李益文，鄧朝暉，劉濤，卓榮錦，李重陽，呂黎曙

1.湖南科技大學(xué) 機(jī)電工程學(xué)院，湘潭 411201

2.華僑大學(xué) 制造工程研究院，廈門 361021

3.湖南科技大學(xué) 難加工材料高效精密加工湖南省重點(diǎn)實(shí)驗(yàn)室，湘潭 411201

近年來，航空航天裝備朝著大型化、輕量化和精密化方向發(fā)展，其工業(yè)產(chǎn)品中的低剛性結(jié)構(gòu)件（薄壁件、細(xì)長(zhǎng)軸等）和低剛性工藝系統(tǒng)結(jié)構(gòu)件（深孔、窄槽等）被廣泛運(yùn)用［1］。由于此類結(jié)構(gòu)件在切削加工過程中極易發(fā)生顫振［2-5］，而顫振是切削加工系統(tǒng)在非周期性外部激振力的連續(xù)作用下產(chǎn)生的一種強(qiáng)烈自激振動(dòng)，受其時(shí)變特性和系統(tǒng)結(jié)構(gòu)復(fù)雜性的影響難以得到控制［6］，嚴(yán)重影響了工業(yè)產(chǎn)品的加工質(zhì)量和加工效率，于是對(duì)切削加工過程中的顫振監(jiān)測(cè)變得至關(guān)重要。傳統(tǒng)的離線檢測(cè)方法需要停機(jī)，導(dǎo)致了效率低和無法實(shí)時(shí)反饋機(jī)床加工狀態(tài)信息等問題［7］，因此對(duì)切削加工顫振在線監(jiān)測(cè)技術(shù)開展研究勢(shì)在必行。

顫振在線監(jiān)測(cè)，即在充分利用計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)、傳感器技術(shù)和數(shù)據(jù)采集技術(shù)的基礎(chǔ)上，將加工過程的數(shù)據(jù)實(shí)時(shí)傳輸?shù)奖O(jiān)測(cè)中心的計(jì)算機(jī)中進(jìn)行處理，以實(shí)現(xiàn)機(jī)床狀態(tài)的在線識(shí)別，將極大地提升工業(yè)生產(chǎn)效率［8］。顫振在線監(jiān)測(cè)主要包括顫振數(shù)據(jù)采集、在線特征提取以及顫振識(shí)別三大任務(wù)，然而目前顫振在線監(jiān)測(cè)的工業(yè)運(yùn)用仍不成熟，主要存在以下問題尚未解決：①數(shù)據(jù)采集受機(jī)床系統(tǒng)差異、傳感器性能以及信號(hào)的選擇與融合等因素的制約；②顫振特征的手動(dòng)選擇、自動(dòng)提取以及有機(jī)融合仍缺乏良好的理論支撐；③現(xiàn)有的顫振識(shí)別算法只能針對(duì)特定情況，通用且魯棒的顫振識(shí)別模型暫不具備。

改譯：During the Yongzheng reign,the nine-peach design was commonly seen on the famille-rose ware such as globular vases,olive-shaped vases and plates that are decorated with branches that extend from the outside into the bowl.

如何有效解決上述問題，以實(shí)現(xiàn)機(jī)床的高效、高質(zhì)量加工，是顫振在線監(jiān)測(cè)技術(shù)真正應(yīng)用于工程實(shí)際的關(guān)鍵。為此，對(duì)顫振在線監(jiān)測(cè)的三大任務(wù)的研究現(xiàn)狀進(jìn)行深入歸納與分析，可為未來顫振在線監(jiān)測(cè)的研究方向和技術(shù)突破提供指導(dǎo)。

1 顫振數(shù)據(jù)采集技術(shù)

顫振在線監(jiān)測(cè)的第一要?jiǎng)?wù)須完成機(jī)床加工狀態(tài)信息的采集，目前已有的數(shù)據(jù)采集形式主要有［9］：①外接傳感器數(shù)據(jù)采集；②基于可編程邏輯控制器（Programmable Logic Controller，PLC）數(shù)據(jù)采集；③機(jī)床通訊接口數(shù)據(jù)采集。

思維能力的訓(xùn)練和思維品質(zhì)的提升是歷史課教學(xué)的一項(xiàng)重要任務(wù)，教師應(yīng)在課堂教學(xué)的各個(gè)環(huán)節(jié)中有意識(shí)地滲透歷史思維訓(xùn)練，尋找適當(dāng)?shù)慕虒W(xué)策略，激發(fā)并維持學(xué)生的思維動(dòng)力，發(fā)揮學(xué)生的潛能，讓學(xué)生在具體的情境體驗(yàn)中感悟歷史，經(jīng)歷真實(shí)的思維過程，完成有效的思維活動(dòng)，交流思維成果，進(jìn)而提升思維品質(zhì)。

機(jī)床在加工過程中會(huì)產(chǎn)生各種形式的物理信號(hào)，究其原因是動(dòng)態(tài)切削力所導(dǎo)致。動(dòng)態(tài)切削力會(huì)使得系統(tǒng)的振動(dòng)頻率、電機(jī)電流發(fā)生相應(yīng)變化，因此通過附加相應(yīng)傳感器可檢測(cè)力、加速度、聲發(fā)射、電流、功率等信號(hào)［10-14］。另外，振動(dòng)頻率的變化會(huì)產(chǎn)生相應(yīng)的聲音信號(hào)，利用麥克風(fēng)傳感器同樣可完成數(shù)據(jù)采集［12，15-17］。采用單一傳感器進(jìn)行數(shù)據(jù)采集會(huì)存在特征漏檢的現(xiàn)象，而不同的信號(hào)具備不同的特性，將各單一傳感器進(jìn)行合理組合以實(shí)現(xiàn)多傳感融合，可減少信號(hào)間的冗余和干擾產(chǎn)生的影響，獲得更加精確的顫振監(jiān)測(cè)結(jié)果［16-17］。

表4 總結(jié)了常用于顫振識(shí)別的各類有監(jiān)督學(xué)習(xí)算法的優(yōu)缺點(diǎn)和應(yīng)用情況。目前有監(jiān)督顫振識(shí)別技術(shù)憑借其高精度、高魯棒性等特點(diǎn)仍然是大多學(xué)者的首選，但有監(jiān)督學(xué)習(xí)嚴(yán)重依賴樣本標(biāo)簽，無法真正實(shí)現(xiàn)智能化顫振在線監(jiān)測(cè)。

