数控机床刀具磨损状态特征参数提取

基于振动信号小波包分解理论对不平稳信号特征提取的优势,提出了一种利用振动信号的能量变化来监测刀具磨损状态的方法.该方法利用db4小波基对振动信号进行4层小波包分解,并将分解后的各频带能量值作为刀具磨损状态判断的特征参数.在新刀和刀具磨损的状态下提取特征向量,并根据频段能量的变化判断刀具磨损程度.试验结果证明该方法在刀具磨损状态判断中的可行性.     

刀具磨损切削力功率谱特征多分辨分析

根据小波变换具有多分辨分析的特点，利用小波变换对不同刀具磨损状态下的切削力信号功率谱进行分解与重构处理。获得了切削力信号功率谱在不同分辨率下的变化特征，分析了各尺度重构信号功率谱谱峰及方差随刀具磨损的变化规律，实验结果表明：采用小波分析技术可有效实现切削力信号功率谱特征信息提取，提取的信号功率谱特征对刀具磨损状态的变化十分敏感，为刀具磨损提供了有效的监测方法。     

无先验知识下基于CHMM的刀具磨损监测技术

切削刀具的状态直接影响工件加工质量、生产率和产品成本,因此在切削加工过程中监测刀具的状态显得尤为重要。针对实际监测系统通常无法获取刀具各磨损退化状态先验知识的情况,以切削力与切削振动为监测信号,提出无先验知识下基于小波包分析与连续隐马尔可夫模型的刀具磨损监测技术。应用小波包分析技术提取信号特征信息,采用S函数实现特征值归一化处理。利用监测过程中的刀具正常状态下归一化特征信息建立基于连续隐马尔可夫模型的监测模型;根据刀具未知状态特性向量与监测模型间的对数似然度获取刀具性能指标PV,实现刀具磨损状态评价。采用铣刀磨损全寿命数据来验证该方法的有效性,实验结果表明:该方法能在无先验知识的情况下对刀具的健康状态进行较为准确的评估,且所需样本数较少,训练速度快。该技术对实现无先验知识下的刀具智能化在线状态监测具有重要意义。     

基于切削力的小波神经网络刀具磨损状态监测

为了有效地进行刀具状态监测,采用小波神经网络对刀具进行故障诊断.通过小波变换提取刀具磨损切削力信号的特征,利用小波包分解技术对信号进行分析,得到有效的特征量作为BP神经网络的输入样本,并对网络进行学习训练,完成对刀具磨损状态的有效识别.仿真结果表明该方法是有效的.     

基于小波分析和支持向量机的刀具故障诊断

为了有效地进行刀具状态监测,提出了一种基于小波分析和支持向量机相结合的刀具故障诊断方法。首先运用小波包对AE信号进行分解和重构,然后提取各个频带里的信号能量值,将该能量值作为特征参数输入到支持向量机,进行学习训练,完成对刀具磨损状态的有效识别。仿真结果表明该方法是有效的。     

钛合金车削加工过程中刀具磨损状态监测的小波包子带能量变换特征提取新方法

在小波包分析的基础上,提出对小波包子带能量特征抽取的新算法.考虑到小波包能量子带的动态特性和统计特性可以作为刀具磨损状态识别特征提取的来源,提出将小波包子带能量相对比率、小渡包子带能量相对比率的变化值、小波包子带能量相对比率的变化值的统计偏差(能量距)作为三个新特征值.建立刀具磨损状态监测实验平台,采集刀具三维力反馈、振动信号作为监测信号.按常规特征抽取方法和本研究中提出的方法抽取特征值,形成网络训练、识别特征值空间.用梯度下降法训练建立BP人工神经网络,对27具四种磨损状态进行识别,验证小波包子带能量变换提取到的特征的有效性.     

