基于EMD-SVM的鈦合金銑削過程刀具磨損監(jiān)測*

謝振龍，岳彩旭，劉獻(xiàn)禮，嚴(yán)復(fù)鋼，劉智博，穆殿方，梁越昇

（1.哈爾濱理工大學(xué)先進(jìn)制造智能化技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室 哈爾濱，150080）

（2.佐治亞理工學(xué)院喬治·W·伍德拉夫機(jī)械工程學(xué)院 亞特蘭大，30332）

引言

智能制造是包括原材料、加工及測量檢測等一系列環(huán)節(jié)的生產(chǎn)過程，刀具是其中非常關(guān)鍵的環(huán)節(jié)［1］。刀具磨損作為最主要的刀具失效形式，關(guān)乎著制造的精度及產(chǎn)品的表面質(zhì)量，如何精確識(shí)別刀具磨損已成為一個(gè)研究熱點(diǎn)。

近些年，專家們提出了許多刀具磨損識(shí)別的方法，主要分為直接觀察法和間接觀察法。直接觀察法就是測量刀具磨損量來衡量刀具磨損程度，包括監(jiān)測磨損寬度、磨損面大小等。常用的方法有接觸法、輻射法和光學(xué)檢測法。它存在2個(gè)主要缺陷：①不能對刀具磨損狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測；②停機(jī)檢測極大降低工作效率。間接觀察法就是通過檢測刀具銑削時(shí)產(chǎn)生的信號(hào)，構(gòu)建基于信號(hào)的刀具磨損模型，從而監(jiān)測刀具磨損的方法。此方法不對加工過程造成干擾，且可以連續(xù)監(jiān)測加工過程，更適合于在線監(jiān)測。常用的方法有切削力監(jiān)測［2］、聲發(fā)射監(jiān)測［3］、振動(dòng)監(jiān)測［4］、電流與功率監(jiān)測［5］、超聲波監(jiān)測［6］和溫度監(jiān)測［7］。然而單純采集銑削時(shí)的信號(hào)不能準(zhǔn)確反應(yīng)刀具狀態(tài)，機(jī)器學(xué)習(xí)及信號(hào)處理技術(shù)為刀具磨損識(shí)別提供了新的思路。Rizal等［8］提出了一種結(jié)合多傳感器信號(hào)和馬氏田口系統(tǒng)的檢測刀具磨損的方法，并提出馬氏距離作為識(shí)別刀具磨損的評價(jià)指標(biāo)。Bhuiyan等［9］對切削時(shí)的聲發(fā)射及振動(dòng)信號(hào)進(jìn)行研究，探究刀具磨損與信號(hào)之間的關(guān)系。Wu等［10］通過多信號(hào)融合探究刀具剩余壽命，揭示信號(hào)與刀具磨損之間的關(guān)系。Chen等［11］通過深度置信網(wǎng)絡(luò)學(xué)習(xí)模型融合刀具力信號(hào)、振動(dòng)信號(hào)及聲發(fā)射信號(hào)對刀具磨損進(jìn)行識(shí)別。謝峰云等［12］提出的廣義BP神經(jīng)網(wǎng)絡(luò)識(shí)別模型，提取了振動(dòng)信號(hào)廣義均方根、廣義功率譜密度均方根及小波包系數(shù)均方根為特征值，將特征值輸入BP神經(jīng)網(wǎng)絡(luò)中識(shí)別鋁合金銑削時(shí)的顫振。甘梓舜等［13］通過對機(jī)床的各種信號(hào)進(jìn)行監(jiān)測從而監(jiān)測刀具磨損。陳剛等［14］通過BP神經(jīng)網(wǎng)絡(luò)對振動(dòng)及切削力信號(hào)進(jìn)行學(xué)習(xí)從而識(shí)別刀具磨損。但是由于深度學(xué)習(xí)及其他學(xué)習(xí)模型所需數(shù)據(jù)量大、運(yùn)算速度慢，BP神經(jīng)網(wǎng)絡(luò)準(zhǔn)確性相對不穩(wěn)定，而SVM由于其算法簡單以及具有優(yōu)秀的“學(xué)習(xí)”能力［15］，所以筆者采用SVM對數(shù)據(jù)進(jìn)行學(xué)習(xí)，從而達(dá)到刀具磨損識(shí)別的效果。

