基于盲源分离的铣削过程多目标状态并行识别方法研究

现代切削加工系统向自动化、数字化及智能化发展亟待解决刀具、工件及机床等多个目标状态的并行监测问题。本项目针对当前切削过程多传感器监测技术偏重信息融合、忽略信息混叠的问题，提出了从多传感器监测信号中分离多个状态源信号，进行多目标状态并行识别的思想。研究并建立基于盲源分离技术的切削过程多目标状态并行识别理论和技术方法。具体结合铣削加工过程，研究声音、振动、声发射、力及功率等监测信号中刀具状态、工件状态、切削颤振及主轴状态等对应的源信号属性，揭示监测信号中各目标状态源信号的分布及混叠规律，建立同类多源信号、异类多源信号混叠模型，设计相应的盲源分离算法。通过解决切削过程多目标状态监测中的源信号身份识别与定位问题，实现铣削过程多目标状态并行识别。该项目的实施不仅为刀具状态和加工质量的在线监测、机床及加工系统的智能维护决策提供新的解决方案，而且对盲源分离技术在制造领域的应用和发展具有理论和现实意义。

按申请书研究内容和预定计划，以研究声音、振动、声发射、切削力及切削功率等信号中目标状态源的属性为切入点，搭建了机床功率、切削力、声发射、声音和振动等信号的数据采集与分析系统，结合理论算法分析和大量的试验研究，系统地探索了铣削过程各监测信号中目标状态源的分布、混叠规律及分离算法。在信号状态特征方面，针对不同信号的特点，采取不同的源信号处理与分离算法，获得了声音、振动、声发射及功率信号中丰富的切削状态特征源。信号分离算法方面探索了1）基于小波变换（WT）和独立分量分析（ICA）的单通道信号盲源分离算法。该算法首先在伪频率的基础上分析了小波尺度水平的选择原则，然后以对应的小波系数作为一组混合信号（每一小波尺度水平下的小波系数都可以看作是由源信号混叠而成的混合信号），通过独立分量分析对这组信号进行分离。该算法可以用于负载型信号（如功率信号、切削力信号等）中的目标状态分离。2）基于经验模态分解（EMD）和独立分量分析（ICA）相结合的分离算法。该算法首先应用EMD 将目标信号分解为 IMF 集，然后从中提取能量百分比最大的几阶IMF分量生成新的IMF 集 ，对新IMF 集应用 FastICA 算法，从而获得一组可供状态分离与识别的独立源分量。该算法可以有效应用于铣削过程的声音和振动信号中进行切削过程状态的分离和识别。3）基于噪声辅助经验模态分析（EEMD）和本征模函数（IMF）能量分布的状态识别算法，该算法首先对原信号低通滤波，通过EEMD分解得到多阶本征模函数IMF，然后计算Huang-Hilbert时频谱，再对各阶IMF求取能量值并计算各阶IMF的能量总和，进而求得IMFs能量分布，基于该能量分布曲线的变化可以实现状态特征的判定和识别。该算法可有效识别声发射信号中的切削特征状态。4）基于零空间追踪（NSP）的铣削状态识别。零空间追踪是基于算子的信号分解算法，它将一个紧支撑的奇异的局部线性算子作用在信号上，由于算子是奇异的，由此获得的信号与原信号相比必然有一部分“消失了”，且这部分“消失了”的信号属于算子的零空间。通过从信号中获取自适应算子的参数，就能从信号中分离出“消失了”的信号（局部窄带信号），从而实现信号分解。该算法成功应用于切削功率信号的状态分离。项目的研究工作为实现铣削过程多目标状态的识别及监测提供了有价值的理论依据和实用算法。