相較于前二者數(shù)據(jù)采集方法，機(jī)床通訊接口采集方式在數(shù)據(jù)采集和傳輸方面優(yōu)勢(shì)更明顯，其數(shù)據(jù)采集方式主要有［25］：基于RS232 串口采集［26］、基于DNC 接口采集［27］和基于OPC 規(guī)范和網(wǎng)絡(luò)接口采集［28-29］；其中RS-232 串口采集適用于短距離信號(hào)實(shí)時(shí)傳輸。DNC 接口采集可實(shí)現(xiàn)機(jī)床內(nèi)部信息的實(shí)時(shí)采集和遠(yuǎn)程控制，但存在受機(jī)床系統(tǒng)限制的問題?；贠PC 規(guī)范和網(wǎng)絡(luò)接口數(shù)據(jù)采集方式在基于專業(yè)的軟硬件條件下，可實(shí)時(shí)采集大多數(shù)機(jī)床內(nèi)部信息。然而通訊接口采集通常會(huì)受到機(jī)床封閉性的影響，開放式數(shù)控系統(tǒng)接口采集則可通過外部調(diào)用函數(shù)，實(shí)現(xiàn)外部系統(tǒng)與數(shù)控機(jī)床的聯(lián)網(wǎng)和信息讀寫，打破了設(shè)備之間的信息交互壁壘［30］，為實(shí)現(xiàn)數(shù)據(jù)平臺(tái)集成化以及顫振在線監(jiān)測(cè)與抑制協(xié)同運(yùn)作創(chuàng)造了條件。胡磊［31］采用開放式數(shù)控系統(tǒng)接口采集方式實(shí)現(xiàn)了切削加工數(shù)據(jù)的共享，并進(jìn)一步提高了切削加工過程中的穩(wěn)定性。單蔣楠［32］通過該采集方式完成了顫振數(shù)據(jù)采集和狀態(tài)監(jiān)測(cè)，并對(duì)二者進(jìn)行了實(shí)時(shí)性評(píng)估。

表1 總結(jié)了上述顫振數(shù)據(jù)采集方法及優(yōu)缺點(diǎn)，其中開放式數(shù)控系統(tǒng)基于高性能計(jì)算機(jī)軟硬件平臺(tái)，將成為未來機(jī)床系統(tǒng)的發(fā)展趨勢(shì)［33］，因此基于該系統(tǒng)的通信接口采集方式將成為未來數(shù)據(jù)采集的重要發(fā)展方向。

表1 顫振數(shù)據(jù)采集方法的優(yōu)缺點(diǎn)及應(yīng)用總結(jié)Table 1 Summary of advantages，disadvantages and application of chatter data acquisition method

2 顫振特征提取技術(shù)

振動(dòng)信號(hào)采集完成后，需對(duì)數(shù)據(jù)進(jìn)行特征提取以獲取關(guān)鍵顫振特征。而特征和特征提取技術(shù)的選擇是影響顫振監(jiān)測(cè)效率的關(guān)鍵，目前主要通過時(shí)域分析、頻域分析及時(shí)頻域分析法來實(shí)現(xiàn)。

2.1 時(shí)域分析方法

時(shí)域分析以時(shí)間為自變量描述信號(hào)變化過程，時(shí)域特征提取是通過時(shí)域分析法對(duì)采集的原始信號(hào)進(jìn)行各種直觀分析，以獲取相應(yīng)時(shí)域特征的方法［34］。時(shí)域特征主要分為有量綱和無量綱指標(biāo)，筆者對(duì)該兩類顫振指標(biāo)近10 年的使用頻率進(jìn)行統(tǒng)計(jì)，如圖1 和圖2 所示。由于各類特征擁有不同的敏感性和穩(wěn)定性，選擇合適的特征可為在線顫振監(jiān)測(cè)提供更高的精確性。

2012年11月2日百雀羚以7 000萬元拿下2013年《中國(guó)好聲音》第二標(biāo)王，與兩億元冠名好聲音的加多寶涼茶共同上演了本土品牌力壓國(guó)際大牌的驚人一幕。在隨后的“雙11”上同樣表現(xiàn)驚人——截至下午15：00左右百雀羚天貓旗艦店當(dāng)天銷售額達(dá)到1 500多萬元，昭示著這個(gè)中國(guó)老字號(hào)化妝品百雀羚已經(jīng)實(shí)現(xiàn)浴火重生鳳凰涅槃。

圖1 有量綱指標(biāo)使用頻率餅狀圖Fig.1 Pie chart of dimensional indexes usage frequency

圖2 無量綱指標(biāo)使用頻率餅狀圖Fig.2 Pie chart of non-dimensional indexes usage frequency

在有量綱指標(biāo)中，峭度使用頻率較高，Liu等［35］根據(jù)峭度值與信號(hào)幅值之間強(qiáng)相關(guān)性的特點(diǎn)，實(shí)現(xiàn)了車削顫振識(shí)別。Liu 等［36］采用快速譜峭度圖解決了低信噪比信號(hào)無法確定顫振位置的問題。Wang 等［37］利用峭度概率密度函數(shù)完成了對(duì)振動(dòng)信號(hào)沖擊特性的評(píng)估。由于單個(gè)指標(biāo)并不能同時(shí)兼顧良好的敏感性和穩(wěn)定性，峭度往往與平均值、方差或均方根結(jié)合使用［38-40］。該3 種特征穩(wěn)定性良好，Schmitz 等［41］將方差作為顫振指標(biāo)，并建立了方差與銑削穩(wěn)定性的相關(guān)性關(guān)系。謝鋒云［42］將模態(tài)函數(shù)的均方根作為輸入，通過神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)顫振在線監(jiān)測(cè)。Ye 等［43］將信號(hào)中的每一段均方根值組成均方根序列，通過快速變異系數(shù)（Coefficient of Variation，CV）算法提取均方根序列的CV 值作為顫振特征，從而提升了顫振監(jiān)測(cè)效率。針對(duì)不同的使用場(chǎng)合，將不同特征組合使用，可取得更佳的顫振監(jiān)測(cè)效果，王民等［44］利用了頻段能量百分比計(jì)算均值和方差的方法，使得磨削顫振監(jiān)測(cè)具備了更高的計(jì)算效率。Chen 等［45］利用峰值靈敏度高以及標(biāo)準(zhǔn)差較好的穩(wěn)定性的特點(diǎn)，實(shí)現(xiàn)了96%的顫振監(jiān)測(cè)準(zhǔn)確率。

