基于LMD-PE与SVM机床刀具磨损故障诊断

对此，国内外学者对刀具磨损故障进行了深入 研究。ＡｎｔｏｉｎｅＴａｈａ等［６］运用小波分析来提取刀具 磨损时域信号的故障特征，然后运用卷积神经网络 （ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋ，ＣＮＮ）对 故 障 特 征 信 号类型进行判别，结果表明 ＣＮＮ可有效提高故障判 别精度。ＹｏｎｇｊｉａｏＣｈｉ等［７］通过集合经验模态分解
ＳＶＭ）的机床刀具磨损故障诊断方法。首先对刀具磨损故障信号进行 ＬＭＤ分解，再根据相关系数去除噪声信号以
及由于分解误差所带来的冗余信号后，选取合适的乘积分量（ＰｒｏｄｕｃｔＦｕｎｃｔｉｏｎ，ＰＦ）进行信号重构，然后将重构后的
信号计算排列熵并通过标量量化处理后得到特征向量，最终将特征向量输入到已训练完成的支持向量机中来判别
ＦｅｎｇＳｈｅｎｇ
Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇａｔｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｍａｃｈｉｎｅｔｏｏｌｗｅａｒｓｉｇｎａｌｗｉｔｈｌａｒｇｅｓｉｇｎａｌｎｏｉｓｅ，ｆｒｅｑｕｅｎｃｙｂａｎｄａｌｉａｓｉｎｇ ａｎｄｌｏｗｓｉｇｎａｌｔｏｎｏｉｓｅｒａｔｉｏ，ａｍａｃｈｉｎｅｔｏｏｌｗｅａｒｆａｕｌｔｂａｓｅｄｏｎｌｏｃａｌｍｅａｎｄｅｃｏｍｐｏｓｉｔｉｏｎ（ＬＭＤ）ｐｅｒｍｕｔａｔｉｏｎｅｎｔｒｏｐｙ （ＰＥ）ａｎｄｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ（ＳＶＭ）ｉｓｐｒｏｐｏｓｅｄｄｉａｇｎｏｓｉｓｍｅｔｈｏｄ．Ｔｈｅｍｅｔｈｏｄｆｉｒｓｔｌｙｐｅｒｆｏｒｍｓｌｏｃａｌｍｅａｎｄｅｃｏｍｐｏ ｓｉｔｉｏｎｏｎｔｈｅｔｏｏｌｗｅａｒｓｉｇｎａｌ．Ａｆｔｅｒｒｅｍｏｖｉｎｇｔｈｅｎｏｉｓｅｓｉｇｎａｌａｎｄｔｈｅｒｅｄｕｎｄａｎｔｓｉｇｎａｌｇｅｎｅｒａｔｅｄｂｙｔｈｅｄｅｃｏｍｐｏｓｉｔｉｏｎ，ｔｈｅ ａｐｐｒｏｐｒｉａｔｅｐｒｏｄｕｃｔｆｕｎｃｔｉｏｎ（ＰＦ）ｉｓｓｅｌｅｃｔｅｄｆｏｒｓｉｇｎａｌｒｅｃｏｎｓｔｒｕｃｔｉｏｎ，ａｎｄｔｈｅｎｔｈｅｒｅｃｏｎｓｔｒｕｃｔｅｄｓｉｇｎａｌｉｓｃａｌｃｕｌａｔｅｄａｎｄ ｔｈｅｅｎｔｒｏｐｙｖａｌｕｅｉｓｃａｌｃｕｌａｔｅｄ．Ｔｈｅｓｃａｌａｒｑｕａｎｔｉｚａｔｉｏｎｉｓｕｓｅｄｔｏｏｂｔａｉｎｔｈｅｆｅａｔｕｒｅｖｅｃｔｏｒ，ａｎｄｆｉｎａｌｌｙｔｈｅｆｅａｔｕｒｅｖｅｃｔｏｒｉｓ ｉｎｐｕｔｉｎｔｏｔｈｅｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｔｏｄｅｔｅｒｍｉｎｅｔｈｅｗｅａｒｓｔａｔｅｏｆｔｈｅｔｏｏｌ．Ｔｈｅｔｅｓｔｒｅｓｕｌｔｓｖｅｒｉｆｙｔｈｅｖａｌｉｄｉｔｙａｎｄｐｒａｃｔｉｃａ ｂｉｌｉｔｙｏｆｔｈｅｍｅｔｈｏｄｆｏｒｄｉｓｃｒｉｍｉｎａｔｉｎｇｔｈｅｔｏｏｌｗｅａｒｆａｉｌｕｒｅｏｆｔｈｅｍａｃｈｉｎｅｔｏｏｌ．
收稿日期：２０１８年 １２月
