变尺度特征提取在数控机床状态识别中的应用.pdf

2 0 1 0年 5月 第 3 8卷 第 1 0期 机床与液压 MACHI NE T O0L ＆ HYDRAUL I CS Ma v 2 0 1 0 Vo 1 ． 3 8 No ． 1 0 D OI 1 0 ． 3 9 6 9 ／ j ． i s s n ． 1 0 0 13 8 8 1 ． 2 0 1 0 ． 1 0 ． 0 3 0 变尺度特征提取在数控机床状态识别中的应用 黄强，刘鑫，张晓 九江学院，江西九江 3 3 2 0 0 5 摘要正确识别数控机床从正常到故障之间的演化过程，对掌握机床运行状态、保证加工精度具有重要意义。提出采 用变尺度小波包特征提取方法以提高状态识别的准确性 ，并以数控车床主轴轴承磨损研究为例，将此方法与传统方法进行 了对比分析。仿真和实验研究表明变尺度小波包特征提取方法能有针对性地提取蕴含更多状态信息的振动信号特征用于 状态识别，在 1 9 2组测试样本中，变尺度特征提取方法的识别准确率达到9 8 ． 4 4 ％，较传统方法有明显提高。 关键词数控机床；状态识别 ；变尺度特征提取 中图分类号 T P 2 7 7 文献标识码 A 文章编号 1 0 0 1 3 8 8 1 2 0 1 0 1 0 0 8 3 2 Appl i c a t i o n o f t h e Cha r a c t e r Ex t r a c t i o n wi t h Va r y i ng Sc a l e s o n S t a t e Re c og n i t i o n o f NC M a c hi ne To o l H U A N G Q i a n g 。L I U X i n ．Z HA N G X i a o J i u j i a n g U n i v e r s i t y ，J i i a n g J i a n g x i 3 3 2 0 0 5 ，C h i n a Ab s t r a c t I t i s s i g n i f i c a n t t o r e c o g n i z e t h e e v o l v e me n t f r o m n o r ma l t o f a u l t f o r a c q u a i n t i n g r u n n i n g - s t a t e s a n d e n s u r i n g ma c h i n i n g a c c u r a c y ． T h e c h a r a c t e r e x t r a c t i o n me t h o d wi t h v a r y i n g s c ale s w a s p r o p o s e d t o i mp r o v e t h e v e r a c i t y o f s t a t e r e c o g n i t i o n， a n d wa s c o m- p a r e d wi t h t h e t r a d i t i o n a l me t h o d wi t h t h e e x a mp l e o f h e a d s t o c k b e a r i n g s a b r a s i o n ． T h e s i mu l a t i o n a n d e x p e r i me n t al r e s u l t s i n d i c a t e t h a t t h e s i g n al c h a r a c t e r s wi t h mo r e s t a t e i n f o r ma t i o n c a n b e o b t a i n e d p e r t i n e n t l y b y u s i n g t h e c h a r a c t e r e x t r a c t i o n me t h o d w i t h v a r y i n g s c a l e s ． T h e v e r a c i t y o f r e c o gn i t i o n i s 9 8 ． 4 4 ％i n t h e 1 9 2 t e s t s a mp l e s ． w h i c h i s h i g h e r t h a n t h a t o f t h e t r a d i t i o n a l me t h o d ． Ke y wo r d s NC ma c h i n e t o o l ； S t a t e r e c o gn i t i o n； C h ara c t e r e x t r a c t i o n wi t h v a r y i n g s c ale s 数 控机 床是 集 成 了微 电 子 、 自动控 制 、精 密检 测、伺服驱动与制造技术等多方面的最新成果 ，具有 加工精度高、自动化程度高和性能高等特点，作为先 进的高精度加工设备已普遍投入使用。在高精度批量 加工过程 中，为 了保 证 精度 ，要 对机 床 进行 状 态 监 测，以便对其进行合理维护。 