基于HSMM的数控机床状态识别方法的研究.pdf

2 0 1 0年 4月 第 3 8 卷 第 7期 机床与液压 MACHI NE T0OL HYDRAUL I CS Ap r ． 2 0 1 0 Vo 1 ． 3 8 No ． 7 D OI 1 0 ． 3 9 6 9 ／ j ． i s s n ． 1 0 0 13 8 8 1 ． 2 0 1 0 ． 0 7 ． 0 1 0 基于 H S MM的数控机床状态识别方法的研究 黄强，张晓，丁志华 九江学院，江西九江 3 3 2 0 0 5 摘要快速准确识别数控机床的运行状态对保证加工精度、增加运行稳定性具有重要意义。以数控机床主轴轴承磨损 状态为研究对象 ，建立其隐式半马尔科夫模型 H S MM ，并结合小波降噪及变尺度特征提取方法实现对设备运行状态的有 效识别。实验及仿真结果表明H S MM模型经过 9 0组训练样本训练后 ，再利用 1 2 0组轴承磨损测试样本进行验证，正确识 别率达到9 6 ． 7 ％，完全满足工程需要。 关键词数控机床；状态识别；隐式半马尔科夫模型 中图分类号T F 2 7 7 文献标识码A 文章编号1 0 0 1 3 8 8 1 I 2 0 1 0 70 3 3 2 Ap pl i c a t i o n o f Hi d de n S e mi - M a r ko v M o de l o n NC M a c h i ne ’ S S t a t e Re c o g ni t i o n HU ANG Qi a n g ．Z HANG Xi a o．D I NG Z h i h u a J i u j i a n g U n i v e r s i t y ，J i u j 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 fi c a n t t o r e c o gn i z e t h e r u n n i n g s t a t e s o f NC ma c h i n e s f o r e n s u r i n g t h e ma c h i n i n g a c c u r a c y a n d run n i n g s t a b i l i - t y ．C o mb i n i n g w i t h t h e w a v e l e t d e n o i s e a n d c h a r a c t e r e x t r a c t i o n w i t h v a r y i n g s c a l e s ，t h e h i d d e n s e m i - m a r k o y m o d e l H S MMw a s b u i l t w i 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 ti n g s a b r a s i o n t o r e c o gn i z e t h e r u n n i n g s t a t e s e ff e c t i v e l y ． T h e e x p e r i me n t a l a n d s i mu l a t i o n r e s u i t s i n d i c a t e t h a t t h e v e r a c i t y o f i d e n t i fi c a t i o n i s 9 6 ． 7 ％v a l i d a t e d b y 1 2 0 t e s t s a mp l e s a f t e r t r a i n i n g t h e HS MM w i t h 9 0 t r a i n i n g s a m- p i e s ． I t i s s a t i s fi e d t h e d e man d o f t h e e n g i n e e r i n g d o ma i n ． Ke y wo r d s NC ma c h i n e ；S t a t e r e c o g n i t i o n；Hi d d e n s e mi ma l k o v mo d e l 数 控机床是 一种 高精度 、高效率 、能保证加工质 量 、解 决工 艺难题 的生产设 备。在得 到广泛应用 的同 时，对数控设备提出了更高的要求，尤其是设备运行 的稳定 性和可靠性 。因此 ，快速识别 出数控机床 的运 行状态显得尤 为重要 。作者将 隐式半 马尔科夫模 型 应用 于数控机床 的状态识别 中 ，结合小波降噪及变尺 度小波包特征提取方法 ，完成 了对数控机床状态 的多 级判定 ，以便于及时掌握其运行状况 ，并在合理时间 采取合理措施对其进行维护。 1 试 验研 究 图 1 振动测试与分析 系统示 意图 为 了验证该方法在数控机床状态识别 中的有效性 和 实用性， 作者以 数控机床主轴轴承磨损程度为例进 行研究。试验在 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 l 所示 ，测点设 置在 主轴轴承的径向位置。 选用 I N V 3 0 6 U型多通道信号采集仪测取信号， 传感器选择涡流式传感器，设置了正常状态、轻微磨 损和严重磨损 3 个不同的运行状态，分别测取各状态 下的振动速度与加速度信号，采样频率为 1 6 k H z 。