基于小波包分析和LS-SVM的钻削刀具状态识别研究

为了有效地识别钻削刀具磨损状态,提出一种基于小波包分析和最小二乘支持向量机(LS-SVM)的状态识别方法。通过在线监测钻削加工过程中的钻削轴向力和刀具状态,采用时域分析、频域分析以及小波包分析法对刀具磨损状态的信号进行特征向量提取,建立基于最小二乘支持向量机(LS-SVM)的分类识别模型。通过试验验证了该方法可以提高刀具磨损状态的识别精度。     

卡尔曼滤波修正LS-SVM的刀具磨损识别技术研究

针对刀具磨损状态先验样本少和常规神经网络识别模型收敛速度慢、易陷入局部极小值等问题,提出了基于最小二乘支持向量机(LS-SVM)的刀具磨损量识别技术,并针对模型输出存在系统误差而降低刀具磨损量识别精度的问题,引入卡尔曼滤波算法对时序监测结果进行修正,实现小样本下的刀具磨损量的精确识别。以车削加工为研究对象,采集加工过程中的切削力信号,应用小波包分析技术提取反映刀具磨损状态的特征信息,作为LS-SVM的输入样本,并对模型进行学习训练,完成对刀具磨损状态的识别,最后采用卡尔曼滤波修正其时序监测结果。实验结果表明:LS-SVM模型能高效地实现刀具磨损量识别,需样本数较少,训练速度快,通过卡尔曼滤波修正后的磨损量识别结果精度更高。     

基于EMD-SVM的钛合金铣削过程刀具磨损监测

以硬质合金刀具铣削Ti-6Al-4V为研究对象,提出了一种基于经验模态分解（empirical mode decomposition, 简称EMD）及支持向量机（support vector machine,简称SVM）的刀具磨损阶段识别方法。首先,将原始加速度信号及力信号分解为一系列模态分量（intrinsic mode function,简称IMF）,选择了有效的IMF来组合一个新的信号;其次,计算新信号的多评价指标矩阵,将得到的多指标矩阵（I-kazTM、功率谱熵及均方根）作为输入特征向量,得到了基于线性分类器的刀具磨损识别模型;最后,将检测信号输入模型中进行识别,对刀具磨损阶段的识别精度达到了99.17%。EMD-SVM相较于SVM、BP神经网络及小波包SVM模型,运算时间减少,运算精度提高。实验结果表明,该模式对钛合金铣削过程中的刀具磨损具有良好的识别效果,为刀具磨损状态的监测提供了一种新方法。     

基于Elman神经网络的刀具磨损状态识别技术

由于刀具磨损声发射信号的能量分布与刀具磨损状态密切相关,可以利用谐波小波包方法提取刀具磨损声发射信号的特征能量,对各频段能量做归一化处理,与切削三要素组成特征向量输入到Elman神经网络,通过神经网络判别刀具磨损状态。实验结果表明,刀具磨损产生的声发射信号频率主要集中在10Hz~130k Hz之间,将谐波小波包和Elman神经网络结合的方法可以有效地识别刀具磨损状态。     

基于铣削力与神经网络刀具磨损状态识别研究

以铣削难加工材料——高锰钢加工过程为研究对象。建立了以铣削力作为监测信号的铣刀磨损监测实验系统。应用小波包理论对铣削力信号进行分析和消噪处理。并提取了信号的能量特征作为神经网络的输入向量。基于神经网络极强的非线性映射能力及分类能力。选用小波包分析与BP网络结合的方式对刀具磨损状态进行识别。建立了模式识别BP网络结构,构造了网络训练样本及测试样本。对网络进行了训练、仿真及验证测试,结果表明该网络能够对刀具磨损状态进行准确的识别。对刀具的在线监测具有良好的现实意义。     

基于深度学习的高速铣削刀具磨损状态预测方法

由于铣刀在高转速下进行不连续切削,刀具磨损迅速且难于监测,并且刀具磨损严重影响加工精度与产品质量。针对高速铣削刀具磨损难以在线预测问题,提出了一种基于深度学习的高速铣削刀具磨损预测的新方法。通过小波包变换提取铣削力信号在不同频段上的能量分布作为初始特征向量;采用无监督学习对稀疏自编码网络进行特征学习,并将单层网络堆栈构成深度神经网络;最后利用有监督学习对整个深度网络进行微调训练,建立铣削刀具磨损预测模型。实验结果表明,所提出的方法对刀具磨损状态预测准确率达到93.038%。     