在设备状态无损检测 中 ，常可 以通过一些 可直接 观察的现象 如振动信号 推断真实状态，但传统 的状态监测与诊断方法仅仅简单地将设备状态划分为 正常与故障两种形式，不能描述设备在整个生命周期 中的故障发展情况 ，从而不能有效地预防该设备状态 的恶化和故障的发生⋯。作者提出了变尺度小波包特 征提取方法，结合隐式半马尔科夫模型对数控机床进 行状态识别，完成了对机械设备状态的多级判定，便 于及 时掌握设备的运行状况 ，在合理时 间采取 合理措 施预防故障的发生。 1 状态识别过程 作者采用的基于变尺度特征提取与隐式半马尔科 夫模型的状态识别过程如图 1 所示，主要包含信号预 处理 、特征 提取 和状态识 别 3 个 过程 。 信号预处理 特征提取状态识别 图 1 基于变尺度特征提取与 H S MM的状态识别流程 2变尺度特征提取方法 传统小波包分解方法是对信号的高频和低频成分 分别进 行分解 。每次分解相当于进行 了低通滤波和高 通滤波 ，进一步分解出低频和高频成分直至精细程 度 ，如 图 2所示 。信号经小波包分解后被 分解成 若干 序列，每个序列对应原信号中某个频带 的成分 ，如 d 表示第 3层 的第 4个特征分量 。 图 2 传统小波包分解过程示意图 收稿日期2 0 0 9 0 4 2 0 基金项目江西省自然科学基金项 目 2 0 0 8 G Q C 0 0 0 2 ；江西省教育厅科技资助项 目 G J J 0 8 4 4 8 作者简介黄强 1 9 7 6 一 ，男 ，博士后 ，副教授。电话 1 3 5 1 7 9 2 4 8 8 5 。E m a i l h q _ h u s t 1 6 3 ． c o m。 8 4 机床与液压 第 3 8卷 图3为经过小波降噪后的数控机床振动信号，可 以看出，在数控机床振动信号中频率分布主要集中在 1 ～ 3 k H z 之间，而且各种状态的特征 区别也在此 区 间。在能量集 中的 1 ～3 k H z 蕴 含 了大 量 的有 关设 备 状态的信息。 s 0 ● 一 l ． O l 2 3 4 5 6 7 8 频 率／ k Hz 图3 机床振动信号频谱图 通过对数控机床振动信号的分析，尤其是对能量 集中且变化明显的频率进行分析，能够较清晰地了解 相应设备的使用状况。基于此 ，作者提出了变尺度小 波特征 提取方法 ，如 图 4所示 ，该方法是根据各频带 的特征进行分解 的。 图 4 变尺度小波包分解过程示 意图 原始信号和最终分量具有如下关系 传统小波包分解 dd 3 0d 3 ld3 2d 3 ]dMd d 3 6d 3 7 变尺度小 波包分解 d d 3 0 d 4 2 以3 d 4 4 d 4 5 d 3 3 d 2 2 d 2 3 从两者的比较可以看出，变尺度小波包分解方法 在频带区间 1 ～3 k H z内分解得更完全 、更细致，更 能表征出各状态引起的振动信号的差异。作者采用两 种分解方法对各工况所获取的振动信号进行分解 ，以 此来衡量各频带上的特征，再利用隐式半马尔科夫模 型进行训 练和 测试 ，获取 两种 方 法 的状态 识别 准 确 率，并进行比较分析。 3试验 研 究 图5 振动测试与分析系统示意图 以机床主轴轴承磨损分析为例 ，验证提出的新方 法在数控机床状态识别 中应用的有效性和实用性。试 验 在某机床厂生产 的 C A K 6 1 3 6 V ／ 7 5 0型多功能数 控车 床上进行 ，振动测试与分析系统如图 5 所 示。设 置 了 正 常状态 、轻微磨损状态和严重磨损状态 3个不 同的 运行状态 ，测点设置在主轴轴承的径向位置。 信号测取选用 I N V 3 0 6 U型多通道信号采 集仪， 该采集仪适 用 于笔记本 电脑 、工控 机等具 有 U S B 口 的计算机 ，系统结构紧凑 ，体积小 ，重量轻 。传感器 选择涡流式 传感 器 ，分 别 测取 振动 速度 与加 速度 信 息 。采样频率为 1 6 k H z 。为了有效对 比并识别各工况 的振动信号，各工况实验均在空载情况下进行 ，数控 机床主轴转速为 1 5 0 0 r ／ m i n 。 4 特征提取方法比较 ． 为了比较变尺度特征提取方法和传统小波包特征 提取方法的优劣，作者分别采用两种方法提取特征 后 ，再用建立 的隐式半马尔科夫模型对其进行训练和 测试 。对各工况 分别 获取 6 4组 测试样本 ，对 3种工 况共 1 9 2 组测试样本 分别 进行测试 ，测试结果 如表 1 所示。可以看出，作者采用的变尺度特征提取方法状 态识别率为 9 8 ． 4 4 ％，较传统小波包分解方法的故障 识别率 9 1 ． 6 7 ％有较大幅度 的提 高 ，能更准 确地识别 数控机床主轴轴承的磨损情况，从而保证数控机床的 运行可靠性与加工精 度。 表 1 特征提取方法识别效果比较 5结论 变 尺度特征提取能有 目的地去细分振动信号 中更 能表征数控机床状态特征 的频带 ，而粗化那些蕴含较 少有用信息的频带，能大幅提高状态识别准确率。实 验和仿真计算表 明，在基于隐式半马尔科夫模 型的机 械设备状态识别方法中采用变尺度小波包特征提取取 代传统小波包特征提取 ，其状态识别准确率提高了 6 ． 7 7 ％ ，应用前景非 常广 阔。 参考文献 【 1 】黄强． 