基于多特征融合的刀具磨損識(shí)別方法＊

關(guān) 山， 石志標(biāo)， 劉 炎

（東北電力大學(xué)機(jī)械工程學(xué)院 吉林，132012）

引 言

刀具狀態(tài)監(jiān)測(cè)技術(shù)作為保障工件表面質(zhì)量和尺寸精度，防止工件報(bào)廢和機(jī)床損壞，優(yōu)化加工過(guò)程，降低成本，提高生產(chǎn)效率的有效手段，越來(lái)越引起人們的重視。許多學(xué)者提出了多種監(jiān)測(cè)方法［1-4］，其中，多傳感器融合法［5-8］在一定程度上克服了單一傳感器獲取信息量有限、抗干擾能力差的局限性，大大提高了監(jiān)測(cè)結(jié)果的準(zhǔn)確率，是最為有效的監(jiān)測(cè)方法。但是，基于多傳感器融合的監(jiān)測(cè)系統(tǒng)勢(shì)必帶來(lái)成本的增加，干涉機(jī)床操作的靈活性，甚至影響機(jī)床的性能，從而影響實(shí)際監(jiān)測(cè)系統(tǒng)的推廣使用?；诓蓸有盘?hào)多特征融合［9］的監(jiān)測(cè)技術(shù)克服了多傳感器融合的缺點(diǎn)，拓展了監(jiān)測(cè)系統(tǒng)的可靠性和應(yīng)用范圍。筆者通過(guò)采集刀具不同磨損階段的聲發(fā)射信號(hào)，分別從信號(hào)的時(shí)域、頻域、時(shí)－頻兩域進(jìn)行特征提取，構(gòu)造聯(lián)合多特征向量，然后采用核主元分析法對(duì)聯(lián)合多特征向量進(jìn)行融合，剔除冗余特征，以最小二乘支持向量機(jī)作為分類器實(shí)現(xiàn)了刀具磨損狀態(tài)的識(shí)別，取得了較滿意的結(jié)果。

1 實(shí)驗(yàn)系統(tǒng)及實(shí)驗(yàn)方法

實(shí)驗(yàn)系統(tǒng)如圖1所示，傳感器采用PXR30諧振式聲發(fā)射傳感器，諧振頻率為300kHz，帶寬為80kHz～400kHz。較高的頻率能有效地接收到感興趣信號(hào)的高頻成分，又可濾除低頻噪聲，較寬的頻帶有利于實(shí)驗(yàn)過(guò)程中寬頻信號(hào)的采集。前置放大器為PXPAⅡ?qū)拵暟l(fā)射放大器，帶寬為15kHz～2MHz，增益為40dB。預(yù)處理實(shí)現(xiàn)對(duì)聲發(fā)射信號(hào)帶通濾波。采用PCI－1721數(shù)據(jù)采集卡，利用Lab－VIEW軟件編寫(xiě)數(shù)據(jù)采集程序完成數(shù)據(jù)采集，采樣頻率為1MHz。實(shí)驗(yàn)材料為高溫合金GH4169，刀片為肯納公司的KC9125硬質(zhì)合金涂層刀片，采用CKA6136i數(shù)控車床進(jìn)行車削實(shí)驗(yàn)。

圖1 聲發(fā)射數(shù)據(jù)采集系統(tǒng)示意圖Fig.1 The diagram of acoustic emission data collection system

實(shí)驗(yàn)的目的是為了研究變切削條件下刀具磨損狀態(tài)的分類問(wèn)題。如果將實(shí)驗(yàn)所選用的3種因素（切削速度、進(jìn)給量、切削深度）的所有參數(shù)（水平）進(jìn)行全面組合，形成多種切削條件，不僅會(huì)導(dǎo)致實(shí)驗(yàn)量過(guò)大，而且由于切削速度對(duì)刀具壽命的影響要遠(yuǎn)遠(yuǎn)大于進(jìn)給量和切削深度對(duì)刀具壽命的影響，雖然后續(xù)對(duì)采樣數(shù)據(jù)進(jìn)行了去均值及歸一化處理，以削除切削條件變化對(duì)刀具磨損的影響，過(guò)大的切削速度變化范圍仍會(huì)給變切削條件下刀具狀態(tài)的分類及磨損量預(yù)測(cè)帶來(lái)較大的誤差。因此，將所選用的切削速度參數(shù)依據(jù)相近原則分成3組，如表1所示。對(duì)應(yīng)于每一組各選取進(jìn)給量和切削深度這兩個(gè)因素的3種切削用量，根據(jù)日本學(xué)者田口玄一提出的正交實(shí)驗(yàn)設(shè)計(jì)法，設(shè)計(jì)了3組3因素3水平正交實(shí)驗(yàn)。

