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EEMDFK和注意力CNN网络的刀具磨损状态识别

针对加工数据采集存在数据量大且干扰信号复杂，导致刀具磨损状态识别方式复杂、识别精度低等问题，提出一种基于快速谱峭度图的集合经验模态分量选取(EEMDFK)与注意力机制的卷积神经网络(ACNN)相结合的识别方法。针对集合经验模态存在选取模态分量困难的情况，引用快速谱峭度图选择策略选取最优分量。通过集合经验模式分解从所采集的不同状况下的刀具振动信号分解出故障信号特征；通过快速谱峭度图选择策略选取内在模函数并进行HHT时频分析，生成时频图；将时频图输入所设计的识别模型进行学习，通过注意力机制提高特征提取效率，并使保存的模型在测试集中对不同刀具磨损状态进行了识别。实验结果表明，该方法对刀具不同状态下的识别率可达99.7%,实现了不同磨损状态下刀具的智能识别，并具有较好的泛化能力和鲁棒性。     

基于堆叠降噪自编码的刀具磨损状态识别

提出了一种基于堆叠降噪自编码（SDAE）的刀具磨损状态识别方法。构建了SDAE神经网络来学习声发射（AE）信号的特征,并对自编码网络进行有监督的微调,从而对刀具磨损状态进行精确识别。实验结果表明,SDAE方法能够自适应地学习,得到有效的特征表达,且刀具磨损状态识别结果精确度高,该方法能够有效地进行刀具磨损状态识别。     

基于EMD和香农熵的刀具磨损故障诊断系统开发

针对机床刀具磨损故障诊断,开发了基于经验模态分解和香农熵进行信号处理的刀具故障诊断系统。在信号处理阶段,对机床加工过程中刀具的振动信号进行经验模态分解,得到若干固有模态函数(IMF),并基于香农熵从分解得到的IMF分量中提取有效分量,去除虚假分量,最后将有效的IMF分量的能量作为特征向量输入向量机(SVM)分类器来识别刀具的磨损状态。经实验验证,该系统能对刀具磨损状态进行准确快速地判断。     

深度学习与多信号融合在铣刀磨损状态识别中的研究

为精确地识别刀具磨损状态,提出了一种深度学习与多信号融合相结合的识别方法.以自编码网络为基础,构建了堆叠稀疏自编码网络.采集铣刀不同磨损状态下的力信号、振动信号及声发射信号,并对上述信号进行小波包分解以便获取能够表征铣刀磨损的时频域特征.利用无监督学习和有监督学习对堆叠稀疏自编码网络进行训练,建立了深度学习的铣刀磨损状态识别模型.研究结果表明,多信号融合的深度学习模型对铣刀磨损状态识别准确率达到94.44％.     

深度学习与多信号融合在铣刀磨损状态识别中的研究

为精确地识别刀具磨损状态,提出了一种深度学习与多信号融合相结合的识别方法.以自编码网络为基础,构建了堆叠稀疏自编码网络.采集铣刀不同磨损状态下的力信号、振动信号及声发射信号,并对上述信号进行小波包分解以便获取能够表征铣刀磨损的时频域特征.利用无监督学习和有监督学习对堆叠稀疏自编码网络进行训练,建立了深度学习的铣刀磨损状态识别模型.研究结果表明,多信号融合的深度学习模型对铣刀磨损状态识别准确率达到94.44％.     

基于模糊小波极限学习机的刀具磨损状态识别

刀具磨损作为机械加工过程中的常见现象,直接导致了切削力增加、工件表面粗糙度恶化以及尺寸超差等不良后果,极大地影响加工效率.采集加工过程中切削力、振动及声发射信号,利用线性回归法对信号进行特征提取及降维;采用不同刀具的磨损数据训练模糊小波极限学习机(FWELM),降低加工过程的不确定性对识别模型的影响,并解决加工系统的信息模糊造成的建模困难问题,提升刀具磨损识别模型的泛化能力.利用标准刀具磨损数据集测试结果证明,基于FWELM构建的刀具磨损状态识别模型识别的每个刀具磨损阶段的准确率及总体识别准确率皆高于极限学习机构建的识别模型.     