神经网络技术在柴油机故障诊断与控制中应用的 研究[ D] ． 武汉 华中科技大学， 2 0 0 3 ． 【 2 】B e c h h o e r E， Ma y h e w E ． Me c h a n i c a l D i a g n o s t i c s S y s t e m E n g i n e e r i n g i n I MD H U MS[ C] ／ ／ I E E E A e r o s p a c e ， B i g S k y ， 2 0 0 6 ． 3 ． 【 3 】黄强， 焦立， 李滟泽． 柴油机故障诊断中振动信号测点位 置的研究[ J ] ． 华中科技大学学报 自然科学版， 2 0 0 7 ， 3 5 5 1 0 21 0 4 ． 下转第 8页 8 机床与液压 第3 8 卷 A G V的运行 。 4 分布式停放。与集中停放相似 ，所不 同的 是集中停放只有一个停放区，而分布式停放则指定多 个停放区。当 A G V空闲时，会被送到其 中的某个停 放 区。 当各站点的运输需求变化时，停放的位置也可能 要随之改变 。因而对 空 闲 A G V的停放也 可进 行动态 规划 。 但实际上，企业通常有可能要求空闲的 A G V在固 定的区域停放 ，如 为安全起见 、为避免交通 拥塞 、为 便于A G V充电等等，A G V有可能只能停在某些区域。 2 ． 4 A G V 电池的 管理 从前面估 算系统所 需 A G V数量 就可 以看 出， A G V电池 的更 换 或 充 电直 接 影 响 系 统 中所 需 要 的 A G V数 。A G V充 电所 需 的时 间影 响系 统 的吞 吐 率 、 拥塞情况及成本。即便是采用更换电池的形式，也会 对系统造成影响 。因为 电池的更换只能在指定的位置 进行 ，因此在这 段时 间 A G V是 不能 用于运 输 的 ，这 就有可能需要其他 A G V或者增加货物等待 时间。 现在 ，一般 充满 电的 A G V能连续 运 行 6个 多小 时 。因此 在下列 情况 下 ，A G V 电池 的管理 对 系统影 响不大系统 包括 A G V有休息时间，如午间休 息 ；换班 的时间跟电池 的更换 或充 电一致 ；系统有 足 够 的空 闲 时 间；A G V 的利 用率 低 少 于 5 0 ％ ；系 统对电池的更换或充电有规定 ，且肯定不会影响整个 系统的运行 ；能在线充电。否则，应考虑 A G V电池 的管理。一般有 以下 3种 A G V充 电方案 1 利用 系统 的休 息时 间充 电。如 利用 午休 时 间充 电。 2 自动充 电。 当 A G V 电池 消 耗 到某 一程 度 ， 则被派送到充 电区充 电。 3 混合方案 。前两种方案的结合 。 另外 ，电池管 理 中还应 考虑充 电地点 的容量 即是否有足够的地方供 A G V充电 、A G V的下一个 运输任务 如将 A G V派送到距其下一个运输任务最 近 的充 电区充 电 。 3 A G V运输子 系统的性能评价指标 可用于A G V运输子系统I生 能评价的指标主要有 1 最大化系统的吞吐量 ，即单位时间所能处 理的负载数 ； 2 最小化完成所有任务所需的时间； 3 最小化车辆行驶时间 空行程和／ 或负载行 驶 ； 4 平衡分配所有 A G V的负载； 5 最小化总的运输时间； 6 最小化延迟 ； 7 最小化负载 的预期等待时间。 不同的生产环境，A G V运输子系统性能的评价 目标可能不一样 ，应根据实际要求来设计控制 A G V 运输子系统 ，并对该系统进行相应的评价 。 4结论 A G V在制造 系统中运用得越 来越普遍 ，设计 A G V运输 子 系 统 时 ，必 须 解 决 一 些 关 键 问题 如 A G V的选用、引导轨道的设计、所需 A G V数量的确 定、A G V的调度、A G V路径规划及避免死锁、空闲 A G V的停放 、电池 的管理 等。 参考文献 【 1 】H o Y i n g C h i n ． A d y n a m i c ． z o n e s t r a t e g y f o r v e h i c l e ． c o ll i s i o n p r e v e n t i o n a n d l o a d b a l a n c i n g i n a ll AG V s y s t e m wi t h a s i n g l e - l o o p g u i d e p a t h[ J ] ． C o m p u t e r s i n I n d u s t r y ， 2 0 0 0 ， 4 2 1 591 7 6． 【 2 】 L e ． A n h T u a n ， D e K o s t e r M B M． A r e v i e w o f d e s i g n a n d c o n t r o l o f a u t o m a t e d gui d e d v e h i c l e s y s t e m s [ J ] ． E u r o p e an J o u r n a l o f o p e r a t i o n a l r e s e a r c h， 2 0 0 6， 1 7 1 12 3 ． 