利用信號(hào)對刀具磨損狀態(tài)識(shí)別會(huì)面臨一個(gè)問題，即采取的信號(hào)往往摻雜著噪聲，所以對信號(hào)進(jìn)行處理至關(guān)重要。Plaza等［16］通過對比不同的信號(hào)處理方法，選擇小波包與神經(jīng)網(wǎng)絡(luò)結(jié)合的方式對信號(hào)進(jìn)行處理監(jiān)測表面質(zhì)量，但是由于小波包基有選擇困難的局限，選用小波包基會(huì)花費(fèi)較長的時(shí)間且監(jiān)測的信號(hào)會(huì)出現(xiàn)非線性、非平穩(wěn)的現(xiàn)象。為了解決這個(gè)問題，Huang等［17］提出了經(jīng)驗(yàn)?zāi)B(tài)分解，該方法對于分析信號(hào)非線性與非平穩(wěn)具有明顯的優(yōu)越性，同時(shí)克服了小波包基選擇困難的特點(diǎn)。在處理信號(hào)時(shí)選擇EMD將會(huì)簡化數(shù)據(jù)的計(jì)算且不會(huì)失去數(shù)據(jù)原有的特性，因此將EMD引用到信號(hào)監(jiān)測中對信號(hào)進(jìn)行處理。

由于采取的信號(hào)數(shù)據(jù)量大，直接輸入信號(hào)進(jìn)行學(xué)習(xí)及判斷會(huì)增加模型運(yùn)算時(shí)間，所以應(yīng)當(dāng)提取信號(hào)特征值來對數(shù)據(jù)進(jìn)行簡化。刀具磨損時(shí)，加工過程中的時(shí)、頻域和能量分布將發(fā)生變化。為了有效地監(jiān)測信號(hào)的變化，選取的特征值應(yīng)當(dāng)囊括以上特征。標(biāo)準(zhǔn)差可以反映信號(hào)能量的變化，它的值隨信號(hào)幅度的增大而增大。功率譜熵［18］是一個(gè)無量綱指標(biāo)，其可以反映不同頻率在頻帶內(nèi)的分布。當(dāng)頻率分量廣泛分布在頻帶上時(shí)，分布的不確定度最大，其所對應(yīng)的功率譜熵最大；相反，當(dāng)頻率分量分布在一定頻帶上時(shí)，頻率分布的不確定性最小，其所對應(yīng)的功率譜熵最小。I-kazTM是一種多分辨率分析方法，能準(zhǔn)確得出信號(hào)的變化［19］。因此，將標(biāo)準(zhǔn)差、功率譜熵和I-kazTM作為信號(hào)的特征值。

基于以上分析，筆者針對鈦合金切削過程中的刀具磨損識(shí)別問題，提出了一種基于EMD及SVM刀具磨損階段識(shí)別方法。首先，將原始加速度信號(hào)及力信號(hào)分解為一系列IMF，選擇有用的IMF來組合一個(gè)新的信號(hào)；其次，計(jì)算新信號(hào)的特征值，將得到的特征值矩陣作為SVM的輸入；最后，得到了刀具磨損識(shí)別模型，能對刀具磨損階段進(jìn)行準(zhǔn)確識(shí)別。

1 信號(hào)處理及特征值的選取

1.1 EMD分解思想

EMD方法假設(shè)任何信號(hào)都由不同IMF組成，每個(gè)IMF可以是線性的，也可以是非線性的。IMF分量必須滿足2個(gè)條件：①其極值點(diǎn)個(gè)數(shù)和過零點(diǎn)數(shù)相同或最多相差1個(gè)；②其上下包絡(luò)關(guān)于時(shí)間軸局部對稱。