基于声发射信号的振动钻削刀具磨损状态监测试验研究

针对钻削加工时难以直接观察刀具磨损状态的问题,基于声发射采集系统设计了超声轴向振动钻削刀具磨损状态监测装置,并在7075铝板上进行超声振动钻削试验。分析刀具磨损状态对声发射信号RMS值的影响,并通过小波分解技术对比分析刀具在不同磨损状态下的声发射信号变化规律;根据声发射信号对刀具磨损状态进行实时监测。试验结果表明:声发射信号的RMS值与刀具的磨损程度呈正相关;通过小波分解可知,随着刀具磨损的增加,信号的能量逐渐由低频段向高频段转移,可以通过监测声发射信号RMS值与能量的变化实现刀具磨损状态的有效识别。     

基于声发射的铣刀破损信号特征的提取与优化

铣刀破损监测对实现加工自动化具有重要的意义.提出了基于小波变换的铣刀声发射破损特征提取与优化方法.首先,采用小波变换对铣刀声发射信号进行多分辨率分解,然后提取各频段子信号的能量比作为刀具破损监测的特征量.通过对正常切削、随机冲击和刀具破损这三类信号的比较分析,证明了该特征提取方法能够有效地反映刀具状态.最后,通过正交统计,分析了切削速度、进给速度和切削深度对特征量的影响,并对特征量进行优化.     

基于遗传算法优化HMM的刀具磨损状态监测研究

对于切削过程中的刀具磨损,采用隐马尔可夫模型(HMM)来识别刀具不同的磨损状态。并且针对隐马尔可夫模型的Baum-Welch算法易陷入局部极小的缺陷,提出一种利用遗传算法优化Baum-Welch算法中B初值的改进方法,从而提高HMM对刀具磨损状态的识别率。通过对切削过程中主轴电机的输出电流信号进行小波包分解提取特征向量,利用Lloyd算法进行量化编码,作为观测序列输入优化的HMM来识别刀具的磨损状态。实验结果表明,该方法能够准确有效地进行铣刀磨损状态监测。     

基于系统辨识方法的铣刀磨损状态识别

铣刀磨损状态的判定对保证铣削加工产品质量具有重要意义。为提高铣刀磨损状态监测的有效性、快速性和准确性,通过Hilbert变换对铣削力信号进行解调处理,分离出了与铣刀磨损相关的信号。用db4小波函数对解调信号进行小波包分解,提取了铣刀磨损过程中各个时段频带的能量,与刀具的磨损曲线综合分析后,获取了能反映铣刀磨损状态变化的频段,并基于Zoom-FFT方法对铣削力信号在整个频带上分段选频细化。通过实验验证了所选频带零频上的幅值变化规律以及频谱上的谱线移动规律能够反映铣刀的磨损状态,综合二者能够快速、准确判断铣刀的磨损状态。     

基于小波分析的切削力信号特性研究

刀具磨损状态与切削力密切相关.随着刀具磨损逐渐增加,切削力信号的平均值与波动幅度都逐渐增大.本文作者利用db5小波分析了切削力的信号特征.结果表明:第三、四层细节信号的标准差随切削过程变化不明显,而第一、第二层细节信号的标准差随着刀具磨损的增大而增大,其变化趋势与原信号的标准差变化趋势较为相似,因此可以将其作为特征参数用于切削过程监控.     

基于小波包和倒频谱分析的颤振特征提取方法

立铣加工过程中的颤振会严重影响工件表面质量和材料去除率,加剧刀具磨损和恶化工作环境。虽然大部分颤振监测系统可以监测到颤振发生,但颤振发生时已经对工件和刀具产生了严重的损伤,因此,需要提前监测到颤振特征。由于加工过程的非线性导致振动信号频率成分复杂,单一的时频分析方法难于得到可靠的颤振特征。通过小波包分解确定颤振发生频段并重构该频段信号,通过颤振发生频段的倒频谱辨识稳定、过渡和颤振状态。研究结果表明,该方法可以有效识别立铣加工过程的稳定、过渡和颤振状态。     

基于隐马尔科夫模型的刀具磨损连续监测

与离散的刀具磨损状态的分类识别相比,人们更希望得到连续的刀具磨损值,从而为最终的控制过程提供更准确的信息。为了监测连续的刀具磨损值,采用易于采集的振动和声发射信号作为监测信号,提取信号的时域特征、频域特征和时频域特征,从中筛选出对刀具磨损敏感的特征,并采用隐马尔科夫模型建模,最后通过概率计算得到连续的磨损值。通过比较采用切削力、加速度和声发射信号的监测模型和仅采用加速度和声发射两种信号的监测模型,发现在没有切削力信号的情况下,仍能够准确地预测刀具磨损值。     

