廖小平，黎宇嘉，陳超逸，張振坤，魯 娟,+,馬俊燕，薛 斌

(1.廣西大學(xué) 機(jī)械工程學(xué)院，廣西 南寧 530004；2.廣西船舶數(shù)字化設(shè)計(jì)與先進(jìn)制造工程技術(shù)研究中心(北部灣大學(xué))，廣西 欽州 535011;3.廣西大學(xué) 廣西制造系統(tǒng)及先進(jìn)制造重點(diǎn)實(shí)驗(yàn)室，廣西 南寧 530004)

0 引言

作為切削過程的執(zhí)行者，刀具在加工過程中不可避免地存在磨損和破損，統(tǒng)計(jì)表明，刀具失效導(dǎo)致的換刀時(shí)間占整個(gè)停機(jī)時(shí)間的20%[1]，這與低成本、高效率、高質(zhì)量的現(xiàn)代加工理念不符。因此，準(zhǔn)確快速地識別刀具的磨損狀態(tài)，對調(diào)整加工參數(shù)和及時(shí)更換刀具意義重大。

目前刀具狀態(tài)識別常用的方法有基于圖像處理法[2]和基于數(shù)據(jù)模型法[3]。關(guān)于基于圖像處理的方法，D’addona等[4]基于車削刀具的標(biāo)準(zhǔn)圖像，利用誤差反向傳播神經(jīng)網(wǎng)絡(luò)對刀具磨損狀態(tài)進(jìn)行評估。然而，刀具在銑削過程中做高速旋轉(zhuǎn)運(yùn)動，實(shí)時(shí)獲取刀具磨損圖像存在一定困難，因此基于圖像處理法具有局限性。屬于間接監(jiān)測的基于數(shù)據(jù)模型法更適用于不同工況下的識別。庫祥臣等[5]通過振動信號，用誤差反向傳播神經(jīng)網(wǎng)絡(luò)完成了刀具磨損監(jiān)測；李聰波等[6]考慮加工參數(shù)對切削功率的影響，提出一種實(shí)時(shí)更新切削功率閾值的刀具磨損狀態(tài)在線監(jiān)測方法，成功監(jiān)測了刀具磨損情況；Kong等[7]用核主成分降維和支持向量機(jī)(Support Vector Machine, SVM)回歸成功建立了切削力特征和車刀后刀面磨損之間的非線性映射關(guān)系，精確實(shí)現(xiàn)了車刀磨損的回歸預(yù)測。

