基于双谱奇异值分解的刀具磨损识别方法

针对刀具磨损声发射信号的非线性、非平稳特性,提出一种基于双谱奇异值分解的刀具磨损特征提取方法.对刀具不同磨损阶段的声发射信号进行双谱分析,构造初始特征向量矩阵,然后对初始特征向量矩阵进行奇异值分解,计算奇异谱,将奇异谱作为刀具磨损特征向量,利用最小二乘支持向量机对刀具磨损状态进行识别.实验结果表明:所提取的特征可以很好地反映刀具的磨损状态,最小二乘支持向量机更适于在小样本下实现刀具磨损状态的识别,与神经网络识别方法相比具有更高的识别率.     

基于时间卷积长短时记忆网络的多域特征融合刀具磨损预测

准确预测刀具磨损是一个具有挑战性的问题。如何结合各种信号的优势，融合传感器信号特征来提高预测精度，是一个关键问题。为解决上述问题，提出基于时间卷积长短时记忆网络(TCN-LSTM)的多域特征融合刀具磨损预测方法。收集来自不同传感器的信号，在时域、频域上对不同传感器信号分别进行特征提取，时频域上利用变分模态分解算法将原始信号分解并计算每个分量的能量来构成多域特征向量。使用皮尔逊相关系数法对多域特征进行优化，经优化后构成的多域特征矩阵作为模型的输入，通过TCN-LSTM模型有效地学习了所获得的多域特征矩阵与实时刀具磨损之间的复杂关系。最后，在干式铣削条件下进行3组刀具磨损实验对所提出的方法进行了验证。实验结果表明：所提出的方法比对比模型的预测准确率更高，泛化能力更好。     

基于遗传算法优化SVM的刀具VB值预测的研究

针对刀具磨损量的预测问题,建立了基于支持向量机回归理论的刀具VB值的在线预测模型。对声发射信号和电流信号分别进行EEMD分解和小波包分解得到的能量值,把它与主轴转速、进给量和背吃刀量一起组成初始特征向量。通过主成分分析进行数据处理,把得到主元作为遗传算法优化的支持向量回归机的输入向量。结果表明,该模型精度高,运行速度快。     

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.     

基于BP神经网络和D-S证据理论的刀具磨损监测方法

将BP神经网络和D-S证据理论相结合的方法运用于刀具磨损监测中,采用小波包分解法对刀具磨损过程中产生的声发射信号进行特征提取,构建特征向量,利用BP神经网络识别判断刀具磨损状态;通过BP神经网络的输出结果和训练误差计算D-S证据理论的基本概率赋值,并用D-S证据理论对BP神经网络的识别结果进行决策级融合。实验结果表明:该方法避免了神经网络识别时的误诊,提高了整个刀具磨损监测系统识别的准确性和可靠性。     

基于SSA-VMD和BiLSTM的刀具磨损状态识别北大核心

针对变分模态分解(VMD)参数选取和刀具磨损特征提取困难等问题,提出了基于松鼠觅食算法(SSA)、VMD和双向长短期记忆网络(BiLSTM)的刀具磨损状态识别模型。首先,以包络熵为适应度函数,使用SSA优化VMD的参数,利用优化后的VMD分解刀具振动信号得到4组模态分量,并进行信号重构;其次,构建BiLSTM网络模型,并把信号模态分量、原始信号和重构信号一起构成特征矩阵输入模型当中,利用BiLSTM提取信号特征;最后,通过全连接层和Softmax层对刀具磨损状态进行识别。实验结果表明,SSA能够找到VMD最优参数组合,降低信号噪声,提出的SSA-VMD-BiLSTM模型在准确率和适应性方面优于传统的LSTM模型。     

一种基于变频器电流检测机床刀具磨损新方法的研究

针对传统机床刀具磨损状态检测方法的局限性和不足等问题，采用间接量来检测刀具磨损状态而提出了一种基于机床变频器三相输入平均有效电流信号来检测刀具磨损状态新方法。首先，介绍了铣床变频器电流检测刀具磨损新方法的工作原理，验证并对比了三相平均有效电流信号计算法优于传统RMS计算法；其次，利用三相平均有效电流(ARMS)计算法和传统RMS计算法来获取计算后的有效电流信号，结合小波降噪和EEMD分解法对信号进行降噪、分解及重构处理，分析重构后其时频域下两种方法计算的有效电流值信号各频带能量和均方差并将其组成特征向量；最后，将特征向量输入CPSO ELM和PNN神经网络等分类器进行故障识别和对比。实验结果表明，CPSO ELM相比PNN神经网络分类器具有准确的识别效果，验证了所采用的变频器电流来检测铣床刀具磨损新方法的有效性和可行性。     

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。     

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S变换时频图纹理特征的刀具磨损状态识别

针对刀具磨损状态监测问题,将图像纹理特征提取技术引入到刀具磨损故障诊断中,提出一种基于S变换时频图纹理特征的刀具磨损状态识别方法。首先采用S变换对刀具切削过程中采集的声发射信号进行时频分析,将时频图像转换为等高线灰度图,通过灰度共生矩阵算法提取图像纹理特征;然后采用散布矩阵算法对提取的特征向量进行敏感度分析,构建敏感特征向量;最后采用敏感特征向量训练离散隐马尔科夫模型,建立分类器,从而实现刀具磨损状态的识别。实验结果表明:该方法可以有效地识别刀具磨损状态,识别率为96.67%。     

