基于CEEMD和GWO-SVR的振动信号预测方法技术

汽车覆盖件模具多采用镶块式模件拼接后整体加工，拼接区加工时易引发载荷突变产生冲击振动，影响拼接区的整体加工质量，为了提高拼接区的加工精度，对铣削过程的时域振动信号进行前瞻预测。首先基于互补式集合经验模态分解方法将铣削振动信号进行6层模态分解，得到各层本征模态函数及趋势序列；然后分别构建不同工况下的支持向量回归预测模型，采用灰狼优化算法对支持向量回归中的参数进行寻优分析；最后对时域振动信号进行重构和前瞻预测。试验结果表明，在淬硬钢拼接区铣削过程中，结合CEEMD和GWO‑SVR的铣削振动信号前瞻预测方法相较于其它传统方法具有更良好的预测效果,在预测时间为0.12秒时总体预测准确率达94％以上。

【技术实现步骤摘要】
基于CEEMD和GWO-SVR的振动信号预测方法
本专利技术属于振动信号预测领域，特别是涉及淬硬钢拼接模具铣削过程的智能预测方法。
技术介绍
汽车车身构件日益复杂，相应淬硬钢模具存在大量的凸凹、沟槽等结构，为克服模具加工制造和装配中存在的这种结构性困难，多采用镶块式拼接模件。在模具整体铣削加工过程中，由于在拼接处存在硬度差，铣削振动变化大，产生的冲击振动会在短期内导致刀具磨损加剧，模具表面加工质量下降等。如果能准确地预测模具拼接区的铣削振动趋势，通过快速改变铣削参数进行前瞻控制，有利于在拼接处减小铣削力的瞬时突变，减少冲击振动对模具加工精度和产品质量的影响。在拼接模具整体铣削加工过程中，由于加工工况和切削环境复杂，测得的铣削振动信号中存在干扰信息和较强的非平稳特征，这些干扰信息的存在会严重影响铣削振动信号预测的精准度，因此需要对振动数据进行预处理以提高振动信号前瞻预测的准确性。目前时频分析方法是分析非平稳和非线性信号的最常用的方法，如小波分析法、Hilbert-Huang变换等。小波变换应用过程具有局限性，其基函数和分解层数的选取缺乏自适应性。经验模态分解(EMD)方法是一种瞬时信号处理方法，避免了选取小波基函数的弊端，能够实现非平稳信号的分解并滤除噪声干扰，EMD方法以Hilbert变换为基础，将瞬时频域具有物理意义的信号定义为固有模态函数(IMF)，在非平稳信号处理领域得到应用广泛。由于EMD分解方法存在模态混叠现象，因此Wu和Huang提出了集合经验模态分方法(EEMD)，有效地抑制了信号分解过程中局部极值在短时间内的频繁跳动。铣削振动信号预测常采用线性时间序列的预测方法，但在实际切削环境中，机床、刀具和工件使铣削呈现典型的非线性特征，因此铣削振动信号的非线性时间序列预测方法得到了迅速发展。对于非线性时间序列预测，人工神经网络(ANN)的特殊性在于其本身处理数据时具有自学习能力，而且对于非线性数据的预测能力强，然而ANN算法在操作中会出现一些问题，如收敛速度慢、难以确定网络结构和局部最优等。支持向量机是一种基于统计学习理论的学习算法，它的优势主要是在小样本、少信息、非线性及高维空间模式识别中，克服了人工神经网络极易陷于局部极小和过度拟合的问题，而且对于小样本数据分析来说，支持向量机拥有良好的学习能力和推广能力,被广泛应用于铣削颤振识别、粗糙度预测和铣削力预测中，已经成为研究者用于解决非线性时间序列预测的一种重要工具。
技术实现思路
本专利技术要解决的技术问题是提供基于CEEMD和GWO-SVR的振动信号预测模型,一方面通过加入正负白噪声的方式减少模态混叠对于振动信号EMD分解的影响，提高模态分量的平稳性；另一方面基于修正的GWO算法寻找支持向量回归机参数的最优解，总体上提高拼接处铣削振动信号预测的精准度。为实现上述目的，本专利技术采用以下技术方案：基于CEEMD和GWO-SVR的振动信号预测方法，所述方法的实现过程为：步骤一、基于互补集合经验模态分解(CEEMD)将实时采集的时序振动信号进行6层分解，得到的各层本征模态函数及趋势序列；步骤二、对得到的各层本征模态函数及趋势序列构建训练集和预测集，基于构建训练集和预测集对利用GWO优化支持向量回归的参数C和g进行寻优，建立GWO-SVR预测模型：建立SVR预测模型：为了使实际风险达到最小的效果，根据结构风险最小化原理，优化的结构风险目标函数为:式中，||w||2为描述函数；C为经验风险和模型复杂度之间取一折中的常数；|yi-f(xi)|为ε不敏感损失函数，即:SVR即为(4)式的优化问题的求解公式：式中,ξi、为引入的松弛变量，目的是使(4)式有解。为了求解上述的优化问题，通过Lagrange函数，引入Lagrange乘子a、a*，将该问题转化为其对偶问题:式中，当非零时对应的训练样本为支持向量。求解此二次规划问题可求出a的值，同时求得w的值:利用KKT(Karush-Kuhn-Tucker)条件计算出偏差b：最后得到回归函数f(x)的表达式:式中，K(xi,x)＝Φ(xi)Φ(x)为一个满足Mercer条件的核函数。此函数可以越过具体形式从而达到非线性变换的非线性化操作，这是SVR的一个显著特点。目前SVR核函数中使用最多的是带有宽度为σ的径向基核函数(RBF核函数)，使用径向基核函数的SVR预测模型的预测效果要优于使用其它核函数预测模型，径向基核函数为：构建GWO的过程：(1)追踪猎物灰狼在狩猎过程中围绕猎物，将其行为做出以下定义：式中，代表灰狼经过第t次迭代后所得出的猎物当前所在位置，代表灰狼个体经过第t次迭代后当前所在位置，这就是算法的当前局部最优解。式中，和为包围猎物中的随机系数，的区间为[0,2]且随着迭代次数的增加而降低，和是区间[0,2]上的随机数。(2)包围猎物灰狼有识别猎物的强能力，且α狼可以领导灰狼包围猎物，但在猎物(最优解)位置未知的情况下。为了模拟灰狼捕猎行为，假定α狼、β狼和δ狼了解猎物的潜在位置，保存三个最佳解决方案，并且要求其他灰狼(ω狼)作为搜索代理，根据最佳解决方案进行灰狼位置的迭代更新，公式为：式中，和分别表示α狼、β狼和δ狼与ω狼之间的距离；和分别表示第t次迭代后α狼、β狼和δ狼的当前位置；表示当前灰狼位置。公式(17)代表ω狼朝三个潜在解α狼、β狼和δ狼的步长和方向；公式(14)代表ω狼的最终位置。(3)攻击猎物当猎物停止移动时狩猎完成，这一过程可以通过降低来完成。当随机值在[-1,1]时，搜索代理的下一位置可以在当前位置与猎物位置之间的位置进行更新。算法中，当时强制狩猎。(4)寻找猎物灰狼常常分头搜寻猎物，同时根据α狼、β狼和δ狼的位置来攻击猎物，当时，灰狼被迫离开猎物，灰狼强制狼群攻击猎物，直到满足条件时，GWO算法停止。建立GWO-SVR模型，其过程为：(1)基于GWO对SVR中的参数C、g进行参数寻优过程中，首先进行初始化：种群规模N＝20，最大迭代次数为200；确定SVR中参数C、g的范围，即C∈[0.01,100]，g∈[0.01,100]；(2)将所述训练样本对输入到SVR模型中，对模型进行训练，将均方根误差RMSE作为适应度函数Fitness；(3)找到适应度函数Fitness的最小值对应的个体，开始迭代寻优，并判断最小Fitness是否低于前一代最小Fitness；如低于，则保留最小Fitness值及其对应的坐标，并将其赋给初始坐标；如高于，则返回步骤(2)；(4)找到C、g的最佳值，建立GWO-SVR预测模型；步骤三、采用滚动预测模型，铣削振动信号中的第1～100时序数据点预测第101点，用第2～101时序数据点预测第本文档来自技高网...