通過上述文獻(xiàn)可知，基于數(shù)據(jù)模型的刀具狀態(tài)識別方法主要通過采集與刀具磨損相關(guān)的信號(如振動、電流功率和切削力等)對數(shù)據(jù)進(jìn)行分析處理，并采用機(jī)器學(xué)習(xí)算法(如神經(jīng)網(wǎng)絡(luò)、SVM等)預(yù)測刀具磨損情況。在監(jiān)測刀具磨損的傳感器信號中，用于測量振動的加速度傳感器因布線不方便而會影響機(jī)床工作臺運(yùn)動和安全門關(guān)閉；主軸電流功率信號雖然容易測量且不易受加工過程影響，但是其信號與刀具磨損的相關(guān)程度不高。相比前兩種信號，切削力信號對切削過程的微細(xì)變化更敏感，可以為所建立的刀具磨損識別模型提供相關(guān)性很強(qiáng)的輔助信息[8]。對監(jiān)測的信號特征進(jìn)行降維處理是刀具磨損識別的關(guān)鍵，若不對輸入預(yù)測模型的信號特征進(jìn)行降維處理，則容易引起信息冗余，導(dǎo)致模型預(yù)測不準(zhǔn)確。謝楠等[9]和趙帥等[10]將主成分特征降維與分類模型結(jié)合，精確獲取了刀具磨損分類等級；戴穩(wěn)等[11]用深度學(xué)習(xí)特征降維與SVM結(jié)合，準(zhǔn)確預(yù)測了刀具磨損；高智勇等[12]和Kong等[13]分別提出基于集成熵的核主成分分析(Kernel Principal Component Analysis, KPCA)和基于徑向基函數(shù)的核主成分分析，實(shí)現(xiàn)了機(jī)電系統(tǒng)的狀態(tài)監(jiān)測和刀具磨損狀態(tài)的準(zhǔn)確識別，相比于其他降維方法，KPCA可以更好地對非線性特征進(jìn)行降維，因此廣泛應(yīng)用于非線性數(shù)據(jù)降維。目前常用的狀態(tài)識別模型有SVM和神經(jīng)網(wǎng)絡(luò)模型，SVM是一種基于最小化結(jié)構(gòu)準(zhǔn)則的機(jī)器學(xué)習(xí)方法[14]，相比神經(jīng)網(wǎng)絡(luò)模型在訓(xùn)練效率、測試效率、過擬合和算法參數(shù)調(diào)整4個(gè)方面具有優(yōu)勢，因此被廣泛用于刀具磨損狀態(tài)識別。SVM中的懲罰系數(shù)c和核參數(shù)g決定著模型的識別精度，然而目前尚無統(tǒng)一的理論或標(biāo)準(zhǔn)來指導(dǎo)選擇，常用智能優(yōu)化算法對具體問題行進(jìn)尋優(yōu)求解。在目前的優(yōu)化算法中，網(wǎng)格搜索(Grid Search, GS)、基因遺傳和人工蜂群等算法在優(yōu)化SVM參數(shù)上的應(yīng)用比較廣泛。灰狼優(yōu)化算法(Grey Wolf Optimizer algorithm, GWO)是一種新興的智能算法，其原理簡單、控制參數(shù)少、容易實(shí)現(xiàn)且全局性能好，因此在優(yōu)化參數(shù)方面有很好的應(yīng)用[15]，將其應(yīng)用于SVM參數(shù)尋優(yōu)是一種有益的嘗試。

基于上述分析，本文提出一種基于KPCA與GWO的SVM的刀具狀態(tài)識別方法，分析了核主成分將切削力特征降維后的成分與刀具磨損值的相關(guān)性，并與其他文獻(xiàn)的方法進(jìn)行對比來驗(yàn)證其效果。首先通過加工過程中的刀具性能試驗(yàn)采集刀具有效生命周期過程的切削力信號，提取信號樣本的主要時(shí)域、頻域和小波域特征，通過KPCA進(jìn)行降維處理，避免了高維非線性特征數(shù)據(jù)的復(fù)雜性，弱化了信號中的噪聲分量特征。為了識別刀具磨損狀態(tài)，采用GWO優(yōu)化的SVM分類構(gòu)建刀具磨損識別模型，對測試數(shù)據(jù)的降維特征進(jìn)行評估，得到刀具磨損的等級。最后對比了GS優(yōu)化算法和基因遺傳、PCA降維方法和SVM分類模型的組合與本文KPCA-GWO-SVM模型在運(yùn)行時(shí)間和識別精度上的效果，證明了本文KPCA-GWO-SVM模型的優(yōu)越性。

1 刀具磨損狀態(tài)識別流程

刀具磨損狀態(tài)識別模型的實(shí)現(xiàn)流程如圖1所示，首先基于時(shí)域、頻域、小波分析提取所采集的三向切削力信號的84個(gè)信號特征并進(jìn)行核主成分分析，獲得與磨損關(guān)聯(lián)度高的信號特征，最后使用基于灰狼優(yōu)化的SVM對刀具狀態(tài)進(jìn)行識別。本文主要研究模型中基于KPCA的特征提取和灰狼優(yōu)化的SVM狀態(tài)識別。

2 刀具磨損狀態(tài)識別方法

2.1 核主成分分析的數(shù)據(jù)降維方法

KPCA是一種對非線性數(shù)據(jù)的特征進(jìn)行降維的手段[16]，該方法的數(shù)據(jù)處理過程是先將低維線性不可分樣本通過映射Φ投影到高維特征空間F使其線性可分，再通過對高維特征空間進(jìn)行主成分分析，篩除方差貢獻(xiàn)小的特征來完成降維。假設(shè)特征空間樣本滿足中心化，則特征空間F有協(xié)方差矩陣