表1 各組正交實(shí)驗(yàn)所選用的切削速度Tab.1 Cutting speed of each orthogonal experiment r／min

根據(jù)正交實(shí)驗(yàn)表，選定一切削條件，在這一確定的切削條件下，實(shí)驗(yàn)方法如下：

1）取新刀片1進(jìn)行切削實(shí)驗(yàn)，切削10s后停車，僅采集切削過(guò)程中6～10s間的數(shù)據(jù)，取下刀片，測(cè)量磨損量VB值；

2）更換新刀片2，本次切削20s后停車，只記錄15～20s間的數(shù)據(jù)，取下刀片，測(cè)量VB值；

3）再次更換新刀片，切削時(shí)間比上一次再增加10s，僅記錄本次切削時(shí)間內(nèi)最后5s的數(shù)據(jù)，停車，取下刀片，測(cè)量VB值；

4）步驟3反復(fù)進(jìn)行，每次切削均更換新刀片，切削時(shí)間均比上次增加10s，直到切削時(shí)間累加到足夠長(zhǎng)，新刀片在這個(gè)切削時(shí)間內(nèi)進(jìn)行切削能夠磨損為止，本切削條件下的切削實(shí)驗(yàn)終止；

5）選取另一切削條件，重復(fù)1，2，3，4步實(shí)驗(yàn)過(guò)程，直至完成全部選定切削條件下的切削實(shí)驗(yàn)，切削實(shí)驗(yàn)結(jié)束。

由于每次實(shí)驗(yàn)都采用新刀片連續(xù)切削一定時(shí)間使刀片達(dá)到一定的磨損量，這與實(shí)際的切削過(guò)程相符。刀具磨損是漸變的過(guò)程，所以每次切削過(guò)程最后5s的實(shí)驗(yàn)數(shù)據(jù)才能最真實(shí)地反應(yīng)測(cè)量所得VB值所對(duì)應(yīng)的刀具磨損狀態(tài)，并大大減少了采集的數(shù)據(jù)量，為后續(xù)數(shù)據(jù)處理提供了方便。采用每次切削實(shí)驗(yàn)切削時(shí)間逐步遞增的方式，便于標(biāo)定切削時(shí)間、刀具磨損量及信號(hào)特征之間的一一對(duì)應(yīng)關(guān)系，為采用最小二乘支持向量機(jī)回歸算法實(shí)現(xiàn)刀具磨損量預(yù)測(cè)準(zhǔn)備了數(shù)據(jù)條件。

圖2所示為在切削速度為560r／min、進(jìn)給量為0.3mm／r、背吃刀量為0.4mm 時(shí)，刀具不同磨損階段采樣信號(hào)的時(shí)序圖（從上至下分別對(duì)應(yīng)的VB值為0.11，0.13，0.17，0.24，0.26和0.31mm）。

圖2 刀具不同磨損階段采樣信號(hào)時(shí)序圖Fig.2 The time series diagram of different wear stages sample signal

根據(jù)VB值，筆者將刀具磨損分成如表2所示的4個(gè)等級(jí)。

表2 刀具磨損等級(jí)分類表Tab.2 The tool wear grade classification

2 聯(lián)合多特征向量的構(gòu)造

2.1 基于EMD與AR模型的時(shí)域特征提取

經(jīng)驗(yàn)?zāi)B(tài)分解（empirical mode decomposition，簡(jiǎn)稱EMD）是Huang［10］提出的一種自適應(yīng)的、不需預(yù)先確定分解基的信號(hào)處理方法，通過(guò)EMD分解，可以將復(fù)雜的非平穩(wěn)信號(hào)以有限個(gè)固有模態(tài)函數(shù)（intrinsic mode functions，簡(jiǎn)稱IMF）之和的形式表示出來(lái)，各IMF分量包含了原信號(hào)中不同時(shí)間尺度的局部特征信息，實(shí)現(xiàn)了非平穩(wěn)信號(hào)的平穩(wěn)化處理。