基于差分进化小波神经网络的刀具磨损状态识别

提出应用小波神经网络进行刀具磨损状态识别的方法,给出了具体的识别流程。构建了小波神经网络,并实现了差分进化对网络参数的优化。通过检测加工现场的切削力和切削声音信号,将其进行信号处理后作为小波神经网络的训练样本,将差分进化应用于小波神经网络结构和参数的优化中,最终实现刀具磨损状态的识别。仿真结果表明差分进化小波神经网络能够有效避免神经网络不收敛的缺点,提高学习速度,采用差分进化小波神经网络进行刀具磨损状态识别,具有较高的诊断精度和效率。     

往复泵泵阀的谐波小波包分析及LS-SVM方法研究

针对往复泵泵阀冲击振动信号的非平稳特性,运用谐波小波包能量特征提取和最小二乘支持向量机(LSSVM)相结合的方法识别泵阀故障。通过对泵阀冲击振动信号进行谐波小波包分解,提取各频段谐波小波包系数的能量值,将各频段能量值组成的特征向量作为诊断模型的特征向量,输入到LS-SVM多类分类器中进行故障识别,并将谐波小波包与小波包在泵阀故障诊断中的诊断准确率进行了比较。试验结果表明将谐波小波包分解和LS-SVM相结合可以准确有效地识别泵阀故障类型。     

基于振动信号的铣刀磨损状态识别

刀具磨损状态的变化是自动化加工中最为常见的影响因素,对刀具磨损状态的有效识别能够保证自动化生产的顺利进行.从铣削加工的振动信号中,可以获取刀具磨损状态的信息.基于小波理论,通过分解提取的振动信号,并分析频带内振动信号幅值的变化,就能够确定刀具磨损的状态.对铣削平面和斜面进行了实验分析,证明该种方法能够实现铣削加工过程中刀具磨损状态的有效识别.     

特征降维与决策融合在刀具磨损监测中的应用

声发射技术是刀具磨损状态监测的有效检测方法。针对目前对刀具声发射信号难以实现识别分辨率和计算速率兼容的问题,提出关于刀具磨损状态识别建模的新方法。首先对信号进行小波包特征抽取,并通过核主分量分析对其进行优化。接着在两种神经网络识别结果的基础上,提出基于支持向量机的决策融合算法,从而避免了经典决策融合算法在实际应用中的问题。实验数据证明,该模型能有效提高刀具磨损状态的识别分辨率,且不影响运算的在线性。     

基于云理论与LS-SVM的刀具磨损识别方法

针对刀具磨损过程中产生声发射信号的不确定性以及神经网络学习算法收敛速度慢、易陷入局部极小值、对特征要求较高等问题,提出了基于云理论和最小二乘支持向量机的刀具磨损状态识别方法。首先,对声发射信号进行小波包分解与重构,滤除干扰频段对求取特征参数的影响;其次,对重构后的信号利用逆向云算法提取云特征参数:期望、熵、超熵,分析刀具磨损声发射信号的云特性及磨损状态与云特征参数之间的关系;最后,将云特征参数组成特征向量送入最小二乘支持向量机进行识别。研究结果表明:所提取的特征可以很好地反映刀具的磨损状态,云-支持向量机方法可以有效地实现刀具磨损状态的识别,与传统神经网络识别方法相比具有更高的识别率,识别率达到96.67%。     

CHMM for tool condition monitoring and remaining useful life prediction

To solve the problems of tool condition monitoring and prediction of remaining useful life, a method based on the Continuous Hidden Markov Model (CHMM) is presented. With milling as the research object, cutting force is taken as the monitoring signal, analyzed by wavelet packet theory to reduce noise and extract the energy feature of the signal as a basis for diagnosis. Then, CHMM is used to diagnose tool wear state. Finally, a Gaussian regression model is proposed to predict the milling tool’s remaining useful life after the test sample data are verified to be consistent with the Gaussian distribution based on a reliable identification of the milling tool wear state. The probability models of tool remaining useful life prediction could be established for tools with different initial states. For example, when an unknown state of milling force signal is delivered to the milling tool online diagnostic system, the state and the existing time of this state could be predicted by the established prediction model, and then, the average remaining useful life from the present state to the tool failure state could be obtained by analyzing the transfer time between each state in the CHMM. Compared to the traditional probabilistic model, which requires a large amount of test samples, the experimental cost is effectively reduced by applying the proposed method. The results from the experiment indicate that CHMM for tool condition monitoring has high sensitivity, requires less training samples and time, and produces results quickly. The method using the Gaussian process to accurately predict remaining life has ample potential for application to real situations.     