(1)

(2)

特征空間的樣本信號很難滿足中心化條件，因此對特征空間樣本進(jìn)行中心化處理，中心化后核映射空間得到的核矩陣K的第i行第j列元素[17]

(3)

(4)

在d維空間的一系列數(shù)據(jù)中，如果前k個(gè)特征值明顯大于后d-k個(gè)特征值，則數(shù)據(jù)可以通過投影到前k個(gè)特征向量來精確地表達(dá)，其中k取決于貢獻(xiàn)率設(shè)置的閾值。

2.2 GWO-SVM的狀態(tài)識別方法

2.2.1 支持向量機(jī)分類

C-SVM被廣泛用于二分類問題，該識別方法通過將樣本特征映射到一個(gè)高維空間來建立一個(gè)超平面到樣本特征點(diǎn)的最大距離，其目標(biāo)函數(shù)為式(5)，分類模型為式(6)，具體推導(dǎo)過程可參考文獻(xiàn)[14]。

(5)

s.t.

γ(ωTΦ(xi)+b)≥1-δi，

δi≥0，i=1,…,n；

(6)

其中：懲罰參數(shù)c∈(0，∞)控制分類間隔大小和分類誤差之間的平衡[18]，對識別模型的建立有重要的影響；K(xi,x)為核函數(shù)，核函數(shù)中的核參數(shù)g影響模型訓(xùn)練與預(yù)測的速度。因此，為了構(gòu)建較好的識別模型，需對C-SVM的內(nèi)部參數(shù)(c,g)進(jìn)行優(yōu)化。

2.2.2 灰狼優(yōu)化算法

GWO算法最早由Mirjalili等[19]于2014年提出，具有原理簡單、控制參數(shù)少、容易實(shí)現(xiàn)且全局性能好等優(yōu)點(diǎn)，本文采用該算法確定C-SVM參數(shù)c和g的最優(yōu)值。GWO算法的主要步驟包括計(jì)算狼群個(gè)體之間的距離(式(7))和更新子代狼群個(gè)體(式(8))：

D=|C·Xp(t)-X(t)|；

(7)

X(t+1)=Xp(t)-A·D。

(8)

式中：C=2r1，r1為[0，1]之間的隨機(jī)數(shù)；A=2a·r2-a，a為收斂因子，a=2-2(t/Itermax)，Itermax為最大迭代次數(shù)，r2為[0，1]之間的隨機(jī)數(shù)。狩獵過程包括狼群靠攏、捕食(式(9)～式(11))和更新子代位置(式(12)～式(15))：

Dα=|C1·Xα(t)-X(t)|；

(9)

Dα=|C2·Xβ(t)-X(t)|；

(10)

Dα=|C3·Xδ(t)-X(t)|。

(11)

X1=Xα-A1·Dα；

(12)

X2=Xβ-A2·Dβ；

(13)

X3=Xδ-A3·Dδ；

(14)

(15)

式中：Xα，Xβ，Xδ分別表示狼α，β，δ的當(dāng)前位置；C1，C2，C3分別表示對α，β，δ的隨機(jī)擾動；X1，X2，X3分別表示α，β，δ對其他狼ω指導(dǎo)后更新的位置；X(t+1)表示子代灰狼最終的尋優(yōu)位置。

2.2.3 灰狼優(yōu)化支持向量機(jī)模型的構(gòu)建

本文采用GWO算法尋找C-SVM中最優(yōu)的內(nèi)部參數(shù)來確定C-SVM模型，從而準(zhǔn)確識別刀具磨損狀態(tài)。基于KPCA的特征降維，獲得GWO的SVM(GWO-SVM)分類的輸入變量，并將數(shù)據(jù)集劃分為訓(xùn)練集和測試集，訓(xùn)練集用于訓(xùn)練獲得GWO-SVM分類模型，測試集用于預(yù)測分類。GWO-SVM的具體構(gòu)建過程描述如下：

(1)設(shè)定狼群數(shù)n和最大迭代次數(shù)Itermax，將SVM的懲罰參數(shù)c和核參數(shù)g作為狼群個(gè)體位置的二維坐標(biāo)，隨機(jī)初始化c，g。