信號(hào)表征中，有量綱指標(biāo)敏感性較好，而無量綱指標(biāo)在穩(wěn)定性上則更勝一籌，因此通常將兩類指標(biāo)結(jié)合使用。Lamraoui 等［46］選擇了方差、峭度、峰值因子以及脈沖因子等9 個(gè)特征，利用相對(duì)熵對(duì)特征進(jìn)行排序再優(yōu)選，提升了顫振識(shí)別的精確性與魯棒性。由于顫振產(chǎn)生的本質(zhì)是能量變化所引起，能量熵可表征信號(hào)能量分布的不確定度，因而被廣大學(xué)者采用［47-52］。各熵特征優(yōu)勢(shì)的差異會(huì)獲得不同的監(jiān)測(cè)效果，如Ji 等［53］利用功率譜熵可反映信號(hào)的頻率特征的特點(diǎn)，開發(fā)了銑削顫振監(jiān)測(cè)系統(tǒng)。Nair 等［54］根據(jù)排列熵（Permutation Entropy，PE）具有計(jì)算效率高、抗噪能力強(qiáng)等特點(diǎn)，實(shí)現(xiàn)了系統(tǒng)動(dòng)態(tài)變化的有效檢測(cè)。PE 只能從單一尺度表征故障信息，任靜波等［13］則采用多尺度排列熵（Multi-scale Permutation Entropy，MPE）有效辨識(shí)了銑削顫振狀態(tài)，該特征可兼顧PE 的優(yōu)勢(shì)，同時(shí)能從不同尺度解讀顫振信息。在此基礎(chǔ)上，Li 等［55］采用MPE 和多尺度功率譜熵（Multi-scale Power Spectral Entropy，MPSE），增強(qiáng)了顫振在線監(jiān)測(cè)的魯棒性。

時(shí)域分析方法憑借其直觀、簡(jiǎn)單及預(yù)定參數(shù)少等特點(diǎn)被廣大學(xué)者所采用，但該方法存在下列問題［56］：①所測(cè)原始信號(hào)易受實(shí)際工況干擾從而導(dǎo)致分析偏差；②難以反映信號(hào)所蘊(yùn)含的全部信息，不易準(zhǔn)確掌握信號(hào)的本質(zhì)構(gòu)成，易使得顫振監(jiān)測(cè)精確性下降。此外時(shí)域分析中的顫振特征選擇仍然是經(jīng)驗(yàn)的，缺乏較好的理論指導(dǎo)。

2.2 頻域分析方法

3）聚合經(jīng)驗(yàn)?zāi)B(tài)分解法

Cuka 等［57］將信號(hào)通過Babor 濾波器組分解為重要的頻率分量后，利用Teager-Kaiser 能量算子（Teager-Kaiser Energy Operator，TKEO）追蹤瞬時(shí)頻率和振幅變化，可高效、準(zhǔn)確地識(shí)別切削加工的穩(wěn)定性，提高了顫振識(shí)別的精確性。為克服TKEO 易受到噪聲干擾的問題，汪曉珊［58］和Dong［59］等采用Vold-Kalman 濾波器（Vold-Kalman Filter，VKF）提取各個(gè)信號(hào)分量，同時(shí)利用基于頻譜集中系數(shù)的瞬時(shí)顫振頻率估計(jì)方法，提高了顫振識(shí)別的魯棒性。Chen 等［60］采用了一種自適應(yīng)總體最小二乘–旋轉(zhuǎn)矢量不變技術(shù)（Total Least Squares-Estimation of Signal Pa‐rameters via Rotational Invariance Techniques，TLS-ESPRIT）進(jìn)行顫振頻率分量譜估計(jì)，開發(fā)了一種由信號(hào)預(yù)處理、顫振頻率估計(jì)和顫振檢測(cè)組成的在線顫振監(jiān)測(cè)系統(tǒng)，可自適應(yīng)確定顫振諧波個(gè)數(shù)，并具有良好的抗干擾性，如圖3所示。

圖3 基于TLS-ESPRIT 在線顫振監(jiān)測(cè)流程圖Fig.3 Flow chart of online chatter monitoring based on TLS-ESPRIT

上述兩種算法盡管有較強(qiáng)的抗噪能力，但存在設(shè)置參數(shù)較多以及計(jì)算復(fù)雜度偏高等問題，Liu 等［61］提出的一種基于頻域搜索（Frequency Domain Search，F(xiàn)DS）的銑削顫振識(shí)別算法則具有計(jì)算簡(jiǎn)便、實(shí)時(shí)性良好等特點(diǎn)，該算法在特征提取前不需要較多復(fù)雜信號(hào)進(jìn)行信號(hào)處理，可直接提取顫振頻率進(jìn)行機(jī)床顫振識(shí)別。Wang 等［62］將顫振頻率構(gòu)造成稀疏字典矩陣，再利用正交匹配追蹤（Orthogonal Matching Pursuit，OMP）算法進(jìn)行顫振頻率提取，縮短了信號(hào)重構(gòu)時(shí)間。然而OMP 算法仍需預(yù)先設(shè)置稀疏度，針對(duì)該問題，竇慧晶等［63］提出了一種改進(jìn)稀疏度自適應(yīng)匹配追蹤算法，通過對(duì)步長(zhǎng)大小進(jìn)行自適應(yīng)調(diào)整，從而高效逼近信源稀疏度。顫振頻率會(huì)受到加工條件和機(jī)床動(dòng)態(tài)特性變化的影響，從而出現(xiàn)顫振頻移現(xiàn)象，Liu 等［64］采用歸一化譜熵和對(duì)數(shù)譜距離兩種指標(biāo)解決了該問題。

為提高神經(jīng)網(wǎng)絡(luò)模型顫振在線識(shí)別精確性，Abul 等［12］采用多種深度學(xué)習(xí)框架，建立了基于深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）的顫振監(jiān)測(cè)系統(tǒng)。Tran［98］和Sener［99］等均提出了基于深度卷積神經(jīng)網(wǎng)絡(luò)（Deep Convolutional Neural Network，DCNN）和WT 的顫振識(shí)別架構(gòu)，文獻(xiàn)［99］將切削參數(shù)與連續(xù)小波結(jié)合使用，使得DNN 擁有更好的分類性能。此外，有部分學(xué)者［100-102］結(jié)合彈性反向傳播算法、磁細(xì)菌優(yōu)化算法及遺傳算法等，提高了人工神經(jīng)網(wǎng)絡(luò)（Artifi‐cial Neural Network，ANN）及DNN 的全局搜索能力以及迭代效率，提高了在線顫振識(shí)別的實(shí)時(shí)性。由于顫振的發(fā)生是短暫的，難以獲得有效的顫振數(shù)據(jù)樣本，利用神經(jīng)網(wǎng)絡(luò)進(jìn)行顫振監(jiān)測(cè)的優(yōu)勢(shì)并不十分顯著。

表2 顫振頻率提取相關(guān)算法總結(jié)Table 2 Summary of relevant algorithms for chatter frequency extraction

2.3 時(shí)頻域分析

顫振在線監(jiān)測(cè)的關(guān)鍵在于對(duì)早期顫振信號(hào)的實(shí)時(shí)、準(zhǔn)確監(jiān)測(cè)，而顫振早期沖擊能量微弱，信號(hào)易被噪聲淹沒，僅靠時(shí)域和頻域分析方法，難以準(zhǔn)確判斷顫振的產(chǎn)生，而時(shí)頻域分析能從時(shí)間和頻率兩個(gè)方面同時(shí)解讀信號(hào)中包含的信息，可提高其分析精度。幾種常用的時(shí)頻域信號(hào)處理方法如下所述。