基于cGAN的刀具磨损状态监测数据集增强方法

在刀具磨损过程中,通常采集的正常磨损阶段的样本数据比初始磨损阶段和急剧磨损阶段的样本数据量多,这导致刀具磨损状态数据集不平衡,从而使深度学习网络模型对刀具磨损状态预测准确性降低。针对问题,文章提出一种基于cGAN的刀具磨损状态监测数据集增强方法。在cGAN中添加了类别条件信息,有利于生成器更好的捕捉刀具磨损样本的数据分布特点,从而生成和真实刀具磨损样本分布相似的样本。采集铣削加工过程中的振动信号,将振动信号转换成频谱数据输入到c GAN中,cGAN通过生成器和鉴别器之间的对抗训练,学习数据分布特点,生成刀具磨损状态样本数据。将增强的数据集输入到深度学习网络模型中进行分类,测试生成数据的可用性。实验结果显示,由增强的刀具磨损状态数据集训练深度学习网络模型,可以有效提高模型对刀具磨损状态监测的准确性,其预测精度达到98.1%。     

一种基于优化VMD-CWT-CNN的柱塞泵配流盘磨损状态识别方法（英文）

为解决一维振动信号难以充分挖掘表达状态特征信息以及柱塞泵配流盘磨损早期识别问题,基于卷积神经网络（Convolutional neural networks, CNN）优秀的图像处理能力,提出了一个优化VMD-CWT-CNN模型。首先,采用连续小波变换（Continuous wavelet transform, CWT）对信号进行预处理,得到信号的二维时频图,作为CNN模型的一路输入,将状态识别问题转化为CNN图像识别问题。其次,基于相关系数对变分模态分解（Variational mode decomposition, VMD）参数优化后,利用优化VMD对振动信号进行预处理,再以相关系数和峭度值最大为优选原则,甄选出三组蕴含故障特征的本征模态函数（Intrinsic mode function, IMF）,将其重组为三通道一维信号,作为CNN模型的另一路输入。最后,在CNN模型中将两路信息汇聚并得到柱塞泵配流盘磨损状态识别分类结果。实验中,此方法分别采用优化VMD和CWT对振动信号预处理,再结合CNN对磨损状态进行分类。实验结果表明,该方法对于配流盘磨损的三种状态的识别效果显著优于单路...     

基于时序分析与模糊聚类的铣削刀具磨损状态识别

对XKA714数控铣床采集的刀具运行状态振动信号进行计算、检验、分析样本自相关函数和样本偏相关函数的截尾性、拖尾性和周期性以及模型参数估计等时间序列相关分析,可判断动态数据序列适于AR(p)(autoregression)模型.以阶数p取12的模型参数作为特征向量提取,并采用模糊聚类分析方法确定刀具运行状态特征向量样本的亲疏关系,实现对铣削刀具的初期磨损阶段、正常磨损阶段和剧烈磨损阶段运行状态的识别.研究结果表明,基于时间序列分析与模糊聚类分析相结合的识别方法可以用于刀具磨损运行状态识别.     

基于J-EEMD的刀具磨损状态特征提取技术

在实际刀具状态监测的过程中,通过传感器所直接测得的数据都包含了大量的噪声信号,因此难以从中获取刀具磨损状态的变化规律,这样显然不利于进行模式识别。应用近似联合对角化下的集合经验模态分解(J-EEMD)对观测信号进行处理,基于信号本身特征,自适应地将切削加工中检测得到的振动和声发射信号分解为多个内蕴模式函数(IMF),然后根据各个IMF之间的能量比对变换,提取出了不同磨损状态下的刀具状态特征。实验证明:在该方法对测得数据进行处理的基础上,能够很好地识别出刀具磨损程度的不同状态。     

基于多源同步信号与深度学习的刀具磨损在线识别方法

为提高刀具状态监测系统的实用性、避免实际加工过程中工序变换产生的信号干扰,提出一种基于多源同步信号与深度学习的刀具磨损在线识别方法。该方法利用自动触发的方式实现了机床运行在特定工序时的刀具振动、主轴功率、数控系统参数等多源信号的同步在线采集,保证信号同步性的同时有效避免了因工序变换而产生的信号波动干扰;进一步利用高频振动特征实现了 “切削过程”与“切削间隙”采集样本的准确划分,并基于皮尔逊积矩相关系数筛选出强关联特征,保证了多源监测信号融合样本的可用性;最后基于一维卷积神经网络建立了刀具磨损在线识别模型。实验结果表明,该方法无论从识别精度还是诊断效率,均能实现实际加工过程中刀具磨损状态的在线识别。     

基于多特征融合的刀具磨损识别方法

针对刀具磨损监测中多传感器融合监测方法的缺点,提出了基于声发射信号多特征融合与最小二乘支持向量机(lease square support vector machine,简称LS-SVM)相结合的刀具磨损状态监测方法。首先,分别采用经验模态分解法、双谱分析法以及小波包分析法提取采样信号在时域、频域、时-频域内的特征,构造联合多特征向量;然后,利用核主元分析法(kernel principal component analysis,简称KPCA)对联合多特征向量进行融合降维处理,通过提取累积贡献率大于85%的主元,剔除了联合多特征中与刀具磨损相关性较小的冗余特征,生成融合特征;最后,将融合特征送入最小二乘支持向量机,有效地实现了（尤其在小样本下）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。     