(3)計(jì)算收斂因子a，狼群經(jīng)過式(9)～式(15)靠攏獵物、進(jìn)行捕食并更新子代位置后，計(jì)算更新后個(gè)體的適應(yīng)度值，記錄當(dāng)前代數(shù)的最優(yōu)適應(yīng)度值Fitbest。若Fitbest>Fitα(α狼的適應(yīng)度位置)，則將α狼的適應(yīng)度值更新為Fitbest，并記錄相應(yīng)的位置；若Fitβ

(4)達(dá)到最大迭代次數(shù)或全局最優(yōu)時(shí)得到最優(yōu)懲罰因子和核參數(shù)，將其作為C-SVM的參數(shù)，用訓(xùn)練集D建立相應(yīng)的識別模型，并用測試集D′檢測識別正確率。

GWO-SVM分類識別模型流程如圖2的虛線部分所示，為了后文方便表示，將虛線外KPCA特征降維與GWO-SVM識別模型的結(jié)合方法稱為KPCA-GWO-SVM。

3 試驗(yàn)設(shè)計(jì)與數(shù)據(jù)處理

3.1 試驗(yàn)設(shè)備介紹

本試驗(yàn)選用VDL-600A數(shù)控加工中心、JR-YDCL-Ⅲ05B型壓電式三項(xiàng)測力系統(tǒng)、金相顯微鏡等設(shè)備搭建試驗(yàn)平臺，如圖3所示。加工中心的主軸電機(jī)功率為7.5 kW/11 kW，最大標(biāo)準(zhǔn)扭矩為47.7 N·m/70.5 N·m。采用型號為AXIO SCOPE A1的金相顯微鏡測量刀具磨損情況，記錄銑刀兩個(gè)刀刃后刀面的磨損值，并將磨損均值作為刀具的當(dāng)前磨損量。

本試驗(yàn)中使用的刀具為鎢鋼涂層整體硬質(zhì)合金銑刀，工件材料為AISI1045，尺寸為80×50×40(mm)，所用的切削參數(shù)為：主軸轉(zhuǎn)速v=47.12 m/min，進(jìn)給速度f=0.2 mm/r，軸向切深ap=1.0 mm，徑向切深ae=5.0 mm。每次走刀結(jié)束，將銑刀從機(jī)床取下通過顯微鏡觀察后刀面，對其拍照并測量和記錄后刀面磨損值。測力儀系統(tǒng)數(shù)據(jù)采集卡的通信方式為USB/PCI/網(wǎng)絡(luò)，加工時(shí)力傳感器安裝在工作臺上。

3.2 試驗(yàn)數(shù)據(jù)的處理

進(jìn)行完108組銑削加工后，得到刀具生命周期內(nèi)的三向切削力數(shù)據(jù)和刀具后刀面磨損數(shù)據(jù)，因?yàn)楹Ａ康臄?shù)據(jù)不經(jīng)過處理就輸入到分類模型進(jìn)行預(yù)測會增加運(yùn)算時(shí)間，不相關(guān)信號還會影響預(yù)測精度，所以需要對數(shù)據(jù)進(jìn)行處理。數(shù)據(jù)處理主要包括磨損標(biāo)簽分類、提取切削力信號特征、特征提取后的歸一化和標(biāo)準(zhǔn)化、測試集和訓(xùn)練集分組，以及對應(yīng)分組數(shù)據(jù)集的降維。

分類標(biāo)簽用于記錄分類結(jié)果。試驗(yàn)對刀具磨損狀態(tài)的劃分以后刀面B區(qū)的平均磨損寬度VB=0.3 mm為界，當(dāng)VB>0.3 mm時(shí)為刀具破損，VB<0.3 mm時(shí)為正常磨損[8]，一次走刀80 mm，每次走完測量一次磨損值。刀具磨損狀態(tài)經(jīng)歷了正常磨損到破損的過程，將正常磨損狀態(tài)記為第一類，標(biāo)簽為1，破損狀態(tài)記為第二類，標(biāo)簽為-1。

