EMD和支持向量機(jī)在刀具故障診斷中的應(yīng)用.pdf

1、刀具故障診斷的過(guò)程包括診斷信息的獲取、故障特征提取和狀態(tài)識(shí)別三個(gè)主要部分。其中，故障特征提取和狀態(tài)識(shí)別是診斷的關(guān)鍵。本文將時(shí)頻分析的新方法-經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）和模式識(shí)別的新技術(shù)--支持向量機(jī)（Support Vector Machine，SVM）結(jié)合在一起應(yīng)用于刀具故障診斷當(dāng)中。EMD方法基于信號(hào)的局部特征時(shí)間尺度，可以把原始信號(hào)分解為若干個(gè)內(nèi)稟模態(tài)函數(shù)（Intrinsic

2、ModeFunction，IMF）之和，分解出的各個(gè)內(nèi)稟模態(tài)函數(shù)分量突出了數(shù)據(jù)的局部特征，對(duì)它進(jìn)行分析能夠更加準(zhǔn)確的把握原始數(shù)據(jù)的特征信息，更重要的是，每一個(gè)內(nèi)稟模態(tài)函數(shù)分量都會(huì)隨著信號(hào)本身的變化而變化，因此，EMD方法是一種自適應(yīng)的時(shí)頻局部化分析方法，非常適用于非線(xiàn)性和非平穩(wěn)信號(hào)的分析。支持向量機(jī)比神經(jīng)網(wǎng)絡(luò)具有更好的泛化能力，它能保證找到的極值解是全局最優(yōu)解，并且它還較好的解決了小樣本的學(xué)習(xí)分類(lèi)問(wèn)題。本文利用EMD方法對(duì)原始的刀具信號(hào)

3、進(jìn)行特征提取，然后用支持向量機(jī)作為分類(lèi)器對(duì)刀具的故障類(lèi)型進(jìn)行了分類(lèi)，對(duì)實(shí)驗(yàn)數(shù)據(jù)的分析結(jié)果表明，EMD方法和SVM相結(jié)合應(yīng)用于刀具故障診斷中是行之有效的辦法。
　　 本論文的主要工作包括以下幾個(gè)方面：
　　 1.實(shí)驗(yàn)數(shù)據(jù)的采集：KISTLER9257B型測(cè)力儀對(duì)切削力信號(hào)進(jìn)行采集之后，再經(jīng)過(guò)后續(xù)的信號(hào)處理獲得本文所需的數(shù)據(jù)。
　　 2.介紹了EMD方法分解的原理以及Hilbert譜和Hilbert邊際譜，分析了該方

4、法在信號(hào)處理中的應(yīng)用，并將其對(duì)原始信號(hào)的分解結(jié)果與小波分解的結(jié)果進(jìn)行了比較，基于其分解效果優(yōu)于小波分解，給出了利用EMD對(duì)刀具故障狀態(tài)進(jìn)行特征提取的方法。
　　 3.詳細(xì)介紹了支持向量機(jī)的原理，并對(duì)支持向量機(jī)的模型選擇問(wèn)題以及學(xué)習(xí)性能測(cè)試方面進(jìn)行了分析。
　　 4.在對(duì)兩種不同狀態(tài)下信號(hào)的內(nèi)稟模態(tài)函數(shù)能量熵的比較之后，對(duì)刀具正常切削和磨損狀態(tài)下的切削力信號(hào)進(jìn)行EMD分解，接著把提取到的特征向量作為支持向量機(jī)的訓(xùn)練樣本，進(jìn)