1）小波變換法

政治參與理論自然是依據(jù)我國(guó)的法律以及實(shí)際發(fā)展情況而形成的，指導(dǎo)我國(guó)公民進(jìn)行政治生活也是遵照“依法參與”的原則，公民的政治參與需要以法律為基礎(chǔ)，為自己一切政治活動(dòng)的準(zhǔn)繩，以此來科學(xué)、合理地進(jìn)行政治生活的參與，其稱之為合法參與。

短時(shí)傅里葉變換（Short Time Fourier Trans‐form，STFT）通過加入固定窗函數(shù)的方式完成局部信號(hào)的頻譜分析［65-66］，但同時(shí)會(huì)導(dǎo)致自適應(yīng)性的缺乏以及非平穩(wěn)信號(hào)處理效果不佳等問題［67］。小波變換（Wavelet Transform，WT）法則通過設(shè)置時(shí)間窗和頻率窗寬窄的方式，可實(shí)現(xiàn)對(duì)高頻和低頻信號(hào)的分析［68］，適合探測(cè)信號(hào)中的瞬態(tài)反?，F(xiàn)象及易被忽略的信號(hào)特征，實(shí)現(xiàn)了STFT 優(yōu)缺點(diǎn)的繼承與彌補(bǔ)。Wang 和Liang［69］提出了可適用于不同工藝的小波變換模量顫振指標(biāo)，并采用小波變換模極大值（Wavelet Transform Modu‐lus Maxima，WTMM）檢測(cè)信號(hào)中的奇異點(diǎn)和瞬態(tài)現(xiàn)象。Yuan 等［70］提出了一種基于小波相干函數(shù)的顫振檢測(cè)方法，該方法在顫振早期的信號(hào)分析中表現(xiàn)良好。然而WT 僅對(duì)低頻信號(hào)分解效果顯著，小波包變換（Wavelet Packet Trans‐form，WPT）則解決了傳統(tǒng)WT 對(duì)高頻信號(hào)分解存在分辨率差的問題。Yao 等［71］和Tao 等［49］采用WPT 處理信號(hào)中的高低頻成分，利用局部離群因子（Local Outlier Factor，LOF）和PE 特征分別實(shí)現(xiàn)了銑削和鉆削顫振實(shí)時(shí)監(jiān)測(cè)，圖4 為基于RWPEE 與LOF 的顫振識(shí)別方法。

圖4 基于RWPEE 與LOF 的顫振識(shí)別方法Fig.4 Method of chatter identification based on RWPEE and LOF

2）經(jīng)驗(yàn)?zāi)B(tài)分解法

WPT 的特征提取受基函數(shù)、分解層數(shù)等因素的影響，限制了顫振監(jiān)測(cè)效率。經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）法則無需參數(shù)設(shè)置，便可將信號(hào)自適應(yīng)地分解為多個(gè)固有模態(tài)函數(shù)（Intrinsic Mode Function，IMF），并使振動(dòng)信號(hào)的時(shí)頻變化規(guī)律充分體現(xiàn)，彌補(bǔ)了WT 和STFT 在分析非平穩(wěn)信號(hào)時(shí)的不足。有部分學(xué)者［35，72-73］利用EMD 在車削和銑削加工中完成了對(duì)加速度和電流信號(hào)的分解，并實(shí)現(xiàn)了顫振的在線監(jiān)測(cè)與早期識(shí)別。另外Shrivastava 和Singh［74］利用EMD 良好的噪聲處理能力，從而建立了刀具顫振與加工參數(shù)的相關(guān)性關(guān)系，為切削加工預(yù)測(cè)出穩(wěn)定的加工區(qū)域提供了策略。

由于切削加工過程通常所采集的信號(hào)并不是純白噪聲，因此EMD 處理信號(hào)時(shí)會(huì)存在部分時(shí)間尺度丟失的問題，從而產(chǎn)生模態(tài)混疊，使得IMF 分量失去了分解的物理意義。為此Liu 等［75］提出了EMD 與WPT 相結(jié)合的方式用于在線顫振特征提取，其中EMD 對(duì)信號(hào)進(jìn)行分解，WPT對(duì)第一次重構(gòu)信號(hào)進(jìn)行處理。

頻域分析可將頻率域內(nèi)的原始信號(hào)分解為幾種簡(jiǎn)單信號(hào)的疊加，并完成信號(hào)中敏感頻率成分的識(shí)別和分離，彌補(bǔ)了時(shí)域分析的不足。當(dāng)顫振發(fā)生時(shí)，信號(hào)的主頻會(huì)向加工系統(tǒng)的固有頻率頻段轉(zhuǎn)移，而頻域分析可篩選出加工頻率以及顫振頻率頻帶內(nèi)的信號(hào)，據(jù)此，通過頻域分析提取顫振頻率的方式可實(shí)現(xiàn)顫振監(jiān)測(cè)。

聚合經(jīng)驗(yàn)?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition，EEMD）法可通過抵消信號(hào)中的白噪聲的方式，顯著改善模態(tài)混疊［76］。Fu等［77］以及Shrivastava 和Singh［78］均通過實(shí)驗(yàn)比較了EMD 和 EEMD 兩種信號(hào)處理技術(shù)的適用性，由于EEMD 可極大地增強(qiáng)IMF 的窄帶特性，因此可顯著緩解模態(tài)混疊，如圖5 所示；文獻(xiàn)［77］通過基于EEMD 和能量聚合特征的Hilbert-Huang變換實(shí)現(xiàn)了顫振前兆信息的有效檢測(cè)。由于信號(hào)中的白噪聲無法完全抵消，殘余白噪聲仍會(huì)影響分析結(jié)果，Shrivastava 和Singh［79］則采用了Teager 濾波器對(duì)經(jīng)EEMD 分解后的IMF 進(jìn)行處理，清除了IMF 中殘留的噪聲污染。

圖5 EMD 與EEMD 的信號(hào)處理對(duì)比［77］Fig.5 Signal processing comparison between EMD and EEMD［77］

但是，EEMD 在抑制模態(tài)混疊時(shí)，還存在較大缺陷［80］：①信號(hào)中所添加的白噪聲幅值須選擇合適，較小或較大的幅值分別會(huì)造成模態(tài)混疊抑制效果差以及計(jì)算量急增的問題；②信號(hào)分解時(shí)會(huì)出現(xiàn)非標(biāo)準(zhǔn)IMF 的可能以及模態(tài)分裂問題。