時(shí)間序列的 AR（atuo－regressive）模型參數(shù)［11］凝聚了系統(tǒng)狀態(tài)的重要信息，對(duì)系統(tǒng)狀態(tài)變化的反映最為敏感。但AR模型僅對(duì)平穩(wěn)過(guò)程具有較好的分析效果，刀具磨損過(guò)程中產(chǎn)生的聲發(fā)射信號(hào)表現(xiàn)為較強(qiáng)的非平穩(wěn)特征，直接對(duì)其進(jìn)行AR建模效果不理想，EMD分解正好解決了這一問(wèn)題。因此，基于EMD與AR模型的信號(hào)時(shí)域特征提取步驟如下。

1）對(duì)采樣信號(hào)進(jìn)行EMD分解。

圖3為在560r／min，0.3mm／r，0.4mm／r的切削條件下，刀具磨損量VB值分別為0.11（左列）、0.26（中列）、0.33（右列）時(shí)所采集的聲發(fā)射信號(hào)經(jīng)EMD分解的結(jié)果。

圖3 不同磨損狀態(tài)信號(hào)經(jīng)EMD分解結(jié)果Fig.3 The EMD decomposition results of different wear state

分析結(jié)果表明，不同切削條件、刀具不同磨損狀態(tài)下采集的數(shù)據(jù)經(jīng)EMD分解后得到IMF分量的個(gè)數(shù)是不同的，如圖3所示。為使提取特征向量的維數(shù)一致，利用式（1）計(jì)算各IMF分量與原始信號(hào)的相關(guān)系數(shù)

其中：cov（X，Y）為兩序列的協(xié)方差；D（X），D（Y）為序列X和序列Y的方差。

計(jì)算結(jié)果表明，前7階IMF分量與原信號(hào)的相關(guān)性較好，攜帶原信號(hào)的主要信息，其余的IMF分量與原信號(hào)相關(guān)性較差，體現(xiàn)原信號(hào)中的噪聲成分，如圖4所示。筆者通過(guò)舍棄后面的IMF達(dá)到信號(hào)去噪、降維、歸范化的目的。

2）建立前7階IMF分量的AR模型。

采用最小信息準(zhǔn)則函數(shù)，通過(guò)實(shí)例計(jì)算確定4階為最佳模型階次，分別建立各IMF分量的4階AR模型，提取模型的自回歸系數(shù)構(gòu)成式（2）所示的28維特征向量。建模前先對(duì)各IMF分量進(jìn)行歸一化處理，以消除切削條件變化的影響。

圖4 各階IMF分量與原始信號(hào)的相關(guān)性Fig.4 The correlation of each IMF component with the original signal

其中：φm，n（m＝1～7；n＝1～4）表示m階IMF分量4階AR模型的第n個(gè)系數(shù)。

2.2 基于雙譜分析的頻域特征提取

雙譜是高階譜分析的一個(gè)特例，它涵蓋了傳統(tǒng)功率譜分析不能表征的信息，這些信息完全可以顯示非高斯信號(hào)的特征，且均值為零的高斯過(guò)程，其雙譜為零，因此能有效地消除高斯噪聲。雙譜分析作為非平穩(wěn)、非高斯信號(hào)特征提取的有效手段，已應(yīng)用于刀具磨損狀態(tài)檢測(cè)中［12］。

設(shè)｛x（t）｝為均值為零的k階平穩(wěn)隨機(jī)過(guò)程，其k階累積量ckx（τ1，τ2，…，τk－1）是絕對(duì)可和的，即

則｛x（t）｝的k階譜定義為k階累積量k－1維傅里葉變換

其中：ω＝［ω1，ω2，…，ωk－1］T；τ＝［τ1，τ2，…，τk－1］T。

其中，三 階 譜S3，x（ω1，ω2）叫 做 雙 譜，記 為Bx（ω1，ω2），定義為

筆者采用參數(shù)化雙譜估計(jì)法［13］計(jì)算雙譜，基于雙譜分析的頻域特征提取步驟如下。

1）對(duì)采樣信號(hào)進(jìn)行去均值及歸一化處理，以消除切削條件變化的影響

2）對(duì)歸一化后信號(hào)進(jìn)行雙譜分析。

圖5所示為進(jìn)給量（0.3mm／r）和切削深度（0.4mm）相同、切削速度不同時(shí)（a，b，c三列對(duì)應(yīng)的切削速度分別為560，630和800r／min），刀具不同磨損階段的雙譜分析圖。