為提取較全面的切削力信號特征，根據(jù)文獻(xiàn)[20]提取切削力3個(gè)方向的時(shí)域、頻域和小波域信號，即均值、均方根值、峰值、方根幅值、方差、偏度、峭度、波形因子和峰值因子9個(gè)時(shí)域信號特征，重心頻率、均方頻率和頻率方差3個(gè)頻域特征，以及采用db1小波包進(jìn)行4層分解提取的S401～S416共16個(gè)小波特征，上述統(tǒng)計(jì)量的表達(dá)式如表1所示。

表1 時(shí)頻域的統(tǒng)計(jì)參數(shù)和表達(dá)式

在提取84組特征后，對所提取的特征在[0，1]上進(jìn)行歸一化處理。選取帶標(biāo)簽的奇數(shù)次試驗(yàn)的樣本數(shù)據(jù)為訓(xùn)練集(54組)，偶數(shù)次為測試集(54組)，為了避免信息冗余，以降低GWO-SVM模型的輸入特征，減少算法的運(yùn)行時(shí)間，采用KPCA程序?qū)μ崛〔⒎纸M后的數(shù)據(jù)進(jìn)行降維，此時(shí)涉及到KPCA中映射函數(shù)的選擇和降維閾值的設(shè)置。選擇高斯徑向基核函數(shù)(Radial Basis Function, RBF)為映射函數(shù)，表達(dá)式為K(xi,xj)=exp[-(‖xi-xj‖2/2σ2)]，其中核參數(shù)σ對降維信息的有效性和分類結(jié)果的影響不容忽視，通過更改不同參數(shù)多次運(yùn)行程序表明，當(dāng)2σ2≥106或2σ2≤102時(shí)，用降維后的數(shù)據(jù)訓(xùn)練SVM的分類結(jié)果很差，幾乎全部分到了第一類，但在其范圍內(nèi)分類精度差別不明顯，按數(shù)量級，即10的指數(shù)次冪確定2σ2最佳范圍，當(dāng)103≤2σ2≤104時(shí)，將降維得到的KPCA特征作為SVM輸入并進(jìn)行分類，所得的預(yù)測精度較高，因此試驗(yàn)選取2σ2=2 000。對于累計(jì)貢獻(xiàn)率閾值，大部分文獻(xiàn)選擇90%[7]，95%[9]，或者通過碎石圖觀察線段斜率的變化來確定降為幾維特征[21]。運(yùn)行程序發(fā)現(xiàn)，當(dāng)累計(jì)貢獻(xiàn)率閾值為90%和95%，將所得KPCA特征作為SVM的輸入對刀具磨損進(jìn)行分類時(shí)，分類精度相同，但閾值為90%時(shí)程序運(yùn)行所用的時(shí)間更短，因此選擇貢獻(xiàn)率的閾值為90%。

4 結(jié)果比較與分析

4.1 特征降維及分析

刀具磨損的切削力信號數(shù)據(jù)十分復(fù)雜，往往不能滿足線性特征，采用KPCA降維可以將非線性切削力信號特征通過投影到高維空間使其線性可分。由2.1節(jié)核主成分的理論分析可知，核主成分的方差貢獻(xiàn)越大，所含信息與刀具磨損越相關(guān)。將式(4)中的累計(jì)方差貢獻(xiàn)率ratio>90%的前k個(gè)核主成分特征作為GWO-SVM模型的訓(xùn)練特征，為了分析重要核主成分特征貢獻(xiàn)方差的占比，繪制相應(yīng)訓(xùn)練集數(shù)據(jù)的Pareto圖，如圖4所示。MATLAB的Pareto函數(shù)自動展現(xiàn)了所獲取的前10個(gè)核主成分(K1～K10)，其中貢累計(jì)獻(xiàn)率閾值超過90%的核主成分為前9個(gè)。從圖中可見，第1個(gè)核主成分的貢獻(xiàn)率占84個(gè)特征總貢獻(xiàn)率的50%左右，第2個(gè)核主成分的貢獻(xiàn)率占總貢獻(xiàn)率的12%左右。因?yàn)镵PCA屬于無監(jiān)督學(xué)習(xí)，沒有利用磨損標(biāo)簽數(shù)據(jù)，所以有必要探索降維后的核主成分與后刀面刀具磨損值VB是否存在某種趨勢。