4）局部均值分解法

為緩解EMD 和EEMD 中運(yùn)算效率低及模態(tài)混疊等問題，Smith［81］介紹了一種通過除法運(yùn)算獲取乘積函數(shù)（Product Function，PF），以使迭代次數(shù)大大減少的方法—局部均值分解（Lo‐cal Mean Decomposition，LMD）法。LMD 可用來解調(diào)調(diào)幅和調(diào)頻信號(hào)，能自適應(yīng)地將信號(hào)分解成一系列PF，并且PF 的瞬時(shí)幅值和頻率可以直接從包絡(luò)信號(hào)和調(diào)幅信號(hào)中獲得［82-83］。由于LMD 的優(yōu)勢(shì)明顯，Gupta 等［84-86］采用了該算法分析車削過程的聲音信號(hào)，在結(jié)合均方根、峰峰值以及絕對(duì)平均值時(shí)，取得了良好的顫振識(shí)別準(zhǔn)確率。

但LMD 為遞歸分析算法，且在步長(zhǎng)選擇不當(dāng)時(shí)，仍會(huì)出現(xiàn)與上述模態(tài)分解方法相同的問題，Mishra 和Singh［87］則采用了樣條局部均值分解（Spline Based Local Mean Decomposition，SBLMD）算法，改善了傳統(tǒng)LMD 的固有缺陷，并開發(fā)了基于SBLMD 銑削顫振在線監(jiān)測(cè)系統(tǒng)，如圖6 所示。

圖6 基于SBLMD 的顫振實(shí)時(shí)監(jiān)測(cè)系統(tǒng)Fig.6 Real-time monitoring system of chatter based on SBLMD

2.3 不同液體管理方案對(duì)24 h液體復(fù)蘇達(dá)標(biāo)率的影響 實(shí)驗(yàn)組6 h及24 h液體復(fù)蘇達(dá)標(biāo)率分別為67.67%和83.33%，相較于對(duì)照組的20.00%和44.00%，實(shí)驗(yàn)組達(dá)標(biāo)率更高，兩組間差異有統(tǒng)計(jì)學(xué)意義(P<0.05)，見表2。

變分模態(tài)分解（Variable Mode Decomposi‐tion，VMD）法則屬于非遞歸分析法，其本質(zhì)是具有自適應(yīng)特性的維納濾波器組合，具備高效、精準(zhǔn)的信號(hào)處理能力，可明顯緩解上述方法中存在的固有缺陷，因此VMD 在特征提取方面優(yōu)勢(shì)顯著。如Li 等［88］提出了一種基于VMD 和功率譜熵差銑削顫振早期監(jiān)測(cè)方法，可有效監(jiān)測(cè)銑削早期顫振情況。Mou 等［50］比較了基于變分模態(tài)分解能量分布和變分模態(tài)分解能量熵的兩種薄壁銑削顫振監(jiān)測(cè)方法，前者具有更高的靈敏度和穩(wěn)定性。然而VMD 須提前確定模態(tài)數(shù)K和懲罰因子α，針對(duì)該問題，Yang 等［89］利用模擬退火算法優(yōu)化VMD 的參數(shù)K和α，在連續(xù)顫振和間歇顫振中均具有良好的顫振在線監(jiān)測(cè)效果。Liu 等［90］結(jié)合粒子群算法可實(shí)現(xiàn)最優(yōu)參數(shù)的自動(dòng)獲取。Zhang 等［91］提出一種快速迭代變分模態(tài)分解方法（Fast Iterative Variational Mode Decomposi‐tion，F(xiàn)I-VMD），解決了參數(shù)設(shè)定問題，如圖7 所示。Liu 等［51］根據(jù)顫振信號(hào)與峭度值高相關(guān)性的特點(diǎn)，提出了基于峭度的VMD 參數(shù)自動(dòng)選擇方法，可通過確定最大峭度值從而確定最優(yōu)參數(shù)。Liu 等［92］采用了快速局部平均經(jīng)驗(yàn)?zāi)B(tài)分解，該方法可高效、自適應(yīng)地計(jì)算出模態(tài)參數(shù)。

圖7 基于FI-VMD 的參數(shù)獲取與顫振識(shí)別Fig.7 Parameter acquisition and chatter identification based on FI-VMD

目前，顫振特征提取技術(shù)中還未能同時(shí)兼顧顫振提前預(yù)警和精確預(yù)警。針對(duì)不同的切削加工過程，須采用合適的特征提取技術(shù)，可獲得適用于不同加工過程的敏感特征量。表3 總結(jié)了上述信號(hào)處理方法的優(yōu)缺點(diǎn)及適用范圍，可為下一步顫振識(shí)別的精確性與魯棒性奠定良好的基礎(chǔ)。

表3 顫振特征提取方法總結(jié)Table 3 Summary of chatter feature extraction algorithm

3 顫振識(shí)別技術(shù)

顫振識(shí)別過程是對(duì)切削加工狀態(tài)的分類過程，是顫振在線監(jiān)測(cè)的最后一步，也是最關(guān)鍵一步。目前，常用的顫振識(shí)別方法有閾值法和模式識(shí)別法［93］，由于顫振伴隨著頻率和能量的再分配，因此通過提取顫振頻率后并結(jié)合特殊指標(biāo)（能量指標(biāo)、熵特征等）的方式可通過閾值法實(shí)現(xiàn)顫振識(shí)別，在本文頻域分析中有具體闡述。另外有較多學(xué)者［69，91，94-97］為提高閾值法在顫振識(shí)別中的精確性，分別提出了參數(shù)獲取方法、相對(duì)閾值算法、顫振信號(hào)增強(qiáng)方法以及頻率消除算法等方法，閾值法雖能迅速判斷工件加工狀態(tài)，但難點(diǎn)在于如何確定一個(gè)自適應(yīng)閾值。

當(dāng)前依靠模式識(shí)別法實(shí)現(xiàn)切削加工顫振識(shí)別仍然普遍，模式識(shí)別法是將采集的原始數(shù)據(jù)對(duì)機(jī)器學(xué)習(xí)模型進(jìn)行訓(xùn)練，然后對(duì)數(shù)據(jù)進(jìn)行分類的過程。下文從有監(jiān)督和無監(jiān)督學(xué)習(xí)兩個(gè)方面來闡述模式識(shí)別的特點(diǎn)和應(yīng)用情況。

徐州90年代時(shí)的商業(yè)設(shè)施布局以沿路布置為主，集中分布在淮海路沿線、中山路沿線以及主要干道交叉口，整體形成沿街為市的空間布局形態(tài)；隨后2000年開始商業(yè)設(shè)施在原有的基礎(chǔ)上進(jìn)行延伸擴(kuò)大，在中山路與淮海路形成塊狀節(jié)點(diǎn)，同時(shí)，結(jié)合戶部山、礦業(yè)大學(xué)等形成多處商業(yè)設(shè)施，并在大郭莊機(jī)場(chǎng)西南側(cè)、沿三環(huán)東路、荊馬河北側(cè)等地區(qū)形成大型市場(chǎng)用地；現(xiàn)如今，隨著徐州經(jīng)濟(jì)的快速發(fā)展，商業(yè)綜合體主要集中在老城區(qū)，老城區(qū)商業(yè)設(shè)施布局從帶狀向面狀發(fā)展演變，新城區(qū)商業(yè)綜合體、銅山片區(qū)商業(yè)綜合體以及城東新區(qū)商業(yè)中心等商圈也都應(yīng)勢(shì)而起。如圖1所示。