【技术保护点】
1.基于CEEMD和GWO-SVR的振动信号预测方法，所述方法的实现过程为：/n步骤一、基于互补集合经验模态分解(CEEMD)将实时采集的时序振动信号进行6层分解，得到的各层本征模态函数及趋势序列；/n步骤二、对得到的各层本征模态函数及趋势序列构建训练集和预测集，基于构建训练集和预测集对利用GWO优化支持向量回归的参数C和g进行寻优，建立GWO-SVR预测模型：/n构建GWO的过程：/n(1)追踪猎物/n灰狼在狩猎过程中围绕猎物，将其行为做出以下定义：/n

【技术特征摘要】
1.基于CEEMD和GWO-SVR的振动信号预测方法，所述方法的实现过程为：
步骤一、基于互补集合经验模态分解(CEEMD)将实时采集的时序振动信号进行6层分解，得到的各层本征模态函数及趋势序列；
步骤二、对得到的各层本征模态函数及趋势序列构建训练集和预测集，基于构建训练集和预测集对利用GWO优化支持向量回归的参数C和g进行寻优，建立GWO-SVR预测模型：
构建GWO的过程：
(1)追踪猎物
灰狼在狩猎过程中围绕猎物，将其行为做出以下定义：






式中，代表灰狼经过第t次迭代后所得出的猎物当前所在位置，代表灰狼个体经过第t次迭代后当前所在位置，这就是算法的当前局部最优解。






式中，和为包围猎物中的随机系数，的区间为[0,2]且随着迭代次数的增加而降低，和是区间[0,2]上的随机数。
(2)包围猎物
灰狼有识别猎物的强能力，且α狼可以领导灰狼包围猎物，但在猎物(最优解)位置未知的情况下。为了模拟灰狼捕猎行为，假定α狼、β狼和δ狼了解猎物的潜在位置，保存三个最佳解决方案，并且要求其他灰狼(ω狼)作为搜索代理，根据最佳解决方案进行灰狼位置的迭代更新，公式为：



式中，和分别表示α狼、β狼和δ狼与ω狼之间的距离；和分别表示第t次迭代后α狼、β狼和δ狼的当前位置；表示当前灰狼位置。






公式(17)代表ω狼朝三个潜在解α狼、β狼和δ狼的步长和方向；公式(7)代表ω狼的最终位置。
(3)攻击猎物
当猎物停止移动时狩猎完成，这一过程可以通过降低来完成。当随机值在[-1,1]时，搜索代理的下一位置可以在当前位置与猎物位置之间的位置进行更新。算法中，当时强制狩猎。
(4)寻找猎物
灰狼常常分头搜寻猎物，同时根据α狼、β狼和δ狼的位置来攻击猎物，当时，灰狼被迫离开猎物，灰狼强制狼群攻击猎物，直到满足条件时，GWO算法停止。
建立GWO-SVR模型，其过程为：
(1)基于GWO对SVR中的参数C、g进行参数寻优过程中，首先进行初始化：种群规模N＝20，最大迭代次数为200；确定SVR中参数C、g的范围，即C∈[0.01,100]，g∈[0.01,100]；...

【专利技术属性】
技术研发人员：吴石，张轩瑞，刘震，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：黑龙江;23