從雙譜分析等高線圖中看出：在相同磨損階段，磨損信號(hào)的雙譜差異較?。欢诓煌哪p階段，采樣信號(hào)的雙譜存在明顯的差別，且在三種切削速度下均可以區(qū)分出來(lái)。這說(shuō)明信號(hào)經(jīng)去均值及歸一化處理后的雙譜特征可以有效地實(shí)現(xiàn)變切削條件下刀具磨損狀態(tài)的分類。

3）基于奇異值分解的雙譜特征提取。

奇異值是矩陣的固有特征，當(dāng)信號(hào)無(wú)噪聲或具有較高的信噪比時(shí)，奇異值隨著秩的增大而迅速減?。欢?dāng)信號(hào)完全由噪聲成分構(gòu)成時(shí)，矩陣是列滿秩的，各奇異值幾乎相等。因此，矩陣的奇異值中，前面若干個(gè)比較大，反映信號(hào)中的特征成分，其余的值較小，對(duì)應(yīng)信號(hào)中的噪聲成分。定義奇異譜為）

其中：λ1＞λ2＞…＞λr≥0為矩陣的奇異值。

奇異譜分量pi表示各狀態(tài)變量在整個(gè)系統(tǒng)中所占能量的相對(duì)關(guān)系，通過(guò)保留前s個(gè)奇異譜的方法提取特征向量并降維。奇異譜數(shù)量s的選取一般根據(jù)式（8）確定

采樣數(shù)據(jù)經(jīng)雙譜分析后，得到復(fù)數(shù)矩陣。對(duì)矩陣中的元素取模，構(gòu)造一個(gè)以模為元素的實(shí)矩陣MR，對(duì)MR進(jìn)行奇異分解。計(jì)算結(jié)果表明：在不同切削條件、不同磨損狀態(tài)下，能量累積貢獻(xiàn)率大于85%的奇異譜數(shù)量并不相同，一般在10～15之間。筆者統(tǒng)一選取前15個(gè)奇異值譜構(gòu)造特征向量如下

圖6為p1－p2，p1－p3的二維分布散度圖，由圖6可以看出，所提取特征的聚類效果是很明顯的。

2.3 基于小波包變換的能量特征提取

對(duì)不同切削條件、不同磨損階段所采集的信號(hào)進(jìn)行傅里葉分析，發(fā)現(xiàn)信號(hào)的頻率主要集中在200kHz以下，并且隨著刀具磨損的加劇，信號(hào)在該頻段內(nèi)的幅值有較大的變化。圖7所示為在切削條件為140r／min，0.3mm／r，0.4mm，VB值分別為0.146和0.347mm時(shí)，磨損信號(hào)傅里葉變換的頻譜圖。

圖5 雙譜分析等高線圖Fig.5 The bispectral analysis contour map

圖6 p1－p2，p1－p3 的散度圖Fig.6 The divergence chart of p1 －p2and p1 －p3

同時(shí)計(jì)算信號(hào)從低頻到高頻能量的累積占總能量的百分比，發(fā)現(xiàn)絕大多數(shù)情況下信號(hào)在0～200kHz內(nèi)的能量占總能量的百分比超過(guò)85%，個(gè)別情況下在0～230kHz內(nèi)超過(guò)85%。本研究中信號(hào)的采樣頻率為1MHz。根據(jù)采樣定理，采樣頻率ωs和連續(xù)信號(hào)最高頻率ωmax之間的關(guān)系必須滿足ωs≥2ωmax，從而得出采集有效信號(hào)的最高頻率為500kHz。根據(jù)小波包分解理論，對(duì)采樣信號(hào)進(jìn)行4層小波包分解，可將信號(hào)分解為16個(gè)頻段，那么前8個(gè)頻段將包括信號(hào)中頻率為0～256kHz的范圍。所以只取前8個(gè)頻段的信號(hào)作為研究對(duì)象，就可以包含原信號(hào)中的絕大多數(shù)有用信息?；谛〔ò儞Q的能量特征的提取步驟如下。