5）變分模態(tài)分解法

3.1 有監(jiān)督顫振識(shí)別技術(shù)

有監(jiān)督學(xué)習(xí)是通過利用若干有標(biāo)記的樣本，對(duì)相關(guān)機(jī)器學(xué)習(xí)進(jìn)行有指導(dǎo)性地訓(xùn)練，從而得到一個(gè)分類模型，利用該模型可對(duì)未知標(biāo)簽的數(shù)據(jù)完成分類。此類算法可充分利用標(biāo)記信息實(shí)現(xiàn)方向性學(xué)習(xí)，因此具備良好的顫振識(shí)別準(zhǔn)確率。

利用頻域分析獲得信號(hào)中的顫振頻率信息，并結(jié)合相應(yīng)的顫振特征，可通過顫振閾值檢測(cè)的方式實(shí)現(xiàn)加工狀態(tài)識(shí)別，相較于機(jī)器學(xué)習(xí)進(jìn)行顫振識(shí)別，具有更好的顫振識(shí)別效率，常見的顫振頻率提取相關(guān)算法總結(jié)如表2 所示。

如果說蓋博和蘇珊娜的愛是愛在神性的死中戰(zhàn)勝了自然性的死，那么，浮西努對(duì)蓋博的愛，便是努力地將一眨眼的幸福變成永恒的情愛，浮西努因?yàn)閼?zhàn)爭(zhēng)，可以讓自己對(duì)一個(gè)男人的愛意輕而易舉地?zé)o限地?cái)U(kuò)張，由此產(chǎn)生的藝術(shù)魅力使整部作品充滿詩意。

相比DNN，支持向量機(jī)（Support Vector Machine，SVM）在非線性、小樣本的數(shù)據(jù)中可表現(xiàn)出更好的魯棒性和泛化能力。錢士才等［103］建立了基于數(shù)據(jù)集特征庫的可在線進(jìn)化最小二乘一類支持向量機(jī)（Least Squares One Class Sup‐port Vector Machine，LS-OC-SVM）顫振識(shí)別模型。Chen 等［104］采用了線性支持向量機(jī)（Linear Support Vector Machine LSVM）模型，其計(jì)算量小、實(shí)時(shí)性好，為顫振在線監(jiān)測(cè)系統(tǒng)開發(fā)提供了策略。Li 等［105］采用了多分類支持向量機(jī)（Multi-Class Support Vector Machine，MC-SVM）模型，彌補(bǔ)了LSVM 分類精度較差的問題。Wan等［106］通過Adaboost 算法集成多個(gè)SVM 弱分類器，以組成性能更佳的強(qiáng)分類器Adaboost-SVM，避免了因樣本標(biāo)簽錯(cuò)誤導(dǎo)致顫振分類精度下降的問題，如圖8 所示。Ren 和Ding［107］將自適應(yīng)Hanke 低秩分解（Adaptive Hankel Low-rank Decomposition，AHLRD）和SVM 結(jié)合，并對(duì)信號(hào)處理和顫振識(shí)別進(jìn)行了實(shí)時(shí)性評(píng)估，建立了具備良好的實(shí)時(shí)性、精度和早期顫振敏感性的顫振監(jiān)測(cè)系統(tǒng)。

“雨課堂”提供了填空題、單選題、多選題、主觀題、投票等互動(dòng)設(shè)置，教師提前設(shè)置題目，課堂發(fā)布，學(xué)生在手機(jī)上即時(shí)作答，答題結(jié)果當(dāng)即反饋給教師，方便及時(shí)評(píng)估學(xué)生知識(shí)點(diǎn)掌握情況。在具體的教學(xué)過程中，采用分組討論，提前設(shè)置主觀題“中美貿(mào)易摩擦對(duì)航運(yùn)業(yè)的影響”“大數(shù)據(jù)和互聯(lián)網(wǎng)+背景下，船舶經(jīng)紀(jì)人將何去何從”等，學(xué)生分組查閱資料并展開激烈討論，踴躍發(fā)表自己觀點(diǎn)，大大提高上課質(zhì)量。同時(shí)也可發(fā)布試卷，進(jìn)行課堂測(cè)驗(yàn)。

圖8 Adaboost-SVM 原理圖結(jié)構(gòu)［106］Fig.8 Adaboost-SVM schematic structure［106］

提升法（Boosting）同樣由多個(gè)弱分類器所組成，所構(gòu)成的強(qiáng)分類器極大地提升了其預(yù)測(cè)精度，并具備參數(shù)設(shè)置簡(jiǎn)易、無需先驗(yàn)知識(shí)等特點(diǎn)［108］。目前用于顫振識(shí)別的相關(guān)算法有梯度樹提升算法（Gradient Tree Boosted，GTB）和輕梯度提升算法（Light Gradient Boosting，LGB）。其中GTB 在確定顫振時(shí)間和嚴(yán)重程度方面實(shí)現(xiàn)了智能化應(yīng)用［14］，如圖9 和圖10 所示。LGB 則通過結(jié)合近鄰傳播聚類算法后實(shí)現(xiàn)了在可變切削條件下的高精度顫振識(shí)別結(jié)果［109］。

圖9 顫振實(shí)際發(fā)生與檢測(cè)時(shí)間點(diǎn)對(duì)比圖Fig.9 Comparison of actual chatter occurrence and de‐tection time points

圖10 GTB 識(shí)別顫振嚴(yán)重程度與準(zhǔn)確率Fig.10 Grade and accuracy of GTB chatter identification

決策樹可通過信息增益尋找最大信息量的屬性字段，從而建立并延伸決策樹的節(jié)點(diǎn)和分支，所形成的樹狀結(jié)構(gòu)使得模型具有可讀性強(qiáng)、實(shí)現(xiàn)簡(jiǎn)單以及分類迅速等特點(diǎn)［110］，克服了提升法的不足。Wang 等［111］利用分類和回歸樹（Classi‐fication and Regression Trees，CART）算法建立了自動(dòng)顫振識(shí)別的決策樹模型。然而決策樹易出現(xiàn)過擬合現(xiàn)象，而梯度提升決策樹（Gradient Boosting Decision Trees，GBDT）針對(duì)該問題可取得良好的優(yōu)化效果，周曉敏等［112］則通過GBDT 算法建立了振動(dòng)能量回歸模型并完成了特征選擇以及模型簡(jiǎn)化，實(shí)現(xiàn)了冷軋顫振監(jiān)測(cè)。此外，有學(xué)者將優(yōu)化算法與K 近鄰結(jié)合［113-114］，降低了運(yùn)算成本，采用隱馬爾可夫模型［115］建立顫振辨識(shí)模型，采用隨機(jī)森林［116］克服了決策樹容易陷入過擬合的問題，均取得了良好的顫振識(shí)別精度。