以第1核主成分值(KPCA1)和第2核主成分值(KPCA2)為縱坐標(biāo)，后刀面磨損值VB為橫坐標(biāo)，探索核主成分與后刀面磨損之間的變化趨勢，其關(guān)系如圖5所示。從圖中可以看出，測試集和訓(xùn)練集中KPCA1隨VB值的增加有上升的趨勢，KPCA2隨VB值的增加變化并不明顯，說明KPCA1比KPCA2更能反映磨損值的變化。

為了進(jìn)一步了解KPCA1，KPCA2與VB值的相關(guān)程度，采用皮爾遜相關(guān)系數(shù)(Pearson Correlation Coefficient, PCC)來評價(jià)降維特征與刀具磨損量的相關(guān)性，計(jì)算公式為

(16)

式中：x和y為需要評判相關(guān)性的兩個(gè)變量；r表示變量x與y的相關(guān)性系數(shù)，r的絕對值越接近1表示x和y的相關(guān)性越大。通過計(jì)算，KPCA1和KPCA2與VB值的相關(guān)性如表2所示。

表2 KPCA1，KPCA2與磨損值VB的皮爾遜相關(guān)性系數(shù)r

從表2可見，訓(xùn)練集和測試集的KPCA1與刀具磨損值之間的PCC分別達(dá)到0.661 6和0.681 9，都在0.6～0.8范圍內(nèi)，即表現(xiàn)出強(qiáng)相關(guān)性，而KPCA2與刀具磨損值之間的PCC為負(fù)相關(guān)，分別為-0.181 5和-0.282 3，分別表現(xiàn)出弱相關(guān)性，證明KPCA1與VB值的相關(guān)性遠(yuǎn)大于KPCA2與VB值的相關(guān)性。

4.2 尋優(yōu)與分類結(jié)果

按照第2.2.3節(jié)GWO-SVM的尋優(yōu)流程，SVM利用KPCA降維后的訓(xùn)練集、測試集和通過GWO算法尋找到的最優(yōu)參數(shù)c,g來識別后刀面的磨損標(biāo)簽，其中降維后的訓(xùn)練集訓(xùn)練識別模型，降維后的測試集檢測模型的識別精度。

本試驗(yàn)在MATLAB環(huán)境中使用Libsvm工具箱對刀具磨損狀態(tài)進(jìn)行分類，SVM的類別選擇C-SVM，核函數(shù)為RBF。經(jīng)過2.2.3節(jié)中GWO-SVM從步驟(1)～步驟(4)的尋優(yōu)和識別，獲得SVM的最優(yōu)核參數(shù)和懲罰參數(shù)。其尋優(yōu)結(jié)果如圖6所示，所得最優(yōu)核參數(shù)gbest=0.28，最優(yōu)懲罰因子cbest=42.74。預(yù)測模型所得的分類結(jié)果所圖7所示，KPCA-GWO-SVM的分類精度高達(dá)96.30%。

1.3 KPCA-GWO-SVM模型與其他模型對比

常見的數(shù)據(jù)降維除了特征提取還有特征選擇，遺傳算法(Genetic Algorithm, GA)為最常用的特征選擇方法[22]。為了對比特征提取和特征選擇對模型識別效果的影響，構(gòu)建GA-GWO-SVM與本文構(gòu)建的KPCA-GWO-SVM模型進(jìn)行對比，其中GA-GWO-SVM模型中GA的參數(shù)，即每代種群數(shù)、每代精英染色體數(shù)、交叉率、變異率和最大迭代次數(shù)分別設(shè)為28，2，0.8，0.001，40。為了進(jìn)一步驗(yàn)證本文構(gòu)建的KPCA-GWO-SVM模型的分類精度，與一些文獻(xiàn)的刀具磨損分類模型進(jìn)行對比。文獻(xiàn)[8]采用主成分分析(Principal Components Analysis, PCA)對電流功率特征進(jìn)行降維，并結(jié)合GS方法優(yōu)化的C-SVM識別了刀具磨損的兩種狀態(tài)，構(gòu)建了PCA-GS-SVM；文獻(xiàn)[7]采用KPCA對切削力信號進(jìn)行特征降維，并用SVM實(shí)現(xiàn)了刀具狀態(tài)的回歸預(yù)測,構(gòu)建了KPCA-GS-SVM。PCA-GS-SVM和KPCA-GS-SVM的參數(shù)設(shè)置如下：PCA和KPCA的累計(jì)方差貢獻(xiàn)閾值均設(shè)為90%，GS搜索方法的搜索范圍上下限與GWO相同，SVM的核函數(shù)也設(shè)置為RBF。將上述方法在程序上運(yùn)行10次并取結(jié)果的眾數(shù)。比較結(jié)果如表3所示，分類結(jié)果如圖8～圖10所示。