圖7 刀具2種磨損狀態(tài)信號(hào)的頻譜圖Fig.7 Two wear states signal spectrum

1）對(duì)采樣信號(hào)進(jìn)行4層小波包分解，提取前8個(gè)頻段的小波包分解系數(shù)并重構(gòu)，得到各頻帶內(nèi)的時(shí)域信號(hào)S4，0～S4，7。

2）求各頻帶信號(hào)的能量e4，j（j＝0，1，…，7）

其中：xjk（j＝0，1，…，7；k＝0，1，…，n）表示重構(gòu)信號(hào)s4，j的離散點(diǎn)的幅值。

3）以8個(gè)頻段內(nèi)信號(hào)的能量為元素構(gòu)造特征向量T，則T表示為考慮到變切削條件下刀具磨損狀態(tài)的監(jiān)測(cè)問(wèn)題，筆者對(duì)能量特征進(jìn)行了歸一化處理

在 切 削 條 件 為 220r／min，0.3mm／r，0.51mm，VB 值分 別為 0.083，0.143，0.252 和0.324mm時(shí)，小波包分解前8個(gè)頻段的能量圖如圖8所示。

圖8 刀具不同磨損狀態(tài)AE信號(hào)的頻帶－能量圖Fig.8 The band－energy bar of different tool wear AE signal

2.4 構(gòu)造聯(lián)合多特征向量

1）采集對(duì)應(yīng)不同切削條件、不同磨損狀態(tài)下的聲發(fā)射信號(hào)，讀取VB值，建立信號(hào)與刀具磨損狀態(tài)的對(duì)應(yīng)關(guān)系。

2）構(gòu)造如式（2）所示的28維特征行向量Tar，如式（9）所示的15維特征行向量Tho和如式（12）所示的8維特征向量Twa。

3）將Tar，Tho和Twa依次首尾相連，構(gòu)造如式（13）所示的51維聯(lián)合多特征向量t

3 基于核主元分析的融合特征構(gòu)造

核主元分析［14］是一種常用的高維數(shù)據(jù)線性降維和特征提取方法，它通過(guò)構(gòu)造一組新的潛隱變量來(lái)降低原始數(shù)據(jù)空間的維數(shù)，再?gòu)男碌挠成淇臻g中抽取主要變化的信息，提取統(tǒng)計(jì)特征。新映射空間中的變量由原始數(shù)據(jù)變量的線性組合構(gòu)成，彼此正交，消除了變量間的關(guān)聯(lián)性，最大限度地?cái)y帶原變量的有用信息，從而降低了投影空間的維數(shù)。

本研究以表3所列的9種切削條件及表2所示的刀具磨損等級(jí)為例說(shuō)明融合特征的構(gòu)造方法。

表3 實(shí)驗(yàn)所選切削參數(shù)Tab.3 Experimental cutting parameters

在同一切削條件下，采集刀具從初期磨損到劇烈磨損的樣本50組，9種切削條件下共選取450組樣本。分別構(gòu)造聯(lián)合多特征向量，組成一個(gè)450×51的聯(lián)合特征向量矩陣M，矩陣的每行代表一個(gè)樣本的聯(lián)合特征。對(duì)矩陣M進(jìn)行核主元分析，得到51×51的主成分系數(shù)矩陣Acoeff

Acoeff矩陣中的第i列是第i個(gè)主成分的系數(shù)向量。同時(shí)計(jì)算樣本協(xié)方差矩陣的特征值向量，它是由51個(gè)特征值構(gòu)成的列向量，特征值按降序排列，對(duì)應(yīng)每一主成元對(duì)整體貢獻(xiàn)的大小。由圖9可以看出，前10個(gè)主元的累積貢獻(xiàn)率超過(guò)85%，因此，選取前10個(gè)主元，這樣主成分系數(shù)矩陣Acoeff變?yōu)槿缦碌?1×10的矩陣

對(duì)于一個(gè)新的樣本，按照聯(lián)合特征向量的構(gòu)造方法，構(gòu)造出51維聯(lián)合特征向量tnew＝［t1，t2，…，t51］，然后向新的主元投影，就得到降維后的融合特征向量Tnew∈R1×10，這樣特征向量從51維降為10維，投影算法如下

圖9 主元的貢獻(xiàn)率及累積貢獻(xiàn)率Fig.9 Contribution rate of the principal component and cumulative contribution rate