基于主成分分析和BP神经网络的微铣刀磨损在线监测

为提高微铣刀磨损在线监测系统的预测精度,尝试通过主成分分析法对微铣削振动信号的时域和频域特征进行降维,将降维后的特征输入改进型BP神经网络模型,实现微铣刀磨损特征分类。结果表明,提出的微铣刀在线监测方法能够准确识别微铣刀的各种磨损状态,此外,和其它分类算法相比,提出的基于遗传算法的BP神经网络模型在分类精度和计算效率方面具有综合优势,对微铣刀磨损的其它在线监测方法具有一定的指导意义和借鉴价值。     

基于小波包和IGA-BP神经网络的滚动轴承故障识别方法

为识别数控机床运行过程中滚动轴承的运行状态,提高滚动轴承的故障状态诊断正确率,提出了一种基于小波包分解的改进遗传算法优化BP神经网络的滚动轴承故障识别方法。以滚动轴承的4种故障状态为研究对象,通过小波包分解振动信号,得到敏感特征向量;针对BP神经网络的缺点,运用改进遗传算法优化BP神经网络的阈值和权值,实现最优训练,建立更精确的滚动轴承IGA-BP状态预测模型。结果表明:IGA-BP预测模型收敛速度更快,预测准确率更高,证明了所提方法的有效性。     

基于MRSVD与LMD的工业机器人交叉滚子轴承故障特征提取

针对奇异值分解(SVD)优化局部均值分解(LMD)方法提取工业机器人交叉滚子轴承振动信号微弱故障特征分量时出现的模态混淆现象,提出一种基于最大分辨率SVD与LMD的工业机器人交叉滚子轴承故障特征提取方法。以最大奇异值分辨率原则将一维振动信号构造成Hankel矩阵,采用SVD对Hankel矩阵进行分解得到奇异值序列;按照奇异值曲率谱原则及非目标值抑制原则对奇异值序列进行重构,将包含故障突变信息的重构奇异值序列进行SVD逆运算得到重构振动信号;最后利用LMD方法对重构振动信号进行故障特征提取,得到能够表征原始振动信号振动特征的故障特征分量。通过与SVD优化LMD方法对比可知,该方法完整地提取了工业机器人交叉滚子轴承振动信号的微弱故障特征分量,改善了模态混淆现象。     

基于EEMD与CPSO-ELM的车削机床刀具磨损故障检测与识别

鉴于数控车床刀具在机械加工系统中占有重要的地位,故数控车床刀具磨损故障的在线检测与识别具有重要意义。以华中数控车床为研究对象,提出了以平均经验模态分解(EEMD)、混沌粒子群(CPSO)以及核极限学习机(ELM)等方法对车床刀具磨损故障进行诊断。介绍了EEMD、CPSO以及ELM的基本原理和过程;对采集得到的刀具磨损信号进行前期预处理,经EEMD分解后得到IMF分量,以峭度、峰值、均方根值作为一种选取标准,选择包含较多故障信息的几个IMF进行信号重组并计算;将计算结果组成特征向量输入CPSO-ELM、SVM以及BP神经网络等分类器进行故障识别和对比。实验结果表明:对比传统的BP神经网络和SVM分类器,CPSO-ELM分类器具有快速、精确、有效的识别特性,能够有效检测和识别刀具磨损故障。     

基于峭度排序的特征构造在行星齿轮箱故障诊断中的应用研究

针对行星齿轮箱故障诊断中存在的故障诊断样本数少、故障诊断精度低等问题,提出一种经验模态分解(EMD)、峭度排序和BP神经网络相结合的故障诊断方法.该方法首先对原始振动信号进行EMD,然后对分解获得的固有模态函数(IMF)进行峭度排序;根据训练样本数自适应地选择对应的IMF,将对应IMF的能量值作为特征向量输入BP神经网...     

刀具磨损监测的一种数据处理方法

采用声发射传感器采集刀具切削时的信号,提出了一种基于BP神经网络识别刀具磨损程度的方法。该方法将原始声发射信号经高通滤波后直接输入到BP神经网络中进行训练,依靠神经网络的非线性映射能力,使神经网络对不同磨损程度刀具产生的信号进行分类,并能准确判别未知信号所属类别。与传统方法相比,该方法省去了人工提取特征值这一费时费力的环节。研究了神经元个数对神经网络的训练和识别的影响,提高了神经网络的识别精度。实验结果表明,该方法可以准确地预测刀具磨损程度。     

基于DPSO-BP的机械转子故障诊断北大核心

信号特征提取的方式直接影响故障诊断的结果,因此提出一种新的特征向量组合方式从而进行有效故障模式识别,以从原始信号中提取出能够最大程度地表征其所包含信息的信号特征。将经过经验模态分解后得到原始信号的有效IMF分量的能量以及信号的能量熵相结合作为特征向量。由于机械转子故障诊断缺失情况时有发生,提出采用DPSO算法优化BP神经网络的方法。该方法主要通过优化神经网络的初始权值和阈值的方式对BP神经网络进行改进。结果表明:与传统的BP神经网络模型相比,改进后的BP神经网络模型迭代次数大幅度减少,训练时长也相应缩短,模型的训练精度以及故障诊断的正确率也得到提高。