基于小波神经网络的刀具状态监测

建立了一种小波基函数神经网络的切削刀具磨损状态监测系统。通过提取反映刀具磨损状态的特征参数：声发射，主功率，进给电流为输入信号，利用Morlet解析小波神经网络的非线性模型，获得表示刀具磨损状态的特征量，来实现刀具磨损状态在线智能监测。它可以有效地提高系统识别的精确度和可靠性。     

基于HPSO优化BP神经网络的刀具磨损状态识别

针对BP神经网络容易陷入局部极值导致识别精度低的问题,文章提出了一种基于混合粒子群算法(HPSO)的BP神经网络优化算法。在刀具磨损监测实验过程中,采集刀具切削的声发射(AE)信号,利用小波包分解算法对AE信号进行滤波,并进行特征提取。将频带能量特征和切削参数分别作为主特征和辅助特征,并对其对归一化处理。采用混合粒子群优化算法(HPSO)对BP神经网络预测模型进行优化,利用优化后的模型对测试样本进行模式识别,结果表明,优化后的HPSO-BP模型能够有效地降低神经网络陷入局部极值的情况,提高刀具磨损识别精度。     

一种新的声发射刀具磨损小波分析方法

提出了一种新的声发射刀具磨损小波判析方法，该方法通过多层小波分解对信号主能量所处频段进行局部特性刻画，利用小波分解系数特征统计值在统计量与刀具状态间建立物理联系。实例表明，该方法能有效地判断刀具状态，比常用的利用神经网络进行状态分析的方法更具有理论直观性与操作的时效性。     

基于切削声和切削力参数融合的刀具磨损状态监测

针对单一传感器监测刀具磨损状态存在的不足,提出了将声传感方式和力传感方式综合利用,以人工神经网络作为多传感器信息融合的方法.在立式数控加工中心上铣削加工45<'#>钢调质试件,利用驻极体传声器和Kistler测力仪检测与刀具磨损相关的特征量,得出铣削声信号特征量LPCC的第6、7、8阶分量,X、Y向切削力以及绕z轴的力矩与刀具磨损密切相关.以这6个特征量作为神经网络的输入信号,利用有动量的梯度下降的BP算法建立了刀具磨损状态监测的多参数融合模型.研究结果表明神经网络输出值与实际测量值基本相符合,切削声和切削力特征融合后提高了识别刀具磨损程度的准确性和稳定性.     

刀具磨损在线监测研究现状与发展

金属加工过程中,切削刀具的状态对于生产效率和表面加工质量有重要影响,因此刀具磨损在线监测具有重要意义。介绍了最近几年常用的刀具磨损在线监测方法,包括切削力、振动、声发射、温度、电流与功率信号,分析了每种信号的监测方法及其特点,并与实验结果进行了对比。提出了多传感器融合技术能有效避免单独使用一种检测手段的弊端。     

基于小波包系数与隐马尔科夫模型的刀具磨损监测

在机械自动化加工中,为了防止刀具损坏,刀具磨损过程的监测是非常重要的。然而,由于加工过程的复杂性,对刀具磨损状态的监测十分困难。提出了一个基于小波包系数与隐马尔科夫模型的刀具磨损监测方法。将加工信号在不同频带上小波包系数的均方根值作为特征观测向量,即为隐马尔科夫模型的输入,并用隐马尔科夫模型模式识别方法识别刀具磨损状态。实验结果显示,提出的方法对刀具磨损状态具有很高的识别率。     

刀具磨损过程切削力频谱特性的研究

切削状态监控是实现机械加工过程自动化的关键技术,切削力信号的实时信息能够反映切削过程特别是刀具状态的变化。文章利用车削实验方法系统测量了外圆车刀在不同磨损状态下的切削力信号,利用频谱分析方法得到了相应的切削力功率谱。实验结果表明,在切削力频谱中总存在一组特征频率,其频率及谱值与刀具的磨损状态密切相关。在正常磨损阶段,该谱值随磨损程度增大而增大,因而可根据谱值的大小及变化规律预测刀具的磨损程度。因此该方法丰富了切削力监控技术的内容,进一步提高了监控的准确性。