徐　康，黄　民

(北京信息科技大学 机电工程学院，北京　100192)



基于EMD和DHMM的刀具故障诊断*

徐康，黄民

(北京信息科技大学 机电工程学院，北京100192)

为了有效监测刀具的磨损状态，提出了一种基于经验模态分解(EMD)和离散隐马尔科夫模型(DHMM)的刀具故障诊断方法。首先对振动信号进行EMD分解，得到若干固有模态函数(IMF)，选取前几个能量较大的IMF进行标量量化处理得到特征向量后，作为观测值序列输入已训练好的DHMM模型进行故障状态识别。此外，通过与支持向量机(SVM)故障诊断方法进行比较，结果表明，EMD-DHMM刀具故障方法能够更有效地识别刀具的故障状态。

经验模态分解；离散隐马尔可夫模型；支持向量机；故障诊断

0　引言

在切削加工过程中，刀具磨损是刀具工作寿命中必须经历的阶段，刀具磨损带来的误差将会导致切削加工精度降低，影响加工工件的质量，严重阶段将会导致刀具失效，进而引发工件报废，影响企业的生产。所以，对刀具进行故障监测，及时发现故障显得尤为重要。当前刀具故障诊断方法中傅里叶变换和小波变换是被普遍应用的两种，但傅里叶变换的时频窗口是固定不变的[1]，它不能满足刀具故障非平稳信号的自适应处理要求；小波变换虽然具有可变的时频窗口，但实质上它是通过时频窗口对信号进行机械性地分割，本质上也不是一种自适应的信号处理方法[2]。EMD[3]能够自适应地将非平稳信号分解为若干独立的IMF，分解的IMF能够突显信号的局部特征，与傅里叶以及小波变换相比，它能够灵活、完整地保留原始振动信号的特征。……