EMD分解過程基于以下假設(shè)：

1）信號(hào)最少有2個(gè)極值，即1個(gè)極大值和1個(gè)極小值；

2）時(shí)域特性由極值間隔決定；

3）如果數(shù)據(jù)序列完全缺乏極值但僅包含拐點(diǎn)，那么它也可以通過1次或多次求導(dǎo)來表示極值點(diǎn)，而最終結(jié)果可以由這些成分求積分來獲得。

具體方法是由一個(gè)“篩選”過程完成。

首先，找出信號(hào)s（t）所有的極大值點(diǎn)并將其用3次樣條函數(shù)擬合成原數(shù)據(jù)序列上的包絡(luò)線，再找出所有的極小值點(diǎn)并將其用3次樣條函數(shù)擬合成原數(shù)據(jù)［20］。

其次，計(jì)算上下包絡(luò)線的均值，記為m1（t），并將原數(shù)據(jù)序列s（t）減去該均值即可得到1個(gè)去掉低頻的新數(shù)據(jù)序列h1

因?yàn)閔1（t）一般不是1個(gè)IMF分量序列，為此需要對它重復(fù)進(jìn)行上述處理過程k次，直到h1（t）符合IMF的定義要求：所得到的均值趨于零。這樣就得到了第1個(gè)IMF分量c1（t），它代表信號(hào)s（t）中最高頻率的分量

然后，將c1（t）從s（t）中分離出來，即得到1個(gè)去掉高頻分量的差值信號(hào)r1（t）。將r1（t）作為原始數(shù)據(jù)，重復(fù)以上步驟，得到第2個(gè)IMF分量c2（t），重復(fù)n次，得到n個(gè)IMF分量［21］

最后，當(dāng)cn（t）或rn（t）滿足給定的終止條件（通常rn（t）成為一個(gè)單調(diào)函數(shù)）時(shí)，循環(huán)結(jié)束。由式（3）和式（4）得到

1.2 信號(hào)特征值的選取

1.2.1 I-kazTM

I-kazTM是由I-kaz指數(shù)演化出來的，其主要思想是將動(dòng)態(tài)信號(hào)分解為3個(gè)頻率范圍，其中：低頻（LF）范圍為0～0.25fmax；高頻（HF）范圍為0.25fmax～0.5fmax；極高頻（VF）范圍為大于0.5fmax。為了測量數(shù)據(jù)分布的散射，計(jì)算了每個(gè)頻帶的方差σ2

由于I-kazTM方法是基于數(shù)據(jù)質(zhì)心的數(shù)據(jù)發(fā)散概念發(fā)展起來的，所以I-kazTM的系數(shù)可以用Z∞來表示

將式（6）～（8）代入式（9），得到

式（10）可以用峰度和標(biāo)準(zhǔn)差表示出來，峰度K的公式為

其中：N為數(shù)據(jù)的數(shù)量；s為標(biāo)準(zhǔn)偏差。

因此，根據(jù)峰度K和標(biāo)準(zhǔn)偏差s可得

其中：KL，KH和KV分別為LF，HF和VF范圍中的信號(hào)的峰度；sL，sH，sV分別為LF，HF和VF范圍內(nèi)的信號(hào)的標(biāo)準(zhǔn)差。

根據(jù)I-kazTM來提取適應(yīng)EMD分解的方法，其不同于I-kazTM，即信號(hào)不需要分解為三差分。EMD處理完信號(hào)后，選擇有效的模態(tài)分量，分別計(jì)算其峰度及標(biāo)準(zhǔn)偏差，最終計(jì)算I-kazTM系數(shù)。因此，I-kazTM系數(shù)可以寫成如下形式