为 有效对 比并识 别各工况的振动信号 ，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 。 2 隐式半马尔科夫模型的状态识别过程 信 号 预 处 理特 征提 取状 态 识 别 图2 基于变尺度特征提取与 H S MM的状态识别流程图 作者采用 的隐式半 马尔科夫模 型的状态识别过程 如 图 2所示。主要包 含以下 3个过程 1 信号预处理。经过振动信号采集系统获取 原始的状态信号后，采用小波降噪方法对原始信号进 行降噪处理，去除原始信号中的白噪声，使表征状态 信息 的有用信 号得 以显现。 2 特征提取。对预处理后的信号，利用变尺 度小波包分解方法将信号分解 ，提取相应频带的特征 向量值 。 收稿 日期 2 0 0 9一 o 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 ，Em a i l h q _ h u s t 1 6 3 ． c o rn。 3 4 机床与液压 第 3 8卷 3 状态识别。将提取的特征向量值作为训练 用输入参数 ，得 到基于 隐式半 马尔科夫 的设备运行状 态识别模型；再将需要识别的特征向量作为测试用输 入参数 ，经过状态识别模型计算 即可确定设备的当前 运 行状态 。 3小波降噪与特征提取 利用 小 波 分 析 方 法 实 现 对 振 动 信 号 的 降 噪 处 理 。在 降噪过程 中，小波 函数的选择对最终的故障 识别结果有较大影 响 ，经过对多种不 同小波 函数进行 比较分析 ，最终选用 S y m 8小波 。振 动信号 的小波 分 解尺 度 选 为 5层 。图 3 为小波降噪后数控机床 釜 振动信号 的频谱 图。经 釜 过小波降噪处理后的振 动信 号 能 更 好 地 表 征 各 状 态 的振 动 特 征 ，可 提 高状态识别 的准确率 。 0 2 4 6 8 频 率／ kHz 图 3 机床振动信 号频谱 图 分析图3 所示振动信号的频域特性可以看出，数 控机床振 动信号 的频率分 布主要集 中在 1～ 3 k H z 之 间，因此选用变尺度小波特征提取方法，其尺度大小 因研究对象的不同而调节，尤其适合数控机床振动信 号 中能量集 中在部分 区域 的情况 ，作者采用的尺度 如 表 1所示 。 表 1 基于变尺度特征提取的频带分布情况 信号 d 3 o d 4 2 d 4 3 d 4 4 d 4 5 d 3 3 d 2 2 d 2 3 频带分布／ k H z 01 11 ． 5 1 ． 5 2 2 2 ． 5 2 ． 5 3 3 4 4 6 6 8 4 隐式半马尔科夫模型 在 马尔科夫模型 中，将研究对象简化为一个 随机 过程，该过程对应一系列有限数据代表的状态值。这 些 表征 过 程 的状 态值 定 义为 一列 非 负整 数 { 0 ， 1 ， 2 ， ⋯ } 。以数控机床主轴轴承磨损状态为例，这些状态 数据可以对 应不 同的运行 状 态 正 常状 态 、轻 微磨 损 、严重磨损等 。如果 X i ，则此过程 处于状 态 i 。 即 P{ X j r X i ， X 一 l i 一， X o i o } P 该过 程 称 为 马 尔 科 夫 链 。上式 表明在 给定过 去状 态 ， ，⋯ ， 和现在 的 状 态 时 ，未 来 状 态 的条件分布仅仅依赖于 现在的状 态。P 表明该 过程 从状态 转 变 为状 态 的概 率大小 ，如图 4所示 。 图4 马尔科夫链 状态转移图 通常一个转 变链 的初始状况都认为是新的 ，随着 轴承磨损 的 加剧 ，可 以把 整 个发展 过 程描 述 为 个 作者选择 3个 截然 不同 的状 态。每一个状态 持续 的时 间是一个 自由变量 。在不 同状态 问转换 的概率为 P 作者采用隐式半马尔科夫模型，它与隐式马尔科 夫模型相 比 ，每一 个状 态均 可 以 由观 测序 列 推导 出 来 。 Ⅲ 『 MT∑ M ] 式 中 表示各状态 的条件 指示矢量 ， 为 的协 方差 。 Ⅲ 函数 的分布可 以通过下式计算 2 ／ F m m／ 12 e x p 一臌 ／ 1 2 式 中m为瞬时速率 ， E 。在 文 中的实例 中 有 3个 状 态 分 布 ， 因 此 可 以 明 确 的 计 算 出 m 1 ． 5 2 6 4 x 3 ／ 22 ． 8 6 9，且 3 6 。 因此上式简化为 m [ M 三 M] “ 0 ． 9 ／ 1 1 ． 7 3 6 ． 5仿真 结果 选择经过小波降噪和变尺度小波特征提取后的向 量共 9 0组 每种状态各 3 0组 作为训练用样本 ，利 用 V i t e r b i 算 法 获 取各 种可 能状 态 的最大 值 ，之后 再使用测试样本 ，可以找 到最接近的设备状况 ，从 而 实现不 同状 态 的识别 。设 定 算 法 的 收 敛 误 差 为 j }Ilj 0 ． 0 1 ，训练最大迭代步数 葚 为 1 0 0 0 。图 5为 利用 9 0 组 样本训 练 收敛 过程 ，可 以看 出，H S M M 模 型经 过 ～ 6 0 7步 迭 代 以后 ，其 误 差 图 5 模型训练曲线 小于 0 ． 0 l ，训练过程结束 。 再利用 1 2 0组测试样本 每种状态 各 4 0组 对 训练完成的 H S M M模型进行测试，以了解该模型能 否正确识别轴 承磨损 的不 同状态 ，验证该模 型的有效 性 。