％的识别准确度，GA-SVM模型和SA-SVM模型的识别准确度接近，平均准确度分别为90.55％和92.78％，未经优化的SVM模型准确度最低，平均准确度为79.44％，结果进一步说明了ABC-SVM模型在轴承套圈切入磨早期颤振识别中的精确性和稳定性。

通过第一组试验，不仅验证了小波包均方频率占比系数和CEEMD能量熵作为表征轴承套圈切入磨削颤振多分类的特征参数是有效的，而且试验结果表明两者组成的特征向量进行颤振多分类识别时，识别效果优于其他表征颤振的特征向量，同时对颤振孕育状态的识别效果有所提高；通过第二组试验，说明了ABC-SVM模型进行颤振多分类识别时具有优越性，进一步提高了轴承套圈切入磨早期颤振监测能力。

为了避免轴承套圈磨削时产生的颤振对机床、砂轮和套圈的严重破坏，有效实现对轴承套圈切入磨颤振的早期识别，提高企业生产效率，本发明提出了一种基于均方频率和能量熵结合人工蜂群优化支持向量机(ABC-SVM)的在线监测方法，并通过轴承套圈切入磨削实验进行验证，得到如下结论：

(1)支撑块处声发射信号经小波包分解处理后计算得到均方频率占比系数，砂轮轴处振动信号经CEEMD分解处理后计算得到能量熵，结果显示轴承套圈切入磨削加工过程中无颤振、颤振孕育、颤振爆发三种时期的小波包均方频率占比系数逐渐增大，CEEMD能量熵呈减小的趋势。

(2)将小波包能量占比、小波包均方频率占比系数、CEEMD时域参数、CEEMD能量熵两两特征参数构建的特征向量导入支持向量机进行颤振早期识别，利用识别准确度、Kappa系数、混淆矩阵进行分析，结果表明四个特征参数作为轴承套圈切入磨早期颤振识别的特征参数都是有效的，但小波包能量占比和CEEMD时域参数对颤振孕育状态存在识别灵敏度不足等问题，而小波包均方频率占比系数和CEEMD能量熵对颤振孕育状态的识别效果有所提高，且两者组成的特征向量对轴承套圈切入磨早期颤振识别效果最优。

(3)将小波包均方频率占比系数和CEEMD能量熵组成的特征向量分别导入SVM、GA-SVM、SA-SVM、ABC-SVM模型中进行轴承套圈切入磨颤振早期在线监测并多次试验，结果表明ABC-SVM模型对轴承套圈切入磨早期颤振平均识别准确度达到了100％，高于SVM(79.44％)、GA-SVM(90.55％)、SA-SVM(92.78％)的平均识别准确度，验证了本文针对轴承套圈切入磨早期颤振所提出的在线监测方法的有效性以及优越性，为后续抑制颤振环节提供依据和保证。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (5)

1.一种对轴承套圈内圆切入磨削加工早期颤振在线监测方法，其特征在于，具体包括如下步骤：

1)对轴承套圈内圆切入磨削加工中采集到的声发射信号进行小波包分解，得到各频段节点的能量占比，选取含有颤振信息频段的小波包系数进行重构并计算均方频率作为特征量T₁；

2)对轴承套圈内圆切入磨削加工中采集到的振动信号进行CEEMD分解，将分解得到的IMF分量进行相关性计算，利用相关系数筛选并计算得到能量熵作为特征量T₂；

3)将步骤1)和2)获得特征向量[T₁、T₂]作为表征轴承套圈切入磨早期颤振的特征信息送入ABC算法优化后的SVM模型进行分类识别，识别出加工处于无颤振、颤振孕育、颤振爆发状态。

2.一种对轴承套圈内圆切入磨削加工早期颤振在线监测的SVM模型建立方法，其特征在于，具体包括如下步骤：

1)对轴承套圈内圆切入磨削加工中支撑块处采集到的无颤振、颤振孕育、颤振爆发三个阶段的声发射信号进行小波包分解，得到各频段节点的能量占比，选取含有颤振信息频段的小波包系数进行重构并计算均方频率，从而获得能量占比系数和均方频率；

2)对轴承套圈内圆切入磨削加工中砂轮轴处采集到的颤振、颤振孕育、颤振爆发三个阶段的振动信号进行CEEMD分解，将分解得到的IMF分量进行相关性计算，利用相关系数筛选并计算得到能量熵和时域参数；

3)将步骤1)和2)获得的能量占比系数、均方频率占比系数、能量熵和时域参数四个特征参数两两组成特征向量依次导入未经优化的支持向量机中并利用准确度、Kappa系数和混淆矩阵分析识别结果；最后将均方频率T₁和能量熵T₂作为支持向量机的特征量，组成特征向量[T₁、T₂]作为表征轴承套圈切入磨早期颤振的特征信息；

4)实验共采集样本数据，包括无颤振、颤振孕育、颤振爆发状态的参数特征样本随机分成训练样本和测试样本；

5)支持向量机模型中的核函数γ和惩罚因子C利用ABC算法进行优化计算并结合交叉验证方法，将训练样本作为模型的控制量，以样本的分类精确度作为ABC算法的适应度函数并确定其他初始化参数，最终得出最优参数γ和C；

6)将训练样本导入经ABC算法优化后的SVM模型中进行训练，然后用测试样本进行分类识别，验证颤振识别效果，最终获得对轴承套圈内圆切入磨削加工早期颤振在线监测的SVM模型。

3.根据权利要求2所述对轴承套圈内圆切入磨削加工早期颤振在线监测的SVM模型建立方法，其特征在于，所述小波包分解将信号高频和低频分量都进行再分解，在轴承套圈磨削加工中发生颤振时，信号频域的主频带会上移，导致均方频率的值也会急剧升高，用均方频率作为识别轴承套圈切入磨颤振发生的一个特征值。

4.根据权利要求2或3所述对轴承套圈内圆切入磨削加工早期颤振在线监测的SVM模型建立方法，其特征在于，所述CEEMD分解：通过EMD将轴承套圈磨削加工过程中的非线性、非平稳信号的时间尺度作为特征，将信号逐级分解成一系列固有模态函数IMF和一个残余分量，每个IMF保留局部特征信息且为单一的瞬时频率，其中也涵盖了轴承套圈切入磨颤振特征信息，在此基础上，通过在每个阶段加入呈正负成对形式的辅助噪声来均衡噪声特性达到抑制模态混叠的影响，并且清除参与重构信号中的辅助噪声。

5.根据权利要求4所述对轴承套圈内圆切入磨削加工早期颤振在线监测的SVM模型建立方法，其特征在于，所述CEEMD分解的每个IMF分量含有不同的频率特征且含有不同的能量值，从而构成振动信号在频率域中的能量分布，得到信号的CEEMD能量熵；相关系数用来衡量CEEMD分解中原始信号与各个IMF分量之间的关联程度，关联程度大于0.5的能量嫡作为颤振识别的特征，有效反应轴承套圈切入磨颤振发生的情况。

Images