其中：N為有效分解模態(tài)的數(shù)目；Ki為分解后模態(tài)的峰度；si為第i個(gè)分解信號(hào)的標(biāo)準(zhǔn)偏差。

1.2.2 功率譜熵

功率譜熵（power spectral entropy，簡稱PSE）是“信息熵”在頻域中的擴(kuò)展，其與頻率分量的分布有關(guān)。具體計(jì)算步驟如下。

1）根據(jù)式（14）獲得信號(hào)x（t）的功率譜

其中：N為數(shù)據(jù)長度；X（w）為X（t）的傅里葉變換。

2）功率譜的概率密度函數(shù)可以通過對所有頻率分量的歸一化來計(jì)算

其中：s（fi）為頻率分量fi的光譜能量；pi為相應(yīng)的概率密度；N為快速傅里葉變換中頻率分量的總數(shù)。

3）相應(yīng)的功率譜熵定義為

為了比較不同的工作條件，結(jié)果由因子logN標(biāo)準(zhǔn)化，得

功率譜熵E是在［0，1］的范圍內(nèi)的無量綱指示符，其中1表示頻率分量分布不確定度最大，0表示分布不確定度最小。

1.2.3 標(biāo)準(zhǔn)差

標(biāo)準(zhǔn)差（standard deviation，簡稱SD）能很客觀準(zhǔn)確地反映一組數(shù)據(jù)的離散程度，其計(jì)算公式為

2 基于EMD-SVM刀具磨損識(shí)別模式

SVM是一種二分類模型，其基本模型是定義在特征空間上的間隔最大的線性分類器［22］。SVM學(xué)習(xí)的基本想法是求解能夠正確劃分訓(xùn)練數(shù)據(jù)集并且?guī)缀伍g隔最大的分離超平面，其將空間的點(diǎn)進(jìn)行劃分并根據(jù)劃分的直線對點(diǎn)進(jìn)行識(shí)別，如圖1所示。對于線性可分的數(shù)據(jù)來說，這樣的超平面有無窮多個(gè)（即感知機(jī)），但是幾何間隔最大的分離超平面卻是唯一的。由于信號(hào)特征值相對于信號(hào)整體來說，數(shù)據(jù)量小，易于學(xué)習(xí)，所以采用SVM對信號(hào)進(jìn)行學(xué)習(xí)。

圖1 支持向量機(jī)Fig.1 Support vector machine

在選擇核函數(shù)時(shí)，若對給出的數(shù)據(jù)沒有先驗(yàn)知識(shí)，徑向基函數(shù)（radial basis function，簡稱RBF）就是最好的選擇，而且RBF核的支持向量機(jī)可以獲得非常平滑的估計(jì)［23］，所以筆者采用高斯核函數(shù)作為SVM的核函數(shù)。

為了消除噪聲和其他無關(guān)的信號(hào)，首先，利用EMD將加速度信號(hào)分解為多個(gè)IMF，將分解完的信號(hào)重構(gòu)為新信號(hào)；其次，將新信號(hào)劃分成一系列段，分別計(jì)算每個(gè)分段的I-kazTM、功率譜熵及均方根，得到銑削狀態(tài)的特征向量矩陣；最后，以特征向量矩陣為輸入特征，建立以SVM為基礎(chǔ)的刀具磨損識(shí)別模型。根據(jù)該模型可以判斷刀具磨損階段。刀具磨損階段識(shí)別的流程如圖2所示。

