论文部分内容阅读
刀具故障诊断的过程包括诊断信息的获取、故障特征提取和状态识别三个主要部分。其中,故障特征提取和状态识别是诊断的关键。本文将时频分析的新方法——经验模态分解(Empirical Mode Decomposition,EMD)和模式识别的新技术——支持向量机(Support Vector Machine,SVM)结合在一起应用于刀具故障诊断当中。EMD方法基于信号的局部特征时间尺度,可以把原始信号分解为若干个内禀模态函数(Intrinsic Mode Function,IMF)之和,分解出的各个内禀模态函数分量突出了数据的局部特征,对它进行分析能够更加准确的把握原始数据的特征信息,更重要的是,每一个内禀模态函数分量都会随着信号本身的变化而变化,因此,EMD方法是一种自适应的时频局部化分析方法,非常适用于非线性和非平稳信号的分析。支持向量机比神经网络具有更好的泛化能力,它能保证找到的极值解是全局最优解,并且它还较好的解决了小样本的学习分类问题。本文利用EMD方法对原始的刀具信号进行特征提取,然后用支持向量机作为分类器对刀具的故障类型进行了分类,对实验数据的分析结果表明,EMD方法和SVM相结合应用于刀具故障诊断中是行之有效的办法。本论文的主要工作包括以下几个方面:1.实验数据的采集:KISTLER 9257B型测力仪对切削力信号进行采集之后,再经过后续的信号处理获得本文所需的数据。2.介绍了EMD方法分解的原理以及Hilbert谱和Hilbert边际谱,分析了该方法在信号处理中的应用,并将其对原始信号的分解结果与小波分解的结果进行了比较,基于其分解效果优于小波分解,给出了利用EMD对刀具故障状态进行特征提取的方法。3.详细介绍了支持向量机的原理,并对支持向量机的模型选择问题以及学习性能测试方面进行了分析。4.在对两种不同状态下信号的内禀模态函数能量熵的比较之后,对刀具正常切削和磨损状态下的切削力信号进行EMD分解,接着把提取到的特征向量作为支持向量机的训练样本,进行分类器的训练,然后用支持向量机分类器对刀具磨损状态进行识别,从而确定刀具的故障类型。5.验证了EMD和SVM相结合的方法应用于刀具故障诊断的有效性和可行性,实验结果表明了该方法在刀具故障诊断中具有较好的性能,并对下一步工作的开展做出展望。