【 3 】Z h o n g J i a n l i n ， M a s l o w s k i A， U l a t o w s k i W． C o n t r o l a n d P a t h P l a n n i n g for AGV T r a n s p o r t S u b s y s t e m i n Man u f a c t u rin g S e t t i n g[ C] ／ ／ P r o c e e d i n g s o f t h e s i x t e e n t h i n t e rna t i o n a l s y mp o s i u m o n me a s u r e me n t a n d c o n t r o l i n r o b o t i c s ， 2 0 0 7 2 5 l一2 6 0 ． 【 4 】 V i s I ri s F A ． S u r v e y o f r e s e a r c h i n t h e d e s i g n a n d c o n t r o l o f a u t o m a t e d gui d e d v e h i c l e s y s t e m s [ J ] ． E u r o p e a n J o u rnal o f o p e r a t i o n a l r e s e a r c h， 2 0 0 6， 1 7 0 6 7 77 0 9 ． 【 5 】E g b e l u P J ． T h e u s e o f n o n - s i m u l a t i o n a p p r o a c h e s i n e s t i ． ma t i n g v e h i c l e r e q u i r e me n t s i n a n a u t o ma t e d gu i d e d v e h i c l e b a s e d t r a n s p o r t s y s t e m[ J ] ． Ma t e ri a l F l o w， 1 9 8 7 ， 4 1 7 32． 【 6 】Y i m D S ， L i n n R J ． P u s h and p u l l r u l e s fo r d i s p a t c h i n g a n - t o ma t e d gui d e d v e h i c l e s i n a fl e x i b l e manu f a c t u r i n g s y s t e m [ J ] ． I n t e rna t i o n al J o u rna l o f P r o d u c t i o n R e s e a r c h ， 1 9 9 3 ， 3 1 1 4 3 5 7 ． 【 7 】Y u W， E g b e l u P J ． D e s i g n o f a v a ri a b l e p a t h t and e m l a y o u t fo r a u t o ma t e d gui d e d v e h i c l e s y s t e ms [ J ] ． J o u r n al o f Manu f a c t u r i n g S y s t e m s ， 2 0 0 1 ， 2 0 5 3 0 5 3 1 9 ． 上接第 8 4页 【 4 】 D o n g M， H e D ． H i d d e n s e m i M a r k o v m o d e l s fo r m a c h i n e ry h e alt h d i a g n o s i s and p r o g n o s i s[ J ] ． T r ans a c t i o n s o f t h e No r t h Ame ri c a n Ma n u f a c t u rin g Re s e a r c h I n s t i t u t i o n ／ S ME， 2 0 0 4， 32 1 9 92 0 6． 【 5 】D o n g M， H e D ． H i d d e n S e m i M ar k o v M o d e l s fo r M a c h i n e r y H e al t h D i a g n o s i s a n d P r o g n o s i s [ J ] ． T r a n s a c t i o n s o f N A M RI ／ S ME， 2 0 0 4， 3 2 1 9 92 0 6 ． 【 6 】B e c h h o e f e r E ， B e m h ar d A ． U s e o f N o n - G a u s s i a n D i s t r i b u - t i o n fo r A n a l y s i s o f S h a f t C o m p o n e n t s [ C] ／ ／ I E E E A e ro s p a c e ， Bi g S k y ， 2 0 0 6 ． 3 ．