基于改进灰狼优化算法的金刚石刀具磨损状态识别方法

传统金刚石刀具磨损状态识别方法容易受到外界干扰,导致金刚石刀具磨损状态识别效率低、误检率高,为此提出了基于改进灰狼优化算法的金刚石刀具磨损状态识别方法.利用属性权重去除金刚石刀具磨损状态数据中的冗余数据,对金刚石刀具磨损状态进行初步异常识别,将粒子群算法引入金刚石刀具磨损状态特征选择中.通过计算金刚石刀具磨损状态特征的适应度,更新了粒子速度.在引入惯性因子的基础上更新粒子位置,实现金刚石刀具磨损状态特征的选择.通过计算收敛因子找到最优位置,实现金刚石刀具磨损状态的识别.分析结果表明,基于改进灰狼优化算法的金刚石刀具磨损状态识别方法不仅在识别准确率方面具有一定优势,还可在应用过程中有效提高识别效率.     

基于WPD_EMD和SVM刀具磨损故障诊断模型

通过采集2种磨损程度不同的同类型刀具加工工件时机床主轴的振动信号,提出WPD_EMD和SVM故障诊断模型判断刀具磨损程度。首先利用小波包工具去除高频噪声信号,其次利用EMD分解得到若干个固有模态函数和一个残差,计算各个固有模态函数和EMD分解前信号的相关系数,合并相关系数大的固有模态函数得到新信号。计算新信号的绝对均值作为时域特征参数。选取若干组试验数据作为支持向量机训练集,建立判断刀具磨损程度大小的故障诊断模型。试验表明该故障模型预测刀具磨损程度准确率100%,为判断刀具实时加工工件的磨损程度提供新的途径。     

滚动轴承的VMD-LSSVM故障识别方法

滚动轴承是工程设备中的关键部件,对滚动轴承进行故障识别方法研究有重要的意义。为了解决滚动轴承振动信号分析能力薄弱的问题,提出了一种基于变分模态分解（Variational mode decomposition,VMD）与最小二乘支持向量机（Least square support vector machine,LSSVM）的滚动轴承故障识别方法。以凯斯西储大学滚动轴承实验数据为研究对象,获取4类故障7种滚动轴承状态实验振动数据。进行VMD分解,得出最佳分解本征模态函数（Intrinsic mode function,IMF）个数4,然后计算4个IMF样本熵（Sample entropy,SE）得到相应特征量,输入LSSVM模型进行状态识别。实验表明,基于VMD-LSSVM的方法比EMD(Empirical mode decomposition)-HMM(Hidden Markov model)和EMD-LSSVM方法有更高的识别率。     

基于一维卷积长短时记忆网络的多信号融合刀具磨损评估

为实现刀具磨损状态的有效在线监测,提出一种基于一维卷积长短时记忆网络的多信号融合刀具磨损评估模型.该模型综合使用加工过程中主轴和工作台的振动和声发射信号,以实现信号间的优势互补,弥补单一信号的不足;基于一维卷积的特征学习能力和长短时记忆网络的时序特征分析能力,充分挖掘信号中包含的刀具磨损状态信息;最后通过全连接层和softmax分类器对刀具磨损状态进行评估.试验结果表明,该模型在各单一工况下对刀具磨损状态的识别准确率均可达93.8％以上,整体工况下识别准确率达95.3％,具有很好的稳定性和多工况通用性.     

基于主轴电流信号多特征融合的刀具磨损状态监测

为实现在正常生产条件下进行刀具磨损的长期在线监测,提出了基于主轴电流信号和粒子群优化支持向量机模型(PSO-SVM)的刀具磨损状态间接监测方法。首先对数控机床主轴电机电流信号进行分析,将与刀具磨损相关的主轴电流信号多个特征参数和EMD能量熵进行特征融合作为输入特征向量;其次,通过粒子群寻优算法(PSO)对支持向量机模型(SVM)参数进行优化,建立基于主轴电流信号融合特征和PSO-SVM理论的刀具磨损状态识别模型;最后,通过实验采集某立式加工中心主轴在刀具不同磨损状态下电流信号进行验证,并与传统SVM模型、BP神经网络模型进行了对比分析。结果表明,所提出的方法具有较高的准确率和较好的泛化能力。能够实现正常生产条件下对刀具磨损的长期在线监测。     

基于混沌时序分析方法与支持向量机的刀具磨损状态识别

为了表征、获取与识别刀具的磨损状态,提出一种基于混沌时序分析方法与支持向量机的刀具磨损状态识别方法。该方法利用混沌时序分析方法重构了刀具声发射信号的相空间,并提取了嵌入维数与Lyapunov系数建立了特征空间。使用支持向量机作为分类器,实现了刀具磨损状态的识别。实验证明,在小样本学习情况下,基于混沌时序分析方法与支持向量机的刀具磨损状态识别方法具有良好的学习能力,获得了较高的识别准确率。     

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.