數(shù)控機(jī)床各執(zhí)行部件的運(yùn)動(dòng)主要依靠PLC信號(hào)實(shí)現(xiàn)，因此數(shù)控機(jī)床各項(xiàng)參數(shù)的采集可通過讀取機(jī)床端PLC 信號(hào)獲得［9］；機(jī)床端PLC 信號(hào)的采集方法主要有：PCI（Peripheral Component In‐terconnect）總線采集法［18］、嵌入式系統(tǒng)采集法［19-21］和機(jī)床外接PLC 采集法［22-23］，前二者在實(shí)時(shí)性和可靠性上更佳，后者則具備更好的靈活性?；赑LC 數(shù)據(jù)采集架構(gòu)主要由設(shè)備層和PLC 數(shù)據(jù)采集層以及數(shù)據(jù)傳輸層（串口、網(wǎng)口等）組成［24］，其原理是PLC 對(duì)設(shè)備層中傳感器的模擬信號(hào)進(jìn)行采集，然后將模擬信號(hào)進(jìn)行A/D 轉(zhuǎn)換為數(shù)字信號(hào)后，最終將數(shù)字信號(hào)經(jīng)過不同的矩陣運(yùn)算即可輸出對(duì)應(yīng)類型的信號(hào)［23］（如力信號(hào)、加速度信號(hào)）。另外依靠數(shù)據(jù)傳輸層中的PLC 通訊接口，可使數(shù)據(jù)有利于存儲(chǔ)和傳輸，當(dāng)前較先進(jìn)的PLC 設(shè)備開始支持以太網(wǎng)，搭配網(wǎng)口通訊的PLC將進(jìn)一步提升數(shù)據(jù)的傳輸能力。

表4 有監(jiān)督顫振識(shí)別法優(yōu)缺點(diǎn)及應(yīng)用總結(jié)Table 4 Summary of advantages，disadvantages and applications of supervised chatter identification

3.2 無監(jiān)督顫振識(shí)別技術(shù)

無監(jiān)督學(xué)習(xí)無需預(yù)先訓(xùn)練出模型，可通過輸入無標(biāo)簽數(shù)據(jù)，依靠數(shù)據(jù)中蘊(yùn)含的結(jié)構(gòu)構(gòu)造模型，適合用于實(shí)時(shí)、高速的處理場(chǎng)景［117］。相比于有監(jiān)督學(xué)習(xí)，無監(jiān)督學(xué)習(xí)在挖掘數(shù)據(jù)潛在信息上更具優(yōu)勢(shì)，避免了依賴大量人工標(biāo)記數(shù)據(jù)導(dǎo)致的標(biāo)記成本高的問題。隨著計(jì)算機(jī)硬件和算法的發(fā)展，無監(jiān)督學(xué)習(xí)開始逐步應(yīng)用于切削加工顫振識(shí)別，如聚類法和高斯混合模型。

相較于有監(jiān)督學(xué)習(xí)，無監(jiān)督學(xué)習(xí)在精度上稍遜一籌，因此，須選擇更加合適的特征，Wang等［37］從峭度概率密度函數(shù)（Kurtosis Possibility Density Function，KPDF）中提取了相交距離和交叉面積兩種顫振指標(biāo)，該兩種指標(biāo)與K-means聚類法相結(jié)合，聚類精度有明顯提高，如圖11 所示。由于K-means 聚類法的K 個(gè)初始聚類中心的選擇是隨機(jī)的，易導(dǎo)致算法對(duì)異常數(shù)據(jù)格外敏感，從而影響分類精度。張雪峰［118］通過建立聚類數(shù)和中心距離的函數(shù)關(guān)系，選擇圖像拐點(diǎn)作為最佳K 值，然后采用K-means 聚類法對(duì)銑削工藝系統(tǒng)動(dòng)剛度變化情形進(jìn)行歸納，建立了銑削工藝系統(tǒng)的動(dòng)剛度計(jì)算公式。Dun 等［119］采用一種基于密度和距離度量的混合聚類法對(duì)壓縮信號(hào)進(jìn)行分類，克服了K-means 聚類法無法解決不規(guī)則形狀數(shù)據(jù)集的問題。

從“十二五”期間國(guó)際油價(jià)大幅下跌以來，石油勘探開發(fā)板塊整體效益大幅下滑，低效益、負(fù)效益成為石油開發(fā)近年的“熱詞”。如何實(shí)現(xiàn)長(zhǎng)期的可持續(xù)、高質(zhì)量發(fā)展，是全球各大石油公司面臨的巨大挑戰(zhàn)。同時(shí)受低油價(jià)影響，科技研發(fā)投入降低，世界范圍內(nèi)除美國(guó)頁巖油外，近年來油田開發(fā)技術(shù)，尤其是老油田提高采收率技術(shù)沒有大的突破與創(chuàng)新。大港油田作為一個(gè)開發(fā)五十余年的老油田，面臨的形勢(shì)更加嚴(yán)峻。

圖11 基于KPDF 和K-means 的顫振在線監(jiān)測(cè)流程圖Fig.11 Flow chart of online chatter monitoring based on KPDF and K-means

高斯混合模型（Gaussian Mixture Model，GMM）依據(jù)概率分配聚類成員，相較于K-means聚類法具有更靈活的類簇形狀。Wang 和Cunha［120］在高速切削加工中比較了GMM 與Kmeans 聚類法兩種無監(jiān)督算法，其中GMM 可處理更多形狀的數(shù)據(jù)集。為解決傳統(tǒng)GMM 存在概念漂移問題，Diaz-Rozo 等［121］提出了一種基于GMM 的動(dòng)態(tài)概率聚類法，可用于實(shí)時(shí)監(jiān)測(cè)機(jī)床顫振情況，并具備更好的魯棒性。Fu 等［77］將歸一化能量比（Normalized Energy Ratio，NER）和CV 兩種特征與GMM 結(jié)合實(shí)現(xiàn)了顫振監(jiān)測(cè)中閾值的自動(dòng)確定，如圖12 所示。汪曉姍［122］采用GMM 對(duì)特征進(jìn)行擬合，建立了顫振特征與銑削狀態(tài)之間的函數(shù)關(guān)系，增強(qiáng)了顫振在線監(jiān)測(cè)的實(shí)時(shí)性。

