李军法

(西安航空职业技术学院航空制造工程中心，陕西 西安710089)

作者简介：李军法（1978—），男，副教授，硕士，主要从事数控专业教学工作,junfali123@126.com.

摘要：针对传统车床主轴振动对其他零部件造成不利影响甚至造成损坏等难题，提出了一种基于平均经验模态分解(EEMD)算法以及反向传播(BP)神经网络的车床主轴振动故障在线诊断方法。以某数控车床主轴振动为研究对象，首先介绍了EEMD和BP神经网络方法的原理，并对传感器采集的主轴振动信号进行预处理；然后对处理后的信号进行EEMD，计算出有效的固有模态分量函数(IMF)，再以峭度、峰值、均方根值作为选取标准，对故障信号较多的几个IMF分量进行重组；最后将重组后的特征向量输入BP神经网络、支持向量机等两种分类器中进行样本分类识别和对比。试验结果表明，基于EEMD-BP的车床主轴振动在线故障诊断方法具有很好的判别效果。

关键词：主轴振动；平均经验模态分解；反向传播神经网络；故障诊断

中图分类号：TH11   文献标识码：A   文章编号：2095-509X(2020)06-0112-05

数控车床作为加工零件的重要工具之一，其主轴振动对车床的可靠性具有重要影响，直接决定着零部件的加工精度和表面粗糙度。随着数控加工技术的不断发展，一种快速、准确、有效的车削加工方法已逐步应用在机床高速车削加工中。高速车削加工必然会引起主轴振动，加工过程中主轴的振动会对其他零部件造成疲劳损坏、加工精度低、稳定性差等后果，甚至会影响到整个机床的安全性、有效性、可靠性等^［1-2］。因此，研究车床主轴振动故障在线检测方法对提高车削加工质量具有重要的意义。

国内已有很多专家对车床主轴振动在线检测方法进行了研究，其中雷春丽等^［3］提出了基于电流信号的主轴振动故障诊断方法，通过对电流信号进行分解和识别，能够有效识别机床振动；胡振邦等^［4］通过平均经验模态分解（ensemble empirical mode decomposition, EEMD）算法对信号进行分解，可避免信号的模态混叠；任静波等^［5］利用多尺度排列熵（PE）对磨床加工在线振动进行了检测，实验结果证明该方法是可行的。

车床主轴在加工零件时，由于加工系统属于非线性系统，因此容易产生信号混叠，为了提高在线检测效率，消除信号模态混叠现象，本文提出了一种基于EEMD-BP神经网络的车床主轴振动信号在线故障检测方法。相较于经验模态分解算法(empirical mode decomposition，EMD)，用EEMD分解信号，可以避免信号模态混叠现象，其原理在于将高斯白噪声加入原始信号中，使得分解后的信号能够满足连续状态。

1平均经验模态分解理论

众所周知，EMD^［6-7］是由美国某航天机构的Huang博士在1998年首次提出的，是一种自适应信号时频分析方法。而EEMD分解算法是在EMD算法上演变出来的，该算法是由Wu和Huang两位博士利用EMD算法对含有高斯白噪声信号进行分解后总结出来的一种新算法。因为将高斯白噪声加入到原始信号中，使得原始信号在多尺度分解后能够达到连续性状态，所以避免了信号模态混叠现象的发生^［8-9］。