基于機(jī)器學(xué)習(xí)主軸振動(dòng)信號(hào)的分類

劉英旭

摘要：本文通過(guò)設(shè)計(jì)機(jī)床主軸振動(dòng)信號(hào)的原始數(shù)據(jù)，對(duì)其進(jìn)行快速傅里葉變換和特征值提取，隨后將提取出來(lái)的特征值當(dāng)作輸入數(shù)據(jù)輸入機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，并輸出分類結(jié)果，試驗(yàn)準(zhǔn)確度達(dá)到了82%。

關(guān)鍵詞：主軸振動(dòng)信號(hào)分類，快速傅里葉變換，特征值提取，機(jī)器學(xué)習(xí)

Abstract： In this paper， the original data of machine tool spindle vibration signal are designed， and their fast Fourier transform and eigenvalues extraction are carried out. Then the extracted eigenvalues are input into the machine learning network as the input data for training， and the classification results are output. After experiments， the accuracy reached 82%.

Keywords： Spindle vibration signal classification， Fast Fourier transform， eigenvalue extraction， machine learning

1.引言

機(jī)床主軸很容易出現(xiàn)故障，所以分析其工作狀態(tài)十分必要，而利用數(shù)學(xué)解析法來(lái)處理機(jī)床主軸信號(hào)的精度不高。隨著機(jī)器學(xué)習(xí)的出現(xiàn)和發(fā)展，本文嘗試?yán)脵C(jī)器學(xué)習(xí)對(duì)設(shè)計(jì)的機(jī)床主軸振動(dòng)信號(hào)進(jìn)行處理和分類。

2.研究過(guò)程和方法

2.1 數(shù)據(jù)設(shè)計(jì)

本次實(shí)驗(yàn)將主軸標(biāo)準(zhǔn)振動(dòng)信號(hào)以及額外的誤差信號(hào)都簡(jiǎn)化設(shè)置為正弦或者余弦信號(hào)。其中包括：

a.基波信號(hào)：

b.主軸轉(zhuǎn)子彎曲或質(zhì)量偏心產(chǎn)生的同頻信號(hào)：

c.主軸轉(zhuǎn)子裂紋產(chǎn)生的二倍頻信號(hào)：

d.主軸回轉(zhuǎn)精度差產(chǎn)生的低頻信號(hào)：

e.殼體離散干擾高頻信號(hào)：

f.隨機(jī)誤差產(chǎn)生的隨機(jī)信號(hào)：

各干擾信號(hào)所允許的標(biāo)準(zhǔn)值和參數(shù)分別設(shè)置為：f0 = 100，A0 = 0.015，f1 = 100，A1 = 0.012，f2 = 200，A2 = 0.010，f3 = 10，A3 = 0.009，f4 = 500，A4 = 0.005，Ax=0.003。通過(guò)將這6組信號(hào)進(jìn)行任意的排列組合并且改變每組信號(hào)的幅值，本實(shí)驗(yàn)?zāi)M設(shè)計(jì)了107組主軸振動(dòng)信號(hào)，并且通過(guò)添加干擾信號(hào)的多少和幅值大小對(duì)其進(jìn)行工作狀態(tài)的確定，其中1代表工作狀態(tài)良好，2代表工作狀態(tài)一般，3代表不能工作。

2.2 ?快速傅里葉變換與特征值提取

本實(shí)驗(yàn)擬對(duì)設(shè)計(jì)的主軸信號(hào)進(jìn)行快速傅里葉變換和特征值的提取。本實(shí)驗(yàn)擬提取6個(gè)特征值，分別為時(shí)域信號(hào)峰峰值、時(shí)域信號(hào)平均值、時(shí)域信號(hào)標(biāo)準(zhǔn)差、頻域信號(hào)的加權(quán)頻率、頻域信號(hào)的加權(quán)幅值以及頻域信號(hào)的幅值平方和，設(shè)N為總采樣點(diǎn)數(shù)。其中：

