声发射熵分析刀具磨损故障预测研究

刀具在加工过程中不断磨损,直接影响构件的加工精度。根据采集的刀具声发射信号,分析声发射序列熵值在不同切削阶段的概率分布特征,建立一种基于刀具磨损状态的重心熵值的阈值检测方法。同时采用最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)建立声发射序列的熵值预测模型,结合熵值检测实现刀具磨损状态的高精度监测。仿真结果表明:采用最小二乘支持向量机预测熵值能够达到较高的预测精度;刀具的阈值检测,能够及时发现刀具的磨损故障,提高加工效率;二者结合,能够满足实际生产加工需要。     

基于加工特征知识的刀具选取方法研究

介绍了加工特征知识的表示，建立基于关系数据库的特征加工知识库；运用加工特征知识进行推理，实现了基于加工特征知识的刀具选取方法。以直槽特征的加工刀具选择为例，介绍了基于特征知识的加工刀具选取过程，该方法可快速选取满足加工要求的刀具，且具有较好的通用性。     

大物流工程项目类制造系统物流运行模糊熵评判

大物流工程项目类制造系统是以工程项目为中心的一类制造系统。分析了该类制造系统的工程项目特征和大物流特征，基于模糊熵理论，运用系统分析方法，以大物流工程项目类制造企业为对象，分析了物流特点和影响因素，确定评价该类企业物流运行的特征指标。建立了物流运行模糊熵模型，以海洋石油平台的专业建造公司为对象，用模糊熵模型对其承包的大型海上采油平台项目的物流运行进行了定量评判，对改善项目管理和物流运行，按期实现项目规定目标具有现实指导意义。     

变速器齿轮故障特征模糊熵提取方法研究

针对样本熵相似性度量函数的突变问题,提出了一种变速器齿轮故障特征模糊熵提取方法。模糊熵通过引入模糊隶属度函数代替样本熵中的硬阈值判据,可以减小模糊熵对参数的敏感度和依赖性。利用模糊熵作为变速器齿轮故障的特征值进行提取包括变速器齿轮正常、齿面轻度磨损、齿面中度磨损和断齿等4种工况的振动信号,依据不同的故障对应不同的模糊熵分布,对各种故障状态进行分类。变速器齿轮故障识别的实例验证了模糊熵较样本熵具有较好的故障分类能力。     

用奇异谱和奇异熵研究数控工作台动态特征

通过采集数控工作台振动加速度信号,对其进行奇异值分解,得到奇异谱和奇异熵。通过主分量、奇异谱和奇异熵等特征量揭示数控工作台动态特征和规律性。奇异值分解结果表明,可以用前一、两个主分量的特征来研究整个时间序列的信号特征以简化特征提取。用奇异谱陡峭程度辨别信号的复杂程度,发现驱动轴方向信号最简单,铅垂方向信号最复杂。用奇异熵值研究信号的不确定性发现:数控工作台信号既不是简单信号也不是白噪声;驱动轴方向熵值低;熵值随移动速度增加有所增加;共振或爬行等典型状态熵值明显减少。     

基于模糊理论的刀具寿命可靠性

分析刀具寿命合理值的模糊性,把刀具寿命合理值视为模糊变量。根据可能性理论,给出表征刀具寿命合理值的模糊约束和可能性分布函数。在考虑刀具寿命合理值存在的模糊性时,刀具寿命的清晰允许区间应该变为模糊允许区间。基于模糊集定义表示刀具寿命模糊允许区间的隶属函数。根据模糊概率理论,提出刀具寿命可靠性的计算公式。实例计算表明,基于模糊概率理论计算出的刀具寿命可靠性能充分体现刀具的模糊工作状态,可避免和减少通常强制换刀具产生的经济损失。     

EWT-多尺度模糊熵-VPMCD融合算法的轴承故障识别分类应用

针对振动信号提取轴承故障特征及识别分类的研究方式,提出了一种结合EWT-多尺度模糊熵-VPMCD的方法.首先,运用经验小波变换提取振动信号的模态分量.其次,引入信息论中的模糊熵算法,并加以多尺度粗粒度划分得到多尺度模糊熵特征描述.然后,用VPMCD对特征向量进行自适应选择预测模型训练.最终通过实验表明:模态分量多尺度模糊熵能够有效描述故障特征;VPMCD在少训练样本情况下获得了最低90％的分类准确率,相较一些常用的分类方法有着更好的性能表现.     

