Page 11 - 应用声学2019年第2期

第 38 卷 第 2 期 钟利民等： HDP-HSMM 的磨削声发射砂轮钝化状态识别 157

不同颜色和 4 个不同的数字，这说明在整个加工过 砂轮钝化状态随时间的变化过程，实现了对砂轮钝
程中砂轮逐渐被磨钝，且划分 4 个不同的钝化程度。 化程度的量化分级。
尽管这些序列中有一些异常的状态变动，但整体上 -3.28
看状态划分依然很明确。另外，状态 3 由于持续时 -3.30
间短，且状态变化较剧烈，可看作是状态 2 和状态 4 ࠫ஝ͫཀྵϙ/T10 4 -3.32
-3.34
的过渡期，不能视为一个砂轮钝化等级。故可认为 -3.36
在该磨削加工过程中，砂轮状态实际上只有 3 个钝 -3.38
    
化等级，对应图 10 中的状态 1、状态 2 和状态 4，可 ᤖ̽൓஝
分别称作1 级、2级和3 级钝化。通过以上分析可知， 图 9 HDP-HSMM 训练曲线
HDP-HSMM 通过训练 AE 数据集较好地识别到了 Fig. 9 The training curve of the HDP-HSMM

0 100 200 300 400 500 600 700
ࣝ஝
(a) គѿፇ౧
4
ᆋᣃ࿄গ 3 2

1
0 100 200 300 400 500 600 700
ࣝ஝
(b) ಪ૶គѿፇ౧ᄊѬጟ

图 10 砂轮钝化状态识别结果
Fig. 10 The identification result of the blunt state of the grinding wheel

2.3 模型验证 的 HDP-HSMM 具有良好的泛化性能，其测试准确

使用 Viterbi 算法 [17] 测试已经训练好的模型， 率达到93.7%。
以验证 HDP-HSMM 对训练数据集之外的数据的
表 1 已训练模型在测试数据集上的测试结果
拟合效果，便于判断其在实际情况下的应用价值。
Table 1 The test results of the trained
Viterbi 算法是动态规划算法，基本原理是由当前
model
时刻的最优状态序列推断下一时刻的状态，依次得
到整个测试数据集的最优状态序列。取图 10 中状 砂轮钝化等级 1 级 2 级 3 级 All
态 1、状态 2 和状态 4 即 1 级、2 级和 3 级钝化等级所 测试帧数 100 50 150 300
对应的 AE 信号段作为测试数据集去测试已训练好
误分类帧数 5 4 10 19
的 HDP-HSMM。测试数据集的取法同训练数据集
准确率 95% 92% 93.3% 93.7%
的取法稍有不同。对于同一段 AE 信号，设置相同
的帧移和帧长，由于分帧时起始点不同而得到不同
3 结论和展望
的分帧结果，被认为是独立同分布的。因此，取同
训练数据集不同的划分所得到的300个样本作为测 本文提出了一种基于 HDP-HSMM 的磨削 AE
试数据集，并将其钝化等级分别标记为 1 级、2 级和 信号砂轮钝化状态检测方法。首先，通过设计的磨
3 级，去测试已训练好的 HDP-HSMM。测试结果如 削砂轮钝化状态检测实验采集到 AE 信号。由磨削
表 1 所示，该测试结果显示由 AE 数据集训练得到 声发射机理，磨削 AE 信号主要来源于材料塑性变