[发明专利]一种用于机加工表面形貌特征提取的分解方法

说明书

本发明公开一种用于机加工表面形貌特征提取的分解方法，包括以下步骤：(1)利用粗糙度轮廓仪测量出零件难加工位置的表面数据信号；(2)利用小波包分解将上述表面数据信号进行阈值降噪处理并获得重构信号(3)对现存的自适应噪声的完整集合经验模态分解(CEEMDAN)进行预处理改进，通过选取合理的白噪声上限频率以减少白噪声幅值和集合次数，利用改进的CEEMDAN对上述获得的重构信号进行分解，得到一系列的固有模态函数IMF；(4)对上述获得的IMF进行相关性分析获得频率的特征，剔除相关性较差的IMF。

技术领域

本发明涉及机加工中加工误差的几何测量与评定，特别是涉及一种用于机加工表面形貌特征提取的分解方法。

背景技术

机械加工过程中会产生振动、环境噪声以及人工测量误差等干扰，这些干扰会使得采集到的表面形貌信号发生调频和调幅。因此，能否从机械振动、背景噪声和测量误差中准确的提取出真实信号，并确定真实信号的频率特征，对确定加工表面误差和预测表面性能具有重要的意义[1]。在实际的机械加工过程中，产生的信号大多是非平稳和非线性的，而传统的时域和频域分析方法都是假设信号是平稳的和线性的，故而不再适用。

经验模态分解(EMD)是由纯数据驱动的一种非线性非平稳信号的自适应分解方法，不需要像小波变换那样提前预置基函数，但是会因为噪声和不连续信号的存在产生模态混叠的问题。模态混叠最早由Huang通过对含有间断信号的EMD分解时发现。模态混叠是指在一个固有模态函数(IMF)中包含差异极大的时间尺度；或者相近的特征时间尺度分布在不同的IMF中，表现为相邻两个IMF波形混叠，相互影响，难以分辨[2]。针对EMD中存在的模态混叠问题，各国学者纷纷对其进行研究，Wu和Huang[3]提出了集合经验模态分解(EEMD)，是一种噪声辅助数据分析(NADA)方法。EEMD的原理[4]就是：将白噪声和不同尺度的信号组分均匀的填充在整个时频空间，不同尺度的信号会自动投射在由白噪声建立的参考尺度上，使得EMD变成了自适应的二元滤波器组。EEMD在很大程度上减轻了模态混叠现象，但并没有完全消除，而且又出现了新的问题[5]。重构后的信号包含了残余噪声；不同的噪声与信号集合产生不同数量的模态，使得最后的平均化比较困难；分解过程中需要大量的迭代次数，时间成本比较高。文献[5]中提出了自适应噪声的完整集合经验模态分解(CEEMDAN)是对EEMD的重要改进，实现了可忽略的重建误差并且解决了针对信号加噪声的不同集合产生不同模态的问题。尽管如此，CEEMDAN仍然有一些方面值得改进：模态中包含了一些残余噪声；在分解的早期阶段，信号信息比在EEMD中显示的晚，并伴有一些虚假模态；分解过程中的迭代次数依旧很多，计算成本较高[6]。

针对现存的分解方法很有必要设计一种将小波包[7]和经验模态分解相结合的方法来更加精确的对机加工表面形貌进行特征分解与提取。

参考文献：

[1]FP.Zhang,JB.Yang,TG.Zhang,Y.Yan，Surface topography separationbased on wavelet reconstruction and empirical mode decomposition,10^th ASMEInternational Manufacturing Science and Engineering Conference.2015.WOS:000365146800027.

[2]N.E.Huang,Z.H.Wu,Areview on Hilbert–Huang transform:method and itsapplications to geophysical studies,Rev.Geophys.46(2)(2008).

[3]Z.H.Wu,N.E.Huang,Ensemble empirical mode decomposition:a noise-assisted data analysis method,Adv.Adapt.Data Anal.1(01)(2009)1–41.