校企合作課題研究培訓(xùn)教師的教科研能力是一種新嘗試，碰出了校企合作的感情火花和創(chuàng)新思維。這種以課程教學(xué)創(chuàng)新為目標(biāo)、以研發(fā)產(chǎn)品為載體的培訓(xùn)活動(dòng)增加了校企合作的粘度，也打開了教師教學(xué)改革的視野，取得的成果更加刺激了教師的積極性，對(duì)于專業(yè)帶頭人致力于專業(yè)教學(xué)改革提供了新的思路，達(dá)到了“授人以欲”到“授人以漁”的目的。其成功的原因主要?dú)w納為24個(gè)字：自主研發(fā)、入心激欲、過程評(píng)價(jià)、分層管理、閉環(huán)控制。

圖12 基于GMM 的顫振識(shí)別模型［77］Fig.12 Model of chatter identification based on GMM［77］

無監(jiān)督學(xué)習(xí)法發(fā)展相對(duì)緩慢，目前仍缺乏較好的邏輯推理和記憶能力，當(dāng)前基于無監(jiān)督顫振識(shí)別技術(shù)的研究還需增加相應(yīng)評(píng)估，如聚類趨勢(shì)、數(shù)據(jù)簇?cái)?shù)以及聚類質(zhì)量等。在實(shí)際生產(chǎn)生活中，無標(biāo)簽數(shù)據(jù)占主體，采用無監(jiān)督學(xué)習(xí)發(fā)現(xiàn)數(shù)據(jù)的內(nèi)在關(guān)系，可獲得更好的顫振監(jiān)測(cè)效率，在未來有更廣闊的發(fā)展空間。

本文采用聚類分析方法對(duì)不同載荷分布比例的車輛進(jìn)行區(qū)分，聚類后同類數(shù)據(jù)盡可能地聚集到一起，不同類的數(shù)據(jù)盡量分離，以找到隱含的規(guī)律。聚類算法的選擇取決于數(shù)據(jù)的類型和聚類的目的。K-均值(K-Means)是劃分方法中比較經(jīng)典的聚類算法,效率較高，廣泛應(yīng)用于大規(guī)模數(shù)據(jù)的聚類。

4 結(jié)論與展望

對(duì)國(guó)內(nèi)外關(guān)于切削加工過程中顫振在線監(jiān)測(cè)方面的研究進(jìn)行了總結(jié)，主要包括顫振數(shù)據(jù)采集方法、影響顫振信號(hào)處理實(shí)時(shí)性與精確性的關(guān)鍵因素以及基于有無監(jiān)督學(xué)習(xí)的顫振識(shí)別方法。在數(shù)據(jù)采集方面，目前有外接傳感器數(shù)據(jù)采集、PLC 數(shù)據(jù)采集和通訊接口數(shù)據(jù)采集，該3 種數(shù)據(jù)采集方式在使用場(chǎng)合及數(shù)據(jù)采集種類方面具有較好的互補(bǔ)性，通訊接口采集技術(shù)在數(shù)據(jù)采集與處理之間體現(xiàn)了較好的協(xié)同性。在信號(hào)處理方面，現(xiàn)有研究主要集中在對(duì)算法的優(yōu)化以及建立高效的顫振信號(hào)處理系統(tǒng)。在顫振識(shí)別方面，現(xiàn)有工作主要體現(xiàn)在提升有監(jiān)督顫振識(shí)別法的時(shí)效性以及無監(jiān)督顫振識(shí)別法的精確性方面。

總體而言，目前國(guó)內(nèi)外學(xué)者在切削加工顫振在線監(jiān)測(cè)研究中取得了一系列進(jìn)展，但在保證顫振識(shí)別精確性的前提下，真正實(shí)現(xiàn)顫振的實(shí)時(shí)監(jiān)測(cè)仍存在較大距離，筆者認(rèn)為可以從以下3 個(gè)方面進(jìn)行更深入研究：

1）通過外接傳感器的數(shù)據(jù)采集方式仍是當(dāng)前主流，但各傳感器存在固有缺陷，易遺漏加工過程中的有用信息，利用通訊接口采集技術(shù)可獲得良好的數(shù)據(jù)采集和處理能力，實(shí)現(xiàn)更高效的顫振在線監(jiān)測(cè)，將是未來數(shù)據(jù)采集的趨勢(shì)。

由雙向DC/DC變換器的效率分析可知DC/DC變換器兩側(cè)的蓄電池和超級(jí)電容的壓差越小，DC /DC變換器的效率越高。為了有效利用變換器的效率，所以在進(jìn)行復(fù)合電源參數(shù)匹配分析時(shí)，應(yīng)該讓超級(jí)電容組的電壓和蓄電池組的電壓接近。按照分析，超級(jí)電容容量應(yīng)該滿足的約束條件為:

目前通訊接口采集技術(shù)仍存在通訊接口不統(tǒng)一、兼容性和開放性不足以及過分依賴高性能軟硬件設(shè)備等問題，如何解決上述問題是未來顫振在線監(jiān)測(cè)更好運(yùn)用于工程實(shí)際的關(guān)鍵。

此功能使用的是Valve公司發(fā)布的SteamVR插件，并將該插件導(dǎo)入到Unity3D游戲開發(fā)引擎中，再經(jīng)過腳本命令的編寫，完善其精細(xì)程度，將其導(dǎo)出為APK文件安裝至手機(jī)，即可實(shí)現(xiàn)三維人骨模型的虛擬增強(qiáng)。

2）目前大多學(xué)者都致力于建立先進(jìn)的顫振在線監(jiān)測(cè)系統(tǒng)，然而現(xiàn)有的監(jiān)測(cè)系統(tǒng)仍無法及時(shí)反饋機(jī)床的狀態(tài)信息，且顫振識(shí)別精度會(huì)隨著加工系統(tǒng)剛度變化而逐漸下降，筆者認(rèn)為可以從以下幾點(diǎn)進(jìn)行研究：①研究顫振特征選擇與融合的理論基礎(chǔ)；②探究先進(jìn)的實(shí)時(shí)數(shù)據(jù)處理和決策方法；③開發(fā)具備特征自動(dòng)提取、在線進(jìn)化的顫振監(jiān)測(cè)系統(tǒng)。從而有效識(shí)別顫振早期信號(hào)特征，是進(jìn)一步提高顫振監(jiān)測(cè)實(shí)時(shí)性與精確性的關(guān)鍵。

3）目前在顫振監(jiān)測(cè)過程中，有監(jiān)督學(xué)習(xí)因需要大量帶標(biāo)記數(shù)據(jù)，代價(jià)昂貴，已逐漸發(fā)展到瓶頸，無監(jiān)督學(xué)習(xí)具備快速的計(jì)算能力，不依賴樣本標(biāo)簽，將會(huì)是未來智能化顫振在線監(jiān)測(cè)的重要發(fā)展方向。提升無監(jiān)督學(xué)習(xí)信息利用率、深入探究有監(jiān)督與無監(jiān)督學(xué)習(xí)的融合機(jī)制，以建立同時(shí)具備良好的實(shí)時(shí)性和精確性的顫振識(shí)別模型，可作為未來顫振在線監(jiān)測(cè)的研究方向之一。