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.     

基于递归小波与ART2网络的刀具状态智能监测

为实现刀具的实时状态监测,以超高斯函数为基础,构造出一类用递推公式进行小波变换的小波基,提出该系列小波基的优化方法,对其时频特性进行了分析.对刀具AE信号进行递归小波分解,提取特征并应用ART2网络识别刀具状态.结果表明,基于递归小波与ART2网络的刀具状态监测具有鲁棒性强、实时性好的特点.     

基于小波神经网络的刀具状态监测系统的设计

利用能量分布特征提取方法和优化BP神经网络，提出一种基于小波变换和神经网络的刀具状态监测系统，利用该系统对四种刀具状态进行估计，结果与实际情况基本一致，证明该系统对于估计刀具状态是有效的。     

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。     

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。     

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。     

基于递归小波神经网络的刀具状态在线监测

以超高斯函数为基础,构造出一类用递推公式进行小波变换的小波基,提出一个新的递归小波基,并对其时频特性进行了分析.基于框架小波神经网络理论,利用连续函数介值定理,构造出一种紧致型小波网络,并对其初始化与学习算法进行了研究.最后,对刀具AE信号进行递归小波分解,提取特征并应用小波网络识别刀具状态,识别率达到100%.     

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。     

The shape characteristic detection of tool breakage in milling operations

Detection of tool failure is very important in automated manufacturing. All previously developed tool breakage detection approaches in milling operations have adopted the strategy of parameter detection in which the detection of tool breakage was carried out according to values of specific parameters selected to reflect tool state (with or without tool breakage). In this paper the new concept of shape characteristic detection of tool breakage in milling operations is proposed. The detection of tool breakage is conducted according to the shape characteristics of discrete dyadic wavelet decomposition of cutting force. By means of the proposed method, the influence caused by the variation of cutting parameters and transients is eliminated. The proposed method is conducted in two steps. In the first step, cutting force signals are decomposed by discrete dyadic wavelet, with the shape characteristic vectors then being generated by the proposed shape characteristic vector-generating algorithm. In the second step, the shape characteristic vectors are fast classified by the ART2 neural networks. The accuracy and effectiveness of the proposed method are verified by numerous experiments.     

改进阈值小波去噪方法在机床冲孔声音信号处理中的应用

机床冲孔产生的声音信号包含了许多有用信息,为了滤除声音信号提取过程中的工厂环境产生的噪声,使用改进阈值小波去噪方法对声音信号进行处理。利用信噪比(SNR)和均方误差(MSE)作为去噪效果指标,使用新的阈值选取规则,提出了一种分段连续的阈值函数,对传统小波去噪方法进行改进。该改进函数通过引入常数a,解决了传统阈值函数中软硬阈值函数不连续和恒定偏差问题。采集机床冲孔声音信号并叠加高斯白噪声作为机床冲孔含噪信号进行验证。通过实验确定了最佳小波函数类型和分解层数,将改进阈值小波去噪算法与传统算法进行对比,结果表明:改进后的算法去噪效果良好,且有效保留了较低的信号能量。     

L-M优化算法BP网络在刀具磨损量预测中的应用

在线刀具磨损量估算及其未来发展趋势预测对于指导现实生产有着十分重要的意义.提出基于L-M优化算法BP神经网络的刀具磨损量在线预测方法.对声发射信号进行小波包分解,得到32个不同频带内的信号,用于构造初始特征向量矩阵;对初始特征向量矩阵进行奇异值分解,计算奇异谱,将奇异谱做为刀具磨损的特征向量,利用神经网络在线预测刀具磨损量.试验结果表明:预测结果能准确地跟踪实际的刀具磨损曲线,并且L-M优化算法比其他改进算法迭代次数少,收敛速度快,精确度高.     

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。     

Savitzky Golay-WPT在滚刀主轴振动信号降噪中的应用

为消除滚齿机在加工过程中,滚刀主轴振动信号因环境影响而产生的噪声信号,提出一种基于Savitzky Golay -WPT的信号降噪方法。对原信号进行计算,得其最佳小波包分解树;根据最佳分解树,进行小波包变换（WPT）,得小波包系数;利用阈值函数对小波包系数进行筛选;结合最小二乘拟合方法对小波包筛选后系数进行重构。结果表明：与传统小波包和CEEMDAN相比,所提方法降噪性能分别提高3135%和2271%;在实际加工数据中,与传统小波包方法对比,该方法可减少中心频率周边干扰,使中心频率特征更突出,降噪效果更明显。     

焊缝成形测量小波软硬阈值折衷去噪法

利用线激光视觉传感器对焊缝成形进行测量,焊缝图像往往存在噪声. 针对传统小波阈值去噪算法中硬阈值函数和软阈值函数的不足,研究焊缝图像软硬阈值折衷去噪算法. 利用db4小波基函数对激光条纹中心进行3层小波分解,对分解后的细节系数分别采用传统小波阈值函数和软硬阈值折衷法进行去噪,采用信噪比和均方根误差评价几种方法的去噪效果. 结果表明,软硬阈值折衷法的去噪效果优于传统小波阈值去噪法,能有效提高焊缝外形尺寸的测量精度及可靠性.     

高纯铝在含Cl~-溶液中电化学噪声的小波包子带能量特征

建立了基于小波包分解的电化学噪声子带能量表征方法 ,测试了高纯铝在含Cl-溶液中不同条件下的电化学噪声 ,分析了所测电化学噪声信号的时域特征、PSD特征及小波包分解子带能量特征 .PSD分析显示 :随着浸泡时间的增加 ,当蚀孔开始生长后 ,孔核的生长期缩短 ,消亡期延长 ,而SO2 -4 对孔核的生长期及消亡期没有显著影响 .与PSD方法相比 ,子带能量特征向量可以刻画电化学噪声信号的高频“指纹”特征 ,对腐蚀体系、腐蚀类型及腐蚀状态有较强的敏感性 .通过对第一子带能量变化分析显示 ,SO2 -4 会降低高纯铝在含Cl-溶液中孔核的发生频数 .     

Rolling element bearing fault diagnosis using wavelet packets

A method is proposed for the analysis of vibration signals resulting from bearings with localized defects using the wavelet packet transform (WPT) as a systematic tool. A time–frequency decomposition of vibration signals is provided and the components carrying the important diagnostic information are selected for further processing. The proposed method is designed in such a way that it can exploit the underlying physical concepts of the modulation mechanism, present in the vibration response of faulty bearings. The flexibility of the WPT and the systematic parameter selection criteria, help in the minimization of interventions by the end user. The method is evaluated using simulated and experimental signals.