VMD模糊熵和SVM在柱塞泵故障诊断中的应用

为有效提取非线性非平稳特性的柱塞泵故障特征,提高故障诊断准确率,提出了一种基于变分模态分解（Variational Mode Decomposition,VMD）模糊熵和支持向量机（Vupport Vector Machine,SVM）相结合的柱塞泵故障诊断方法。首先将信号经过VMD分解形成K个固有模态分量（Intrinsic Modal Component,IMF）;然后确定IMF个数,提出了基于峭度分析的IMF个数确定方法;其次取峭度值较大的IMF并计算其模糊熵,确定了各状态下相应的模糊熵;最后将模糊熵作为特征向量输入SVM进行故障识别,准确率可达98.3%。将该方法与经验模态分解（Empirical Mode Decomposition,EMD）模糊熵-SVM、VMD模糊熵-BP神经网络对比,结果表明,VMD模糊熵和SVM相结合的方法在柱塞泵故障诊断中具有优越性。     

小波包和模糊熵特征融合的轴承故障诊断

进行轴承多种类型裂纹故障诊断时,为解决单一特征量诊断效率低的问题,提出了基于信号小波包分解的精细时频域分析和模糊熵的特征融合方法。首先对轴承振动信号进行小波包4层分解重构,确定小波包系数模糊熵和频带能量,精细提取振动信号的高低频故障信息特征;然后基于权重指标对模糊熵和频带能量进行融合,构造多种故障状态下轴承信号的特征向量;最后选择适合小样本分类的支持向量机对轴承裂纹故障进行诊断。试验数据处理结果表明,轴承不同裂纹故障状态下,融合特征的方法诊断效率更高,相较于单一特征量识别准确率提高5.0%以上,对10种裂纹故障诊断正确率达到98.0%。     

基于MIC和改进Bagging-GPR的刀具磨损预测

为实现刀具磨损的准确预测，对加工过程的换刀和参数优化提供指导，提出一种基于最大信息系数(MIC)和改进的Bagging集成高斯过程回归(Bagging-GPR)的刀具磨损预测方法，建立切削力信号与刀具磨损间的非线性映射关系。采集加工的切削力信号，运用时域、小波包分解和经验模态分解提取切削力信号特征，并利用MIC分析特征与刀具磨损的相关度来实现特征选择，避免预测模型的“维数灾难”。为提高预测模型的精度，考虑高斯子模型内部核函数的差异性及准确性，利用Bagging对高斯核函数进行随机组合，作为各子模型的核函数，构建改进的Bagging-GPR模型实现刀具磨损值预测，并基于铣削实验数据验证了所提方法的有效性和优异性。     

An in-depth study of tool wear monitoring technique based on image segmentation and texture analysis

We present a new micro-vision system for tool wear monitoring, which is essential for intelligent manufacturing. The tool wear area is divided into regions by a watershed transform, then subjected to automatic focusing and segmentation. The individual pixel gray values in each region are then replaced with the corresponding regional mean gray value. A hill climbing algorithm based on the sum modified laplacian (SML) focusing evaluation function is used to search the focal plane. In addition, we implement an adaptive Markov Random Field (MRF) algorithm to segment each region of tool wear. For our MRF model, the connection parameter value is adaptively determined by the connection degree between regions, which improves image acquisition of more integral tool wear areas. Our findings suggest that automatic focusing and segmentation of the tool wear area by region (within the tool wear area) enhance accuracy and robustness, and allow for real time acquisition of tool wear images. We also implement a complementary tool wear assessment procedure based on the surface texture of the workpiece. The optimal texture analysis window is determined using the entropy metric – a texture feature generated using a Gray Level Co-occurrence Matrix (GLCM). In the best texture analysis window, entropy remains monotonic as tool wear increases, demonstrating that entropy can be used effectively to monitor tool wear. Information from combined measurements of tool wear and workpiece texture can reliably be used to monitor tool wear conditions and improve monitoring success rates.     

非监督层次化模糊相关的人体红外图像分割

针对当前多级模糊熵算法在分割人体红外图像时,存在划分数需人工指定,全局划分导致熵的信息度量精度受背景干扰,分割精度不高等问题,提出了非监督层次化模糊相关分割。首先采用熵率法将图像划分为若干超像素,确保区域一致性,提高后续处理效率;随后,用准确度量划分适当性的模糊相关来描述图像,构建模糊相关图割2-划分算子,提高层次化分割中单步分割的精度。2-划分算子的核心思想是利用提出的递推计算策略,快速搜索最大模糊相关时目标和背景的划分概率,并用其来设置图割的数据项,实施超像素的模糊相关图割2-划分。最后将2-划分算子与自顶向下的非监督层次化分割策略相结合,迭代地对目标超像素区域实施2-划分,自适应确定划分数,获得人体目标。实验结果表明:较常用算法,该算法不但能自动确定划分数,而且分割精度还提高了约18%,运行时间约为3.8s,能有效用于人体红外图像分割的工程实践中。     