圖10為融合特征向量Tnew中不同主元的二維散度圖。由圖10可以看出，經(jīng)KPCA降維后的融合特征具有較好的聚類能力。

4 基于LS－SVM的刀具狀態(tài)分類

將融合特征向量分為二組，一組用于訓(xùn)練，一組用于驗(yàn)證。兩組樣本數(shù)都為200個(gè)，其中A類樣本20個(gè)，其余每種類別各60個(gè)。

采用 LS－SVM［6，15］進(jìn)行分類，徑向基核函數(shù)參數(shù)σ和懲罰參數(shù)γ的選擇直接影響所建模型的識(shí)別精度。筆者采用交叉驗(yàn)證法優(yōu)化參數(shù)，表4列出了選用不同的σ和γ值對(duì)分類準(zhǔn)確率的影響。在選定優(yōu)化參數(shù)的情況下，各類別的識(shí)別率及總體識(shí)別率如表5有淺色底紋行所示。

表4 采用不同的參數(shù)σ和γ對(duì)分類準(zhǔn)確率的影響Tab.4 The impact on the classification accuracy with different parametersσandγ

為了驗(yàn)證融合特征的優(yōu)劣，筆者分別采用EMD法、雙譜分析法、小波分析法等提取的單一特征以及聯(lián)合特征送入LS－SVM進(jìn)行識(shí)別，結(jié)果如表5所示。識(shí)別結(jié)果表明：a.采用融合特征進(jìn)行識(shí)別具有最高的識(shí)別準(zhǔn)確率；b.比較融合特征與聯(lián)合特征的識(shí)別率可以得出，主元分析可以有效地消除各變量間的冗余，去除次要特征，有效減少了特征的維數(shù)，減少了后續(xù)訓(xùn)練和識(shí)別的時(shí)間，避免了“維數(shù)災(zāi)難”，提高了識(shí)別的準(zhǔn)確率；c.A類樣本的識(shí)別率均最低，這是由于在切削過(guò)程中，刀具在初始階段磨損較快，采集到的A類樣本較少，且磨損量多分布在0.067～0.083mm之間，樣本覆蓋范圍較窄，導(dǎo)致訓(xùn)練階不夠充分，從而影響整體識(shí)別率，但是這類樣本的誤識(shí)別并不影響刀具的使用性能。進(jìn)一步比較LSSVM與SVM及BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)在分類方面的性能，采用融合特征分別送入以上分類器，分類結(jié)果如表6所示。

圖10 不同主元的散度圖Fig.10 The divergence chart of different principal component

表5 選用不同特征的識(shí)別率比較Tab.5 The recognition rate comparison of different characteristics

表6 選用不同識(shí)別方法的識(shí)別率比較Tab.6 The recognition rate comparison of different methods

結(jié)果表明，采用不同的識(shí)別方法，B，C和D類的識(shí)別結(jié)果大至相近，但是LS－SVM，SVM對(duì)A類的識(shí)別率明顯高于RBF和BP網(wǎng)絡(luò)。這表明LSSVM，SVM在小樣本的識(shí)別上要優(yōu)于神經(jīng)網(wǎng)絡(luò)。通過(guò)對(duì)不能正確分類樣本的進(jìn)一步分析發(fā)現(xiàn)，這類樣本多集中在磨損分類的過(guò)渡階段，不論采用哪種特征提取方法，這類樣本的特征都比較接近。

5 結(jié) 論

1）筆者提出的融合特征與單一特征或聯(lián)合特征相比，可以更有效地刻畫(huà)刀具磨損過(guò)程產(chǎn)生的聲發(fā)射信號(hào)，得到最高的識(shí)別率。在不增加監(jiān)測(cè)成本及設(shè)備安裝復(fù)雜性的基礎(chǔ)上，采用融合特征實(shí)現(xiàn)刀具狀態(tài)監(jiān)測(cè)，為實(shí)用刀具磨損監(jiān)測(cè)系統(tǒng)的開(kāi)發(fā)研制提供了一條可借鑒的途徑。

2）徑向基核函數(shù)參數(shù)σ和懲罰參數(shù)γ的選擇直接影響所建LS－SVM模型的分類識(shí)別精度。在小樣本的情況下，LS－SVM方法用于刀具磨損狀態(tài)識(shí)別在實(shí)例計(jì)算中要優(yōu)于神經(jīng)網(wǎng)絡(luò)識(shí)別方法，得到較滿意的結(jié)果。

3）錯(cuò)誤識(shí)別的樣本大多集中在刀具磨損的過(guò)渡階段，為了提高識(shí)別的準(zhǔn)確率，找到更為有效的信號(hào)特征提取方法將是下一步研究的主要目標(biāo)。

［1］ Zhu Kunpeng，Wong Y S，Hong G S.Wavelet analysis of sensor signals for tool condition monitoring：a re－view and some new results［J］.International Journal of Machine Tools ＆ Manufacture，2009，49（7）：537－553.