蜗轮减速器振动信号特征提取与状态识别

为实现蜗轮减速器运行状态识别,首先结合小波包分解和矩阵理论的特点,提出基于参考信号的小波包能量矩阵构造方法,分析了矩阵的最大奇异值（特征值）与运行状态的物理联系,并验证了所提方法比以往方法提取出的特征参数敏感度更高;然后改进思维进化算法（MEA）用于优化BP神经网络,实现对运行状态的智能识别,将提取的特征参数构成神经网络的输入向量,结果表明识别正确率提高了17.93%,从而验证了改进算法的优越性;最后提出了一种快速分类方法,该方法可以较好地区分故障与正常状态,解决了对实时性要求较高的在线诊断问题。     

基于SOM和HMM结合的刀具磨损状态监测研究

针对端面铣刀磨损状态的识别问题,提出了基于自组织特征映射神经网络和隐马尔可夫模型结合的方法。该方法对铣削力信号进行预处理和相关特征提取,用自组织特征映射对信号特征矢量进行量化编码,所得码本作为隐马尔可夫模型的输入向量,分别训练三个不同磨损阶段的隐马尔可夫模型来对未知的刀具磨损状态进行监测与识别。实验结果表明,该方法能够对刀具磨损状态进行准确的识别,对自动化生产具有现实意义。     

LS-SVM回归算法在刀具磨损量预测中的应用

提出了基于最小二乘支持向量机回归算法的刀具磨损量预测方法。该方法首先利用经验模态分解算法对非线性、非平稳的声发射信号进行平稳化处理,得到了若干个固有模态函数;然后建立了每个固有模态函数的自回归模型,并提取模型系数构造特征向量;最后采用最小二乘支持向量机回归算法实现了刀具磨损量的预测。该方法与神经网络预测算法相比,具有更高的预测准确率,可有效预测当前切削状态下10s后的刀具磨损量。     

侧铣加工刀具回转轮廓误差预测技术研究

在侧铣加工中，刀具磨损和变形引起的刀具回转轮廓误差在实际加工前难以准确预测。提出一种工件形状刀具轮廓映射的辨识试验方法来获取加工过程刀具回转轮廓误差，并通过多因素正交试验获取了不同工况下刀具回转轮廓误差数据库。基于误差数据，采用最小二乘支持向量机（LS-SVM）技术建立了刀具回转轮廓误差预测模型。运用遗传算法优化对所提模型有重要影响的核函数参数和错误惩罚因子, 建立了基于遗传算法优化的最小二乘支持向量机(GA-LS-SVM)模型，并与未经遗传算法优化的LS-SVM模型进行了对比，试验结果表明，GA-LS-SVM预测模型能更好地适用于刀具回转轮廓误差预测。     

基于谐波小波包能量熵的轴承故障实时诊断

将谐波小波包变换与信息熵相结合,从揭示故障信号能量分布的复杂程度入手,提出一种轴承故障实时诊断的新方法.对故障振动信号进行谐波小波包分解,将分解的小波系数按尺度进行排列,计算不同尺度的能量,以尺度能量为划分标准,计算故障信号的能量熵,通过能量的熵值诊断轴承故障.给出谐波小波包能量熵的轴承故障的具体诊断方法和模型.对不同...     

基于主轴电流的铣削力间接监测方法

实时准确地监测铣削状态对于提高加工质量与加工效率具有重要意义,切削力作为重要的加工状态监测对象,因其监测设备昂贵且安装不便而受到限制,为此提出一种考虑刀具磨损的基于主轴电流的铣削力监测方法.首先基于切削微元理论建立了考虑后刀面磨损的铣削力模型,并通过铣削实验进行铣削力模型系数标定;然后对主轴电流与铣削力的关系进行理论建...     

采用小波包能量熵的铣削振动状态分析方法研究

颤振是影响机床加工质量的重要原因之一。为实现切削颤振的实时在线识别与评价,采用加速度传感器,获取主轴振动信号,以小波包能量熵值为指标,对铣削加工的稳定状态及振动形式进行识别。通过多传感器对加工过程进行监测,确定加工的稳定性;对主轴振动信号进行频谱分析,了解不同加工状态下的信号频谱特点,分析其振动形式。对信号进行小波包分解,发现在不同的振动状态下,信号的能量分布有显著规律。试验表明,切削从稳定状态到不稳定状态,本质上是强迫振动和颤振的能量强度和分布发生了变化。能量熵描述能量分布的变化,是识别切削状态和振动状态变化的有效方法。     

基于小波包分解与DAG SVM的柱塞泵故障诊断

针对柱塞泵检测诊断中故障特征模糊、成因复杂、难以准确定位的问题,结合决策树与支持向量机提出一种基于小波包分解与DAG SVM的柱塞泵故障诊断方法。该方法预先对所用C SVM和RBF核函数的参数进行优化,而后采用db5小波包对泵体振动信号进行三层分解以提取特征向量,将特征向量输入支持向量机完成其训练及模式识别过程。同时设计了柱塞泵故障诊断的一体化装置,通过模拟不同故障,利用已知故障样本完成支持向量机的训练过程,进而对待测样本进行故障模式识别。诊断结果与样本已知状态相符,验证了该方法的准确性。