表 2为 1 2 0组测试 样本 的测试 结果 ，可 以看 出 ， 1 2 0组测试样本 中 ，仅有 4组测 试样本判 定错误 ，总 的状态识别准 确率 达 到 9 6 ． 7 ％ ，符合 工程 领域 的需 要 表 2 1 2 0组测试样本测试 结果及识 别准确 率 6 结束语 对数控机床主轴轴承磨损状态识别的研究结果表 明，作者提出的基于隐式半马尔科夫模型的状态识别 方法是有效可行的。作为一个强大的状态识别与预测 工具 ，隐式半马尔科夫模型能较准确地判断出各个不 下转第 3 8页 3 8 机床与液压 第 3 8卷 函数 ，完成 管 子几何 参 数和 表面 缺 陷的检 测 ，系统 具有实时 、在线 、检测客观的特点。并 与数据库相连 接随时保存 图像 及 产生缺 陷 的类 型 、产 品批次 、日 期、操作员等相关信息。该检测系统已在实验室运行 并取得 了预期 的效果 。 检测结果见 图 4 a ～ c 。 a 中，左上 角深灰 色斑点 为外毛刺 ，左下角深灰色斑点为 内毛刺 。中间 深灰 色环状斑点为倒角变圆弧及 中间亮带而产生 的白 色像 素带 ，显而易见 ，其自像素 面积 比单独的 中间亮 带面积要 大得 多。 b 中，右上角 的深灰色斑点 为坡 口缺陷 ，两个环状 的灰色斑点为内外倒角 ，由于图像 进行过腐蚀 处理 ，使 中间亮带的凹坑及缺陷部分完全 断裂 ，内外倒角相 互连 通 丽 个灰 色环 斑点有 连接 部分而成为一个 灰 色斑点 ，即为 凹坑 缺陷 。 c ～ e 为 内外倒角及 中间亮带宽度 的波形 图表 ，由于对 两个管子的端面同时检测 ，故每 幅 图中有 两种波 形。 内外倒角合格管子 的内外倒角及中间亮带的波形应该 在一定的误 差范 围内波动 。跳出误差范 围的波形则为 内外倒角检测不合格波形 。 a 1内外 毛刺、倒危 圆弧缺 陷图 b 1 坡 口缺 陷、醴坑缺陷 图 图 4 管子检测结果 5结论 根 据薄壁管 的检测要求和 图像特点 ，提 出了基于 斑点分析 的方法 ，利用提取斑点的特征参数 ，计算管 子的中心及内外半径等几何参数和判别管子端面是否 存在各 种缺 陷 ，研究 结 果表 明 ，提 出 的算 法 切 实可 行 ，满 足了实 际检测 的精度和速度要求。 参考文献 【 1 】G o n z a l e z R C ， Wo o d s R E ． 数字图像处理 [ M] ． 阮秋琦， 阮宇智 ， 等译 ． 北京 电子工业出版社 ， 2 0 0 3 ． 【 2 】 孙鑫． 余安萍． V C 深入详解[ M] ． 北京 电子工业出 版社 ， 2 0 0 6 ． 【 3 】Mi l Ma t r o x i ma g e l i b r a r y 库函数帮助文件． 【 4 】林俊杰． 新一代 V i s u a l C 2 0 0 5程序设计[ M] ． 北京 清华大学 出版社 ， 2 0 0 6 ． 【 5 】L i n d a G ． S h a p i r o G e o r g e C ． S t o c k m a n ． 赵清杰， 钱芳 ， 蔡利 栋 ， 译． 机械工业出版社 ， 2 0 0 5 ． 上接 第3 4页 同时期机械设备的运行状态 ，从而指导使用者或操作 者及时掌握设备状况 ，并给予及时的维护和修理，保 证设备运转良好。该方法具有广阔的应用前景。 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 】黄强， 宋士华， 丁志华， 等． 基于振动分析的柴油机故障 程度的研 究 [ J ] ． 华 中科技大学学报 自然科 学版， 2 0 0 7 ， 3 5 6 1 0 51 0 7 ． 【 3 】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 f o r m a c h i n e r y h e a l 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 t h e No ah Ame r i c a n Man uf a c t ur i n g Re s e a r e h I n s t i t u t i o n ／S ME， 2 00 4， 3 2 1 992 0 6． 【 4 】B e c h h o e r E ， M a y h e w E ． M e c h a n i c al 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． 20 0 6． 3 18 ． 【 5 】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 f o 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 gno s i s [ J ] ． T r a n s a c t i o n s o f N A M RI ／S ME， 20 0 4， 3 2 1 9 920 6． 【 6 】B e c h h o e f e r E ， B e r n h a r 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 r o s p a c e ， Bi g S k y ， Ma r c h 2 0 0 6 ． 3 2 83 6 ．