表3 分類結(jié)果對比

結(jié)合表3和圖8～圖10，比較PCA-GS-SVM模型與KPCA-GS-SVM模型性能可見，雖然在運(yùn)算速度上KPCA-GS-SVM與PCA-GS-SVM差別不大，但是切削力信號特征用KPCA降維比用PCA降維更能被SVM準(zhǔn)確地分割，識別精度提高了3.69%；比較KPCA-GS-SVM模型和KPCA-GWO-SVM模型可見，所提模型用GWO尋優(yōu)在分類總準(zhǔn)確率和第二狀態(tài)(即刀具破損狀態(tài))的分類準(zhǔn)確率上分別比用GS尋優(yōu)高出1.86%和9.10%，更有利于機(jī)床在刀具破損狀態(tài)下精確地自動換刀，而在分類時(shí)間上GWO比GS有明顯的優(yōu)勢，所提模型的時(shí)間縮短了一半。在GA-GWO-SVM模型和KPCA-GWO-SVM模型對比中，用GA做特征降維不但初始參數(shù)比KPCA多，而且運(yùn)算速度比使用KPCA降維慢7.93 s。從對比結(jié)果看出，在刀具磨損狀態(tài)二分類問題中，KPCA-GWO-SVM模型在本試驗(yàn)數(shù)據(jù)的識別精度和運(yùn)行時(shí)間上均具優(yōu)勢，可以在加工過程中快速和精確地識別刀具狀態(tài)。

5 結(jié)束語

本文提出一種基于切削力特征間接識別刀具磨損狀態(tài)的方法，該方法利用時(shí)域、頻域、小波分析提取足夠的特征來避免模型欠擬合，采用能高效處理非線性數(shù)據(jù)的KPCA對采集信息進(jìn)行降維很好地降低了信息冗余度，而且降維后的第一核主成分與刀具后刀面磨損值的PCC為強(qiáng)相關(guān)。以降維后的特征作為輸入，減少了模型計(jì)算量，縮短了識別時(shí)間。采用GWO算法尋找到最優(yōu)的c和g后，進(jìn)一步提高了SVM模型的識別準(zhǔn)確率，保證了模型對刀具狀態(tài)識別的實(shí)時(shí)性和精確性?；贏ISI1045鋼銑削實(shí)驗(yàn)，與常用的特征選擇方法(GA)及文獻(xiàn)中的刀具磨損識別模型(PCA-GS-SVM和KPCA-GS-SVM)進(jìn)行對比，驗(yàn)證了本文所提方法在分類精度、時(shí)間復(fù)雜度和泛化性能力方面的優(yōu)勢。

在實(shí)際加工的刀具磨損狀態(tài)識別中，只使用一種傳感器容易受噪聲影響，而且獲取的信息有限，當(dāng)傳感器數(shù)據(jù)缺失或者發(fā)生故障時(shí)會使刀具狀態(tài)識別中斷。相比之下，利用多傳感器識別刀具磨損狀態(tài)具有更強(qiáng)的穩(wěn)健性和容錯(cuò)性。因此，后期工作將探索不同傳感器信號對刀具磨損的敏感度，構(gòu)建多元信息模型以提高刀具狀態(tài)識別的穩(wěn)定性和準(zhǔn)確性。