（ＥｎｓｅｍｂｌｅＥｍｐｉｒｉｃａｌＭｏｄｅＤｅｃｏｍｐｏｓｉｔｉｏｎ，ＥＥＭＤ）提 取刀具磨损故障特征，然后根据刀具运用高斯适应 方程来估计刀具的磨损状态，试验结果验证了该方 法的有效性。Ｙ．Ｌｅｉ等［８］提出了在刀具切削过程中 运用改进的希尔伯特—黄变换（ＨｉｌｂｅｒｔＨｕａｎｇｔｒａｎｓ ｆｏｒｍ，ＨＨＴ）对经过 ＥＥＭＤ分解产生的敏感 ＩＭＦｓ进 行频域分析，试验结果表明该方法对刀具磨损信号 具有很好的状态估计以及判别能力。在国内，包广 清等［９］将经 验 模 态 分 解 与 小 波 降 噪 方 法 相 结 合 进 行刀具磨损故障诊断，由于 ＥＭＤ算法能够自适应地 分解原始信号为多个 ＩＭＦ，提出了 ＥＭＤ分解阈值去 燥的方法，该方法能够自适应去除噪声保留特征信 号，但由于 ＥＭＤ存在“欠冲”和“过冲”的问题，故此 方法存在一定的局限性。刘路等［１０］考虑到 ＳＶＭ［１１］ 具有良好的学习和泛化能力，故将其引用到刀具磨 损故障诊断中，该方法提取磨损信号的均值、均方根 值、小波能量以及其近似熵作为 ＳＶＭ 的特征向量， 然后通过 ＳＶＭ 分类器对故障类型进行有效判别。 综合国内外学者在刀具磨损故障诊断的深入研究，
２０１９ห้องสมุดไป่ตู้第 ５３卷 Ｎｏ．７
１１１
基于 ＬＭＤＰＥ与 ＳＶＭ 机床刀具磨损故障诊断
冯胜
中海石油（中国）有限公司天津分公司
摘要：针对机床刀具磨损故障信号具有信号噪声大、频带混叠以及信噪比低的问题，提出了一种基于局部均
值分解（ＬｏｃａｌＭｅａｎＤｅｃｏｍｐｏｓｉｔｉｏｎ，ＬＭＤ）—排列熵（ＰｅｒｍｕｔａｔｉｏｎＥｎｔｒｏｙ，ＰＥ）与支持向量机（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅｓ，
Ｋｅｙｗｏｒｄｓ：ｔｏｏｌｗｅａｒ；ｌｏｃａｌｍｅａｎｄｅｃｏｍｐｏｓｉｔｉｏｎ；ｐｅｒｍｕｔａｔｉｏｎｅｎｔｒｏｐｙ；ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ；ｆａｕｌｔｄｉａｇｎｏｓｉｓ
引言
机床是机械加工系统最重要的制造单元，其运 行状态对产品质量有着非常重要的影响［１］，作为机 床加工制造过程中的关键部件，刀具能否健康稳定 运行同样决定了产品的品质［２］。故在加工过程中， 如果刀具有磨损故障发生，轻则影响产品出厂质量 和精度，重则由于磨损严重造成刀具断裂，进而损坏 加工部件，甚至可能引起机床损坏等无法挽回的损 失［３，４］。所以，刀具能否健康、稳定地运行对生产制 造起着举足轻重的作用［５］。
１１２
工具技术
提出了基于 ＬＭＤＰＥ［１２，１３］与 ＳＶＭ 的刀具磨损故障 诊断方法。
该方法能够自适应地对非线性刀具磨损信号进 行分解，不会由于分解过程产生欠冲或者过冲的问 题产生多个噪声信号，并且通过计算重构信号的排 列熵值能够准确地从刀具与工件产生磨损的内部力 变化来剖析信号特征，并通过提取特征信号分量输 入到多个 ＳＶＭ 分类器中进行故障类型判别。ＳＶＭ 具有小样本训练收敛的特性，并且具有很好的学习 泛化能力［１４］，适合刀具磨损故障诊断的研究。
刀具的磨损状态，试验结果验证了该方法对机床刀具磨损故障诊断的有效性和实用性。
关键词：刀具磨损；局部均值分解；排列熵；支持向量机；故障诊断
中图分类号：ＴＧ７０７；ＴＨ１１７ 文献标志码：Ａ
ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００－７００８．２０１９．０８．０２７
ＦａｕｌｔＤｉａｇｎｏｓｉｓｏｆＴｏｏｌＷｅａｒｆｏｒＭａｃｈｉｎｅＴｏｏｌＢａｓｅｄｏｎＬＭＤＰＥａｎｄＳＶＭ