机床非线性切削振动的监测与控制

的类 ，此时要求对类型编号时要将 现频率较 高的类型排在前面。
３ 基 于Ｈ ＭＭ 的各种 监测 方法 比较
基 于 ＨＭＭ的切 削 颤 振 预 报 识 别 方 法 在 实 验 中取 得 了很 好 的 效 果 ， 但 由于ＨＭＭ是一个动态 时间序列的 内在特征表达 ，根据Ｖｔｒｉ ｉ ｂ算法或前 ｅ 向一 向算 法 将 ＨＭＭ应 用 于 切 削 状 态 识 别 ，容 易 受 噪声 干扰 而 出现 漏 报 后 或误报现象，其系统鲁棒性不及混合模 型，且Ｈ ＭＭ的分类效果也不如神 经 网络和支持向量机。ＭＬ 分类器是 一种解决模式分类 问题的强有力１ Ｐ ： 具 ，但它缺乏 动态时 间序列 的过程表 达能 力 ，而ＨＭＭ 对于时间序列的 变化提供了一个 良好的概率描述 ，本文提出的Ｈ ＭＭ与ＭＩ 的混合模型则 Ｊ Ｐ 有效地结合了二者的长处 ，在实验中取得 很好的效果。另一方面 ，考 ｒ 虑到系统的可推广性 以及切削颤振过渡过程特征的小样本问题 ，本文还 引入了支持 向量机作为模式识别Ｔ具，用ＨＭＭ对从切削信 号提取的特征 进 行 特 征 再 归纳 作 为Ｓ ＶＭ的输 人 。该 方 法 既考 虑 到 了ＨＭＭ的动 态 过 程 建 模能力 ，又有机地结合 了Ｓ Ｍ的模式分类能力 ，有效地提高 了系统的切 Ｖ 削状态辩识率和抗噪声干扰能力。同时由于Ｓ ＶＭ是一种基于统计模 式识 别理论提 的专 门研究小样奉情况下机器学习规律的理论 ，具有非常好 的 泛 化 能 力 ，这 也 从珲 论 卜 证 了ＨＭＭ／ Ｖ 论 Ｓ Ｍ的混 合 模 型 应 用 于 切削 状
Ｋ ｙ ｗ ｏｒ ｓ ｅ ｄ Ｈ ＭＭ ； ， 一 ｉｔ ｌ ｉ ｌｌ ｎ ｍｏ ｉ￣ Ｓ ｐ ｏ ｔ Ｉ｜Ｍａ・ｌ ｅ Ｎ “ ｌ ｈ ａｌ ； ｎ Ｈｌ ｕ ｐ ｌ Ｖ ｆ＿ ｎ ｎａ ｖ ｏ ； １ ｃ ｈ
本文研究 的丰要内容是寻求一种监控机 床所产生的非线性切削颤振 的新方法。这种新 法的特点是 ：通过对切削颤振过渡过程信号的处卿 来达到对切￣ｊ］ ｊＪ ｌ ｌ ｉ 状态和颤振模式 进行在线识别 ，进而通过采用电流变 Ｊ 等智能材料和结构在线调控切 削系统动态特性
应 用 方 法 论
１ ８ ３
机 床非 线 性 切 削振 动 的监 测 与控 制
林 戈 锐 ，高 峰
（ 东省深圳市深圳海 油人力资 源服务有限公 司，广东深圳 ５８０ 广 １０ ０）
摘 要 本文通过 对现有 切削 监测 的原理分 析和综合 ．以实验 为荩 础 ，建立 起了 一套 Ｌ Ｈ 为基础 ， ｊ 它模型丰 结 合的 方式 ，对切削过 ￣ ＭＭ 其 Ｈ
Ａｂｓ ｒ ｔ ａ ｅ １ｔ ｅｐ ｉｃ ｐｅｏ ｍ ｎｔ ｎ ｈ ｘｓｉ ｇｃ ｌｉｇａ ａｙ ｉ ａ ｄｓ ｔｅ ｉ． ｘ ｅ ｉ ｎａ ｂ ｓｓ １ ｓａ ｌ ｈ ａｓ ｌ ｆ ｔ ａｃ Ｂ ｓ ｄ ０ ｈ ｌ ｉ ｌ ｆ ｏ ｉ ｒ ｇｔｅｅ ｉｌ ｕ ｌ ｎ ｌｓｓ ｎ ｗ￣ ｓｓ ｅ ｐ ｒ １ ｎ ｏｉ ｎ ｎ ｈ ｍｅ ｌｌ ａ ｉ ｎｅ ｌｂ ｉ ｅ ＨＭＭ一 ｒ ｅ ． ｉ ． ｓ ｏ ｝ｓｄ ｗｔ ａ ｈ