時(shí)域信號(hào)峰峰值：

時(shí)域信號(hào)的平均值：

時(shí)域信號(hào)標(biāo)準(zhǔn)差：

在頻域中，設(shè)中心頻率1處的幅值為F1，頻率為w1;中心頻率2處的幅值為F2，頻率為w2;中心頻率3處的幅值為F3，頻率為w3;中心頻率4處的幅值為F4，頻率為w4。則有：

頻域信號(hào)的加權(quán)中心頻率：

頻域信號(hào)的加權(quán)中心幅值：

頻域信號(hào)幅值平方和：

2.3 ?ANN網(wǎng)絡(luò)模型的建立

人類的大腦是一個(gè)經(jīng)典的生物神經(jīng)網(wǎng)絡(luò)，而ANN是一個(gè)可以學(xué)習(xí)更深的知識(shí)或者可以確定數(shù)據(jù)的模式的模仿人類大腦的一個(gè)算法，一個(gè)多層神經(jīng)網(wǎng)絡(luò)的總體結(jié)構(gòu)，包括輸入層，隱藏層，輸出層。每一個(gè)層中的神經(jīng)元都與鄰近層的所有神經(jīng)元相連接，所以整個(gè)系統(tǒng)可以看成一個(gè)網(wǎng)絡(luò)。輸入的數(shù)據(jù)直接輸入到輸入層的神經(jīng)元中，不用經(jīng)過(guò)任何處理，而復(fù)雜的計(jì)算和處理在隱藏層和輸出層中完成。

本實(shí)驗(yàn)首先設(shè)置各項(xiàng)參數(shù)，隱藏層的數(shù)目沒(méi)有嚴(yán)格的規(guī)定，通常來(lái)說(shuō)從1開始不斷增加，直到可以出現(xiàn)符合實(shí)驗(yàn)要求的結(jié)果。輸入層和輸出層的神經(jīng)元個(gè)數(shù)與規(guī)定的輸入輸出數(shù)據(jù)個(gè)數(shù)相同，隱藏層的神經(jīng)元個(gè)數(shù)一般被設(shè)置為2n+1（n為輸入層的神經(jīng)元個(gè)數(shù)），所以本實(shí)驗(yàn)設(shè)置輸入層神經(jīng)元個(gè)數(shù)為6，隱藏層個(gè)數(shù)為1，隱藏層神經(jīng)元個(gè)數(shù)為13，輸出層神經(jīng)元個(gè)數(shù)為1，然后通過(guò)Matlab編寫程序?qū)ζ溥M(jìn)行訓(xùn)練。

結(jié)果分析

在本實(shí)驗(yàn)中，一共有85組數(shù)據(jù)進(jìn)行機(jī)器學(xué)習(xí)的訓(xùn)練，11組用來(lái)驗(yàn)證，11組用來(lái)測(cè)試，共計(jì)107組。其中第14、15、50、60、61、74、82、92、102、105和106組數(shù)據(jù)用來(lái)進(jìn)行測(cè)試，其測(cè)試結(jié)果如下。

由上表可見(jiàn)，在11組數(shù)據(jù)中，僅有兩組數(shù)據(jù)出現(xiàn)了網(wǎng)絡(luò)計(jì)算值和目標(biāo)值的偏差，所以準(zhǔn)確度約為82%，達(dá)到了足夠高的準(zhǔn)確度并完成了預(yù)期目標(biāo)。

4.結(jié)論

本文提出利用機(jī)器學(xué)習(xí)的方法，實(shí)現(xiàn)對(duì)機(jī)床主軸振動(dòng)信號(hào)的分類，準(zhǔn)確度高達(dá)82%，成功解決機(jī)床主軸振動(dòng)狀態(tài)的未知和利用數(shù)學(xué)解析法分析機(jī)床主軸振動(dòng)信號(hào)的精度問(wèn)題。

參考文獻(xiàn)

【1】龔帝武. 機(jī)床主軸振動(dòng)狀態(tài)在線監(jiān)測(cè)方法研究與系統(tǒng)實(shí)現(xiàn)【D】.電子科技大學(xué)，2020.