圖2 基于EMD-SVM的刀具磨損階段識(shí)別流程Fig.2 Process of tool wear stage based on EMD-SVM

3 鈦合金銑削實(shí)驗(yàn)及信號(hào)分析

3.1 實(shí)驗(yàn)設(shè)備

實(shí)驗(yàn)在三軸機(jī)床VDL-1000E進(jìn)行，實(shí)驗(yàn)工件材料為Ti-6Al-4V（TC4），實(shí)驗(yàn)刀具為無涂層硬質(zhì)合金四齒銑刀，刀具螺旋角、前角、后角分別為75°，8°和9°。采用PCB加速度傳感器及Kister9171A旋轉(zhuǎn)式測力儀對加速度信號(hào)及銑削力信號(hào)進(jìn)行采集。采用東華DHDAS動(dòng)態(tài)信號(hào)采集分析系統(tǒng)對加速度信號(hào)及力信號(hào)進(jìn)行處理，采樣頻率為1 kHz。圖3所示為銑削加工實(shí)驗(yàn)現(xiàn)場，旋轉(zhuǎn)測力儀安裝在刀柄處對加工實(shí)驗(yàn)的3向力信號(hào)進(jìn)行測量，將加速度傳感器連接在工件上對加速度信號(hào)進(jìn)行測量，選取有效的信號(hào)點(diǎn)作為2種信號(hào)的共同起始點(diǎn)。

圖3 銑削加工實(shí)驗(yàn)現(xiàn)場Fig.3 The milling experiment site

3.2 實(shí)驗(yàn)方案及數(shù)據(jù)分析

3.2.1 實(shí)驗(yàn)方案

為了驗(yàn)證該方法，實(shí)驗(yàn)準(zhǔn)備獲取在不同刀具磨損情況下的力及加速度信號(hào)，實(shí)驗(yàn)參數(shù)如表1所示。

表1 實(shí)驗(yàn)參數(shù)Tab.1 Experimental parameters

如果要對刀具磨損階段進(jìn)行劃分，就要先確定刀具磨損曲線。在本研究實(shí)驗(yàn)參數(shù)下進(jìn)行實(shí)驗(yàn)，取3次走刀的平均磨損值作為1次磨損取值，建立如圖4所示的刀具磨損曲線。表2為刀具磨損狀態(tài)分類表，根據(jù)磨損率變化情況將刀具磨損過程分為3個(gè)階段，即初期磨損階段［0 mm，0.12 mm）、正常磨損階 段［0.12 mm，0.17 mm）和 急 劇 磨 損 階 段［0.17 mm，0.30 mm）。預(yù)先將3個(gè)磨損階段標(biāo)記為1，2，3以輸入SVM中。

圖4 刀具磨損過程Fig.4 Tool wear process

表2 刀具磨損狀態(tài)分類表Tab.2 Classification of tool wear status

3.2.2 特征值提取及數(shù)據(jù)分析

在實(shí)驗(yàn)中很難根據(jù)原始的加速度及力信號(hào)來判斷銑削狀態(tài)。特征提取的目的是為了減少原始加工信號(hào)的尺寸，同時(shí)保持所提取的特征中具有刀具狀態(tài)的相關(guān)信息。本節(jié)主要以加速度信號(hào)為例進(jìn)行數(shù)據(jù)分析。

選取1組銑削時(shí)檢測的初期振動(dòng)信號(hào)，經(jīng)過頻域變換處理后的加速度信號(hào)及頻域分布見圖5。

圖5 加速度信號(hào)及其頻域Fig.5 Acceleration signal and its frequency domain

圖5所示的加速度信號(hào)經(jīng)EMD分解得到的時(shí)域和頻域如圖6所示。圖6（a）中，從左到右依次為IMF1，IMF2，···，IMF6。從圖6（b）可以看出，第4～6個(gè)模態(tài)固有函數(shù)的頻域極其相近且主頻過小，此時(shí)的模態(tài)固有函數(shù)為虛假分量，沒有實(shí)際意義，可以忽略不計(jì)，所以計(jì)算時(shí)值采取IMF1～I(xiàn)MF3。圖中為無綱量單位。

圖6 EMD分解時(shí)域及頻域圖Fig.6 EMD decomposition time domain and frequency domain diagram

圖7為3個(gè)刀具磨損階段的力信號(hào)，刀具磨損量分別為0.05，0.15及0.25 mm。由圖可知，當(dāng)后刀面磨損處于正常磨損時(shí)切向力及徑向力分別為270和160 N，而當(dāng)后刀面磨損處于急劇磨損階段時(shí)，2種力信號(hào)的幅值急劇增加，比例分別為41%及27%，這是因?yàn)榈毒吆蟮睹婺p后，作用在后面的法向力及摩擦力都增大，故切向力及徑向力增加，而軸向力卻未有較大的變化。