ａｅ ｍｈ ｎ ｆ ｎｏ ｌｅ ｄ ｌ． ｅ ｅ ａｅ ｎｔ ｅｐ ｏ・ ｓｏ ｕ ｌ ｇｔ ｅｎ ｎ ｌ ｅ ｒ ｉｒ ｔ ｎ ｌ ｅｍｏ ｉ ’ ｇ Ｃ ｒｉｄ Ｏｌｂ ｌｒｅ ｉｌ １ ｌ ｆ ｕ ｌ ｇ ｏ ｉａ ｏ ｆ ｈ ｌ ｉ ｏ ｍｏ ｅｓ ｇ ｎ ｒｔｄ ｉ ｒ ￣ ｓ ｆ ｉ ｏ － ｉ ａ ｂａ ｉ — ｉ ｎ ｔ ｉ ． ａ ｔ Ｉ ｙａ ａｇ ｌｎ ） ｌ ｎ ｈ ｅ ｃ ｒｎ ｈ ｎ ｖ ｏ ｎ ｍｎ ｅ ｌ ｌｉ ｅ ｏ ｃ ｉ ｅ ｐ ｔｍｅ ｌｌ ｅ ｉ￣ ｌ ｎ（ ｅｒ ｌ ｂ ｌｙｏ ｅｓ ｓｅ １ ｒａ— ｉ ｒｅ ｓｉｇａ ｄ ｍｏ ｉ ｉｇｅ ｆ＋ｉｅ ｅ ｓ ｘ ｅ ｉ ｎ ａ ｒ ｉ ＇ｔ ｉ ｉｔ ｆｈ ｙ ｔｎ． ｅ ｌｔ ｖ ｆ ａ ｏ ｆｈ ｅ ａ ｉ ｉ ｔ ｍｅｆ ｅ ａ ｌ ｎ ｎｌ ｎ ｆ ｖ ｎ ｓ ｏ ｎ ｍ ｅｔ
Ｎ ｏｔ＿ ｉ ａ ｕｔｎｇ ｖ ｂｒ ｔ ｏｎ ｏｎｉ ｏｒ Ａ ｎｄ ｏｎｔ ｏ ｎ 。ｌｎｅ ｒ Ｃ ＿ ＿ 。 ｉ ｉ ａｉ Ｍ ｔ Ｃ ｒ ｌＯ Ｍ ａ ｈｉ ｌ ｃ ｎｅ Ｔｏｏ
Ｌｉ ｒ ｎ Ｇｅ ｕｉ Ｇａ ｎ ｏ Ｆｅ ｇ
（ｈ ｎｈ ｎ Ｇｕｎ ｄ ｎ ｒｖｎ ｅ Ｈｕ ｎＲ ｓｕｃ ｓ ｅｖｃ ｏ， ＮＯ ， ０ ０ Ｓ ｅ ｚｅ ， ａｇ ｏ ｇＰｏｉｃ ， ｍａ ｅｏ ｒｅ ｒｉｅＣ ．Ｃ ＯＣ ５ ０ ） Ｓ １ ８
态 监 洲 的优 越性 。
１ 基于 Ｈ ＭＭ模型 的切 削振 动 在线 监测
隐 马尔 町夫 模 型 （ ｉｄ ｎＭａｋｖＭ ｄｌ， 称 Ｈ Ｈｄ ｅ ｒｏ ｏ ｅ 简 ｓ ＭＭ ）是一 种 时 间序 列的统计模型。众多的研究 Ｉ 作从多个角度在致力于改善Ｈ ＭＭ的性能 。 ＨＭＭ具有极强ｆ ｘ 动态过程时间序列的建模能力和时序模式分类能力， ｌ ｑ ￣ － 特别适合非平稳 、重复再现性 不佳 的信号 的分析 。理论 七它可以处理任 意长 的序列 ，这是神经 网络等方法难 以做到 的。同时 ，在训练 和识别 中，一个ＨＭＭ参 数南同类模式 的训 练样本集得到 ，每一类 模式 对应一 个ＨＭＭ，当需要学 习某一新模式 时 ，只需修正与该模式相 对应类别的 ＨＭＭ，无须改变其它类别的ＨＭＭ，具 有较 好的学习和再学习的能力 ， 适应性特别强。 ．
程中产生 的 线性 颤动进行 在线监控 。所进 行的大量 切削实验 验证 了系统的 叮靠 性 、预报 的实时性 以及监控 的有效 。
关键 词 Ｈ ＭＭ：非 线性振 动 ；监洲 ；支持 向量机
中图 分 类号 Ｔ 文献 标 识码 Ａ Ｎ
文 章 编号 Ｉ７— ６ ｌ（ １）Ｏ— ｌ３Ｏ ６ ３９７ 一２ １ＩＯ８一 １ ０１