小波包分解与重构详解_基于小波包分析和LSSVM的钻削刀具状态识别研究

刀具磨损状态监测技术在智能制造生产中具有重要意义。刀具作为切削加工过程的直接执行者，其状态对保证加工质量、提高生产效率、降低生产成本以及实现连续自动化加工具有重要意义。目前，刀具磨损状态监测法主要为间接法，通过采集加工过程中与刀具磨损相关的信号，并进行适当的信号处理，提取出不同磨损状态对应的信号特征，利用智能算法建立刀具磨损状态识别模型，实现对刀具磨损状态的监测。

信号特征提取方法主要包括时域法、频域法、时频域法和分形维数法等。时域法和频域法是利用信号的时域或频域信息作为信号特征，如时域中的信号均值、均方根和峰值等，频域中的幅值谱和能量谱密度等，该方法能直观表现信号特征但无法兼顾信号的时域和频域中的总体和局部变化，不能合理地处理非平稳信号。时频域法包括短时傅里叶变换(STFT)、希尔伯特黄变换(HHT)和小波变换(WT)等。小波变换在监测信号低频部分具有较高的频率分辨率和较低的时间分辨率，在信号高频部分具有较高的时间分辨率和较低的频率分辨率。而小波包分析是在小波分析的基础上，对信号的全部频带范围进行分解，不仅对信号的高低频部分分别进行分解，还可以根据被分析信号的特性和分析要求自适应地选择相应频带与信号频谱匹配，有效避免对非平稳信号作频谱分析时精度与实时性之间的矛盾，提高特征提取的可靠性。谢秀娴等利用小波包分解技术对车削加工中的声发射信号进行分析得到了有效的特征量，完成了对刀具磨损状态的有效监测。敖银辉等采用小波包分解的方法提取WT节点信号的特征，基于Fisher标准筛选出最有效特征集，准确地预测了刀具的失效概率。Cao H.等利用小波包变换和Hilbert-Huang(HHT)变换实现了端铣过程中的颤振识别，提高了加工生产率和零件质量。

国内外学者在模式识别领域开展了大量研究，提出了诸如贝叶斯决策、聚类分析、支持向量机和人工神经网络等多种方法，已广泛应用于刀具磨损状态监测系统中。根据统计学理论中结构风险最小化原则的支持向量机(SVM)算法，在解决小样本、高维及局部极值问题上具有很大优势，其结构简单且泛化能力强。最小二乘支持向量机(Least Squares Support Vector Machine，LS-SVM)是基于支持向量机(SVM)的一种新型机器学习方法，它将SVM初始形态的不等式约束改为等式约束，提高了SVM的训练速度，简化了运算过程，收敛速度加快，计算精度更高，具有其他模式识别方法所不及的优点，广泛应用于设备故障诊断领域。程灿等提出一种基于支持向量机和粒子滤波的刀具磨损量识别方法，在小样本的情况下能精确识别刀具磨损量；肖鹏飞等提出了一种基于自适应动态无偏最小二乘支持向量机的铣削刀具磨损预测模型，并通过试验验证了该方法具有较高的建模效率和刀具磨损预测精度。

本文提出一种基于小波包分析和最小二乘支持向量机(LS-SVM)的钻削刀具磨损状态识别方法，采用时域分析、频域分析以及小波包分析优选提取刀具切削状态的时频域信号特征和频带能量作为特征向量组成样本集，划分出训练样本集和测试样本集，输入LS-SVM分类模型，实现刀具磨损状态的自动识别。

1  小波包分析

在切削加工过程中，刀具磨损会导致切削系统刚度、阻尼以及结构固有频率发生变化，进而影响切削力信号的频率成分，表明了不同刀具状态下的各频段能量不同。小波包分析技术可将任意信号无冗余且无疏漏地在任意精细的独立频带内进行正交分解，而不同切削状态下的切削力信号包含的信息成分不同，经小波包分解后，不同频带内能量的变化可表征切削刀具的磨损状态。

定义子空间为函数μl(x)的闭包空间，为函数μ2l(x)的闭包空间，关于尺度函数μ0=φ的“小波包”可表示为

式中，