圖7 不同階段力變化圖Fig.7 Force variations at different stages

圖8為刀具在初期磨損、中期磨損及急劇磨損的特征值隨時(shí)間的變化圖，其中特征值為無量綱單位。由圖可以看出，在不同的刀具磨損情況下，刀具磨損的特征值趨于一個(gè)穩(wěn)定值，且3個(gè)階段的特征值不同，由此可以得出選取的特征值對信號(hào)變化敏感，可以用于模型的學(xué)習(xí)。

圖8 不同階段加速度信號(hào)及其特征值變化圖Fig.8 Acceleration signal and its eigenvalue change in different stages

通過對初期、中期及急劇磨損階段的加速度信號(hào)進(jìn)行對比發(fā)現(xiàn)：急劇磨損階段的加速度信號(hào)相較于初期及中期磨損階段來說，均方根及功率譜熵指數(shù)增大而I-kazTM減小，即刀具磨損時(shí)信號(hào)能量增加，信號(hào)的分散性變高。

為了驗(yàn)證上述結(jié)論的有效性，重建加速度信號(hào)的形態(tài)特征、時(shí)域能量和頻率分量，對信號(hào)進(jìn)行了深入分析。圖9為在不同刀具磨損情況下加速度信號(hào)的形態(tài)特征及頻域分布圖，其中頻域分布圖中的頻率分量是由刀齒通過頻率（270 Hz）和諧波組成。對比不同刀具磨損情況下的頻域分布發(fā)現(xiàn)：隨著刀具磨損的增加，信號(hào)的頻域由低頻向高頻部分轉(zhuǎn)移，高次諧波增加，這是因?yàn)榍邢髁﹄S刀具磨損的增加而增加進(jìn)而引起信號(hào)的變化；信號(hào)呈現(xiàn)周期性波動(dòng)，這是刀具切入切出的接觸特性發(fā)生了變化引起的。

圖9 不同刀具磨損情況下的加速度信號(hào)及其頻域Fig.9 Acceleration signal and frequency domain under different tool wear conditions

監(jiān)測的特征值信號(hào)以加速度信號(hào)特征值為主，建立加速度信號(hào)與力信號(hào)特征值特征矩［I-L，E-L，s-L，I-Z，E-Z，s-Z］作為線性分類器的輸入，其中：I，E，s分別為I-kazTM、功率譜熵和標(biāo)準(zhǔn)差；L，Z分別為力信號(hào)和加速度信號(hào)。圖10所示為加速度信號(hào)構(gòu)成的特征值空間，由于PSE為接近0的數(shù)，為了可以直觀地看出特征值在空間的分布，采用1-PSE作為z軸，圖中為無量綱單位。由圖可見，不同刀具磨損情況下的特征值相互獨(dú)立且相同刀具磨損階段下的特征值集中在一起。

圖10 特征值空間Fig.10 The feature space

將每個(gè)刀具磨損階段的160組數(shù)據(jù)作為訓(xùn)練集，將其余40組數(shù)據(jù)作為測試集。最后，得到1個(gè)大小為160的訓(xùn)練集和1個(gè)大小為40的測試集的數(shù)據(jù)集對EMD-SVM模式進(jìn)行訓(xùn)練及測試。

為進(jìn)一步驗(yàn)證建立模型的準(zhǔn)確度及運(yùn)算速度，使用同1組數(shù)據(jù)作為輸入，建立SVM，BP神經(jīng)網(wǎng)絡(luò)、EMD-SVM及小波包-SVM這4種模型進(jìn)行對比。