基于B样条模糊神经网络的刀具磨损监测

刀具状态监测是实现自动化加工和无人化加工的关键技术。本文使用切削力和声发射传感器监测金属切削过程,提出了基于B样条模糊神经网络作为刀具磨损量监测模型。该模型能够准确描述刀具磨损和信号特征之间的非线性关系,和常用的BP前馈神经网络相比,具有收敛速度快和局部学习能力等优点。试验结果表明:采用B样条模糊神经网络对提高刀具磨损在线监测的准确度和可靠度非常有效。     

New method of fault diagnosis of rotating machinery based on distance of information entropy

This paper introduces the basic conception of information fusion and some fusion diagnosis methods commonly used nowadays in rotating machinery. From the thought of the information fusion, a new quantitative feature index monitoring and diagnosing the vibration fault of rotating machinery, which is called distance of information entropy, is put forward on the basis of the singular spectrum entropy in time domain, power spectrum entropy in frequency domain, wavelet energy spectrum entropy, and wavelet space feature entropy in time-frequency domain. The mathematic deduction suggests that the conception of distance of information entropy is accordant with the maximum subordination principle in the fuzzy theory. Through calculation it has been proved that this method can effectively distinguish different fault types. Then, the accuracy of rotor fault diagnosis can be improved through the curve chart of the distance of information entropy at multi-speed.     

基于近似熵和集成经验模态分解的转子多故障诊断方法研究

为了提高汽轮机转子多故障分类的准确率,提出一种集成经验模态分解(EEMD)、近似熵和支持向量机相结合的多状态分类方法。首先进行EEMD得到各频段的单分量信号;再求出熵值作为故障信号的特征向量输入到基于二叉树的支持向量机中实现多状态分类。对比近似熵、模糊熵和能量法这三种方法,实验结果验证了利用EEMD和熵理论相结合的方法量化故障信号非线性特征的正确性。同时也表明在欧氏空间中,近似熵值组成的特征向量彼此间的距离最远,分类效果也最好。     

面向产品创新设计的功能模块动态划分方法研究

针对面向产品创新设计的功能模块划分中没有考虑技术进化的问题,从客户需求、流、技术的角度出发,研究功能模块动态划分方法。以产品的功能结构为基础,建立了功能相关矩阵。基于模糊等价矩阵的动态聚类分析,动态划分产品的功能模块。以模块内平均聚合度和模块间平均分离度来评价不同模块划分结果。多绳金刚石串珠锯功能模块动态划分实例说明了该方法具有较强的分辨性,可以进行面向产品创新设计的功能模块动态划分。
     

基于小波模糊神经网络刀具监控系统研究

针对切削过程中振动信号和AE信号的特点,利用小波分析技术提取信号深层特征,建立了新型的基于模糊推理的神经网络模型,该模型能融合振动和AE信号的特征和描述信号特征与刀具状态的非线性关系,以此识别刀具状态。试验表明小波模糊神经网络对提高在线刀具监控系统的可靠性极为有效。     

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。     

基于快速递推模糊2-划分熵图割的红外图像分割

考虑现有图割算法没有充分考虑红外图像的模糊特性,分割精度和运行效率低的缺点,提出了基于快速递推模糊2-划分熵图割的红外图像分割算法以实现复杂背景下红外图像的自动高效分割。该方法利用图像感兴趣区域的最大模糊熵信息设计图割能量函数的似然能,基于局部最大模糊2-划分熵值迭代检测出包含图像最大信息的感兴趣区域来确保提取目标信息的完整性。为了提高最大模糊熵寻优的效率,引入时间复杂度为O(n2)的递推算法,将模糊熵计算转化为递推过程,并保存所有递推的熵函数值用于后续的穷举寻优。针对确定的感兴趣区域,利用该区域最大模糊2-划分时隶属度函数分布设置图割能量函数的似然能,从而充分考虑图像的模糊特性。对分割结果与几种常用的算法进行了视觉比较及运行时间,错分率,F指标的量化分析。结果表明:该算法分割精度F值高达95%,运行时间较其他常用算法至少缩短了72%,基本满足自动红外图像分割对精度、效率和鲁棒性的要求。