［2］ Dutta S，Datta A，Das Chakladar D，et al.Detection of tool condition from the turned surface images using an accurate grey level co－occurrence technique［J］.Precision Engineering，2012，36（3）：458－466.

［3］ Zhu Kunpeng，Wong Y S，Hong G S.Multi－category micro－milling tool wear monitoring with continuous hidden Markov models［J］.Mechanical Systems and Signal Processing，2009，23（2）547－560.

［4］ 康晶，馮長(zhǎng)建，胡紅英.刀具磨損監(jiān)測(cè)及破損模式識(shí)別［J］.振動(dòng)、測(cè)試與診斷，2009，29（1）：5－9.

Kang Jing，F(xiàn)eng Changjian，Hu Hongying.Tool wear monitoring and pattern recognition of tool failure［J］.Journal of Vibration， Measurement ＆ Diagnosis，2009，29（1）：5－9.（in Chinese）

［5］ Cuneyt A，Metin Ertunc H，Hasan O.Tool wear condition monitoring using a sensor fusion mode based on fuzzy inference system［J］.Mechanical Systems and Signal Processing，2009，23（2）：539－546.

［6］ Sultan B，Shihab A，Sohyung C，et al.Machine ensemble approach for simultaneous detection of transient and gradual abnormalities in end milling using multisensor fusion［J］.Journal of Materials Processing Technology，2009，209（10）：4728－4738.

［7］ Ghosh N，Ravi Y B，Patra P，et al.Estimation of tool wear during CNC milling using neural network－based sensor fusion［J］.Mechanical Systems and Signal Processing，2007，21（1）：466－479.

［8］ Ibrahim D，Khaled A，F(xiàn)iras H.On modeling of tool wear using sensor fusion and polynomial classifiers［J］.Mechanical Systems and Signal Processing，2009，23（5）：1719－1729.

［9］ 鄭建明.基于HMM的多特征融合鉆頭磨損監(jiān)測(cè)技術(shù)的研究［D］.西安：西安理工大學(xué)，2004.

［10］Huang N E，Shen Z，Long S R，et al.The empirical mode decomposition and the Hilbert spectrum for nonlinear and non－stationary time series analysis［J］.Proceedings of the Royal Society A：Mathematical，Physical and Engineering Sciences，1998，454：903－995.

［11］王海麗，馬春翔，邵華，等.車削過(guò)程中刀具磨損和破損狀態(tài)的自動(dòng)識(shí)別［J］.上海交通大學(xué)學(xué)報(bào)，2006，40（12）：2057－2062.

Wang Haili，Ma Chunxiang，Shao Hua，et al.The tool wear and breakage monitoring in turning using neural network［J］.Journal of Shanghai Jiaotong University，2006，40（12）：2057－2062.（in Chinese）

［12］李錫文，楊明金，謝守勇，等.銑削加工刀具磨損過(guò)程雙譜分析［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2007，38（9）：143－146.

Li Xiwen，Yang Mingjin，Xie Shouyong，et al.Bispectral analysis of cutter wear process in milling operation［J］.Transactions of the Chinese Society for Agricultural Machinery，2007，38 （9）：143－146.（in Chinese）

［13］李勇，徐震.Matlab輔助現(xiàn)代工程數(shù)字信號(hào)處理［M］.西安：西安電子科技大學(xué)出版社，2002：219－238.

［14］Elangovan M，Devasenapati S B，Sakthivel N R，et al.Evaluation of expert system for condition monitoring of a single point cutting tool using principle component analysis and decision tree algorithm［J］.Expert Systems with Applications，2011，38（4）：4450－4459.

［15］Elangovan M，Sugumaran V，Ramachandran K I，et al.Effect of SVM kernel functions on classification of vibration signals of single point cutting tool［J］.Expert Systems with Application，2011，38（12）：15202－15207.