基于机器学习主轴振动信号的分类

2021-12-06 20:59刘英旭
科学与生活 2021年23期
关键词:机器学习

刘英旭

摘要:本文通过设计机床主轴振动信号的原始数据,对其进行快速傅里叶变换和特征值提取,随后将提取出来的特征值当作输入数据输入机器学习的网络中进行训练,并输出分类结果,试验准确度达到了82%。

关键词:主轴振动信号分类,快速傅里叶变换,特征值提取,机器学习

Abstract: In this paper, the original data of machine tool spindle vibration signal are designed, and their fast Fourier transform and eigenvalues extraction are carried out. Then the extracted eigenvalues are input into the machine learning network as the input data for training, and the classification results are output. After experiments, the accuracy reached 82%.

Keywords: Spindle vibration signal classification, Fast Fourier transform, eigenvalue extraction, machine learning

1.引言

機床主轴很容易出现故障,所以分析其工作状态十分必要,而利用数学解析法来处理机床主轴信号的精度不高。随着机器学习的出现和发展,本文尝试利用机器学习对设计的机床主轴振动信号进行处理和分类。

2.研究过程和方法

2.1 数据设计

本次实验将主轴标准振动信号以及额外的误差信号都简化设置为正弦或者余弦信号。其中包括:

a.基波信号:

b.主轴转子弯曲或质量偏心产生的同频信号:

c.主轴转子裂纹产生的二倍频信号:

d.主轴回转精度差产生的低频信号:

e.壳体离散干扰高频信号:

f.随机误差产生的随机信号:

各干扰信号所允许的标准值和参数分别设置为:f0 = 100,A0 = 0.015,f1 = 100,A1 = 0.012,f2 = 200,A2 = 0.010,f3 = 10,A3 = 0.009,f4 = 500,A4 = 0.005,Ax=0.003。通过将这6组信号进行任意的排列组合并且改变每组信号的幅值,本实验模拟设计了107组主轴振动信号,并且通过添加干扰信号的多少和幅值大小对其进行工作状态的确定,其中1代表工作状态良好,2代表工作状态一般,3代表不能工作。

2.2  快速傅里叶变换与特征值提取

本实验拟对设计的主轴信号进行快速傅里叶变换和特征值的提取。本实验拟提取6个特征值,分别为时域信号峰峰值、时域信号平均值、时域信号标准差、频域信号的加权频率、频域信号的加权幅值以及频域信号的幅值平方和,设N为总采样点数。其中:

时域信号峰峰值:

时域信号的平均值:

时域信号标准差:

在频域中,设中心频率1处的幅值为F1,频率为w1;中心频率2处的幅值为F2,频率为w2;中心频率3处的幅值为F3,频率为w3;中心频率4处的幅值为F4,频率为w4。则有:

频域信号的加权中心频率:

频域信号的加权中心幅值:

频域信号幅值平方和:

2.3  ANN网络模型的建立

人类的大脑是一个经典的生物神经网络,而ANN是一个可以学习更深的知识或者可以确定数据的模式的模仿人类大脑的一个算法,一个多层神经网络的总体结构,包括输入层,隐藏层,输出层。每一个层中的神经元都与邻近层的所有神经元相连接,所以整个系统可以看成一个网络。输入的数据直接输入到输入层的神经元中,不用经过任何处理,而复杂的计算和处理在隐藏层和输出层中完成。

本实验首先设置各项参数,隐藏层的数目没有严格的规定,通常来说从1开始不断增加,直到可以出现符合实验要求的结果。输入层和输出层的神经元个数与规定的输入输出数据个数相同,隐藏层的神经元个数一般被设置为2n+1(n为输入层的神经元个数),所以本实验设置输入层神经元个数为6,隐藏层个数为1,隐藏层神经元个数为13,输出层神经元个数为1,然后通过Matlab编写程序对其进行训练。

结果分析

在本实验中,一共有85组数据进行机器学习的训练,11组用来验证,11组用来测试,共计107组。其中第14、15、50、60、61、74、82、92、102、105和106组数据用来进行测试,其测试结果如下。

由上表可见,在11组数据中,仅有两组数据出现了网络计算值和目标值的偏差,所以准确度约为82%,达到了足够高的准确度并完成了预期目标。

4.结论

本文提出利用机器学习的方法,实现对机床主轴振动信号的分类,准确度高达82%,成功解决机床主轴振动状态的未知和利用数学解析法分析机床主轴振动信号的精度问题。

参考文献

【1】龚帝武. 机床主轴振动状态在线监测方法研究与系统实现【D】.电子科技大学,2020.

猜你喜欢
机器学习
基于词典与机器学习的中文微博情感分析
基于网络搜索数据的平遥旅游客流量预测分析
前缀字母为特征在维吾尔语文本情感分类中的研究
下一代广播电视网中“人工智能”的应用
基于支持向量机的金融数据分析研究
基于Spark的大数据计算模型
基于朴素贝叶斯算法的垃圾短信智能识别系统
基于图的半监督学习方法综述
机器学习理论在高中自主学习中的应用
极限学习机在图像分割中的应用