對于SVM模型及BP神經(jīng)網(wǎng)絡(luò)模型，將實(shí)驗(yàn)所獲取的信號(hào)直接輸入學(xué)習(xí)模型中進(jìn)行訓(xùn)練，然后將測試信號(hào)輸入到學(xué)習(xí)好的模型中進(jìn)行判斷。對于小波包-SVM，先將信號(hào)進(jìn)行小波處理后輸入SVM構(gòu)建刀具磨損模型，然后將檢測信號(hào)輸入模型中進(jìn)行判別。通過對4種模型進(jìn)行訓(xùn)練后得到了4種模型的混淆矩陣，其準(zhǔn)確率對比如圖11所示。其中：混淆矩陣縱坐標(biāo)為預(yù)期判斷的刀具磨損階段；橫坐標(biāo)為實(shí)際判斷出的刀具磨損階段；兩者相交的黑色對角線為預(yù)測正確的測試數(shù)據(jù)。表3為4種模型輸入訓(xùn)練信號(hào)進(jìn)行訓(xùn)練及輸入檢測信號(hào)進(jìn)行識(shí)別的運(yùn)算時(shí)間及精度。

圖11 4種模型準(zhǔn)確率對比圖Fig.11 The confusion matrix of three models

表3 不同模型運(yùn)算時(shí)間表Tab.3 Operating time of different models

由于BP網(wǎng)絡(luò)預(yù)測精度不穩(wěn)定，SVM的泛化能力不穩(wěn)定，容易出現(xiàn)過擬合，小波包分解由于挑選小波包基困難和其對非平穩(wěn)及非線性數(shù)據(jù)上的劣勢，訓(xùn)練時(shí)間較長；而EMD-SVM由于對信號(hào)進(jìn)行預(yù)處理，提取的特征值能更好地表達(dá)樣本特征，不容易出現(xiàn)過擬合現(xiàn)象且計(jì)算效率相對于其他模型高，所以模型準(zhǔn)確度較高，泛化能力強(qiáng)，學(xué)習(xí)所用時(shí)間較其他機(jī)器學(xué)習(xí)模型短。對比后發(fā)現(xiàn)EMD-SVM的精度最高，運(yùn)算速度最快。相對于BP神經(jīng)網(wǎng)絡(luò)，同1組數(shù)據(jù)的運(yùn)算時(shí)間節(jié)省60%，精度提高了15.12%，對刀具磨損狀態(tài)有很高的靈敏性，能監(jiān)測刀具磨損的發(fā)生。

4 結(jié)論

1）刀具發(fā)生磨損時(shí)，加工信號(hào)的時(shí)頻域發(fā)生變化，頻域會(huì)由低頻轉(zhuǎn)向高頻，同時(shí)信號(hào)的時(shí)域部分能量會(huì)增大。刀具后刀面磨損后，切向力及徑向力增加，而軸向力卻未有較大的變化。

2）設(shè)計(jì)了EMD-SVM的刀具識(shí)別模式，采用EMD方法對信號(hào)進(jìn)行重構(gòu)，對重構(gòu)后的信號(hào)進(jìn)行特征提取并組成特征值矩陣，將不同刀具磨損階段特征值矩陣輸入SVM中，能對刀具磨損進(jìn)行識(shí)別。

3）選用160組每個(gè)刀具磨損階段的特征值矩陣對本研究提出的刀具磨損識(shí)別模式進(jìn)行訓(xùn)練，選用40組特征值矩陣進(jìn)行驗(yàn)證，對刀具磨損階段的識(shí)別成功率達(dá)到了99.17%。實(shí)驗(yàn)結(jié)果表明，該模式具有良好的識(shí)別效果，可以準(zhǔn)確實(shí)現(xiàn)刀具磨損階段的識(shí)別。

4）通過對比BP神經(jīng)網(wǎng)絡(luò)模型，本研究提出的EMD-SVM模式運(yùn)算時(shí)間提高60%以上，識(shí)別精度提高15.12%，對鈦合金銑削過程中刀具磨損階段具有較高的敏感度，能準(zhǔn)確識(shí)別刀具磨損的發(fā)生。