采用小波神经网络的刀具故障诊断

为了有效的进行刀具状态监测，采用小波神经网络的松散型结合对刀具进行故障诊断。通过小波变换提取刀具磨损声发射（AE）信号的特征．即对AE信号进行小波分解，提取了5个频段的均方根值作为神经网络的输入，来识别刀具磨损状态。试验表明，均方根值完全可以作为刀具磨损过程中产生AE信号的特征向量。仿真结果表明，基于小波神经网络的刀具故障诊断对刀具磨损状态的识别效率高．该方法是有效的。     

基于双信号融合的超声振动钻削钻头磨损状态监测研究

为了监测超声振动钻削过程中钻头的磨损状态,构建了超声振动钻削钻头的振动信号和AE信号的采集系统,通过采集不同磨损状态下钻头的振动信号和AE信号,对其进行小波分解,得到与钻头磨损相关的特征值,将二者融合后作为神经网络的输入,输入至构建的12-10-3的BP神经网络中,进行钻头磨损状态的识别。试验结果表明,所建BP神经网络通过振动和AE的融合信号对钻头的有效识别率为91.7%,可以有效对钻头的磨损状态进行识别。     

基于谐波特征和GA-SVM的刀具状态监测

刀具状态的监测是实现机械加工自动化重要的一环.为了有效地捕捉刀具的状态信息,提出了一种基于谐波特征和GA-SVM(遗传-支持向量机)相结合的刀具状态监测方法.该方法运用小波变换提取AE信号的谐波特征信息,作为支持向量机的输入参数,GA寻找SVM建立刀具状态模型的最优参数,通过训练建立模型.结果表明,该方法能有效监测刀具磨损状态.     

基于长短期记忆神经网络的刀具磨损状态监测

刀具磨损状况的实时检测是目前机床加工状态监测的难点,而对刀具的振动信号分析的常用方法是利用神经网络模型来判断刀具磨损状态。为解决循环神经网络(RNN)模型训练过程中梯度容易消亡的现象,提出基于长短期记忆神经网络的刀具磨损状态在线监测。刀具在进行切削加工时,首先通过加速度传感器采集刀具振动信号,然后对振动信号小波包变换进行分解是让信号通过不同的滤波器进行有条件的选择,由此形成不同的能量值,用作为长短期记忆神经网络的特征输入,从而诊断出刀具磨损状态的3种状态故障;最后利用长短期记忆神经网络模型对处理时间序列的数据有比较好的效果,它可以捕捉长期的依赖关系和非线性动态变化。此外,通过与多层(BP)神经网络和(BP)神经网络故障诊断方法进行比较,结果表明,LSTM网络对刀具磨损状态在线监测更加有效。     

频带能量特征法在声发射刀具磨损监测系统中的应用

基于对声发射(AE)信号特点的分析和小波包分解理论对不平稳信号特征提取的优势,提出一种利用AE信号的能量变化来监测刀具磨损状态的方法。该方法利用db8小波基对AE信号进行5层小波包分解,将分解后各频带上的能量值作为特征参数,并组成特征向量。分别提取在新刀和刀具磨损状态下的特征向量,根据其变化即可判别刀具磨损的程度。试验结果验证了该方法在刀具磨损判析中的可用性。     

数控机床刀具磨损的振动监测法

在分析小波理论及BP神经网络的基础上,进行了刀具磨损试验研究。在时频域对刀具磨损状态的特征信号进行提取和分析,获得了反映刀具磨损状态的特征信号。将此刀具磨损特征量作为BP神经网络的输入样本对网络进行学习训练,完成对刀具磨损状态的有效识别。实验结果表明该方法是有效的。     

刀具破损状态声发射信号的多分辨率分析

刀具状态监控对保障生产安全和产品质量具有重要意义。采用声发射(AE)传感器来采集切削过程中发出的AE信号,采用多分辨率分忻法对正常切削、刀具破损、断屑时发出的AE信号进行分析,并提取出反映刀具破损状态的特征量;最后采用BP神经网络实现了刀具破损状态的自动识别。     

改进的BP神经网络在刀具磨损状态监测中的应用

刀具磨损状态监测的研究中,采用传统BP算法的神经网络识别切削过程中的刀具磨损量,具有局限性。文中提出了一种改进的BP神经网络结构,选取了新的BP算法,并对网络结构参数进行优化调整。对振动信号和AE信号分析后提取出刀具磨损特征量输入改进的BP神经网络,经过训练后用于识别刀具磨损状态。通过比较,改进的BP神经网络的收敛速度明显提高,且减小了识别误差。实验证实了其可行性和有效性。     

基于核主成分分析BP_AdaBoost算法的数控铣床故障诊断

刀具是数控铣床加工过程的关键零部件,其长期处于高速加工状态极其容易出现故障。针对数控铣床加工过程中刀具的磨损状态数据少、诊断效率低、维护成本高、缺乏有效的诊断方法的问题,提出了利用小波包分析与核主成分分析提取特征,然后利用BP_AdaBoost算法对刀具磨损状态进行诊断的方法。通过在数控铣床的加工工件与其夹具间安装测力仪及安装加速度传感器,来采集立铣刀振动信号与切削力信号;然后对振动信号与切削力信号进行小波包分析处理,将处理好的信号进行核主成分分析(KPCA),降维以后作为立铣刀磨损状态的特征向量;最后利用得到的特征向量训练和验证BP_AdaBoost分类模型。实验结果表明BP_AdaBoost算法比SVM算法能更有效实现对数控铣床的刀具磨损状态的评估。     

基于小波神经网络的刀具故障监测系统

用声发射传感器采集刀具的切削状态信号，用小波分析和神经网络技术对信号进行特征提取和仿真训练，并建立了基于小波神经网络的刀具故障监测系统。系统对已测得的刀具切削状态信号进行仿真试验，结果表明：系统对刀具故障的预报正确率为93．3％，可有效地应用到工程实践中。     

Real-time detection of the breakage of small diameter drills with wavelet transform

This paper presents a real-time tool breakage detection method for small diameter drills using acoustic emission (AE) and current signals. Using the transmitted properties of the AE signal, apparatus for detecting the AE signal for tool breakage monitoring was developed for a machine centre. The features of tool breakage were obtained from the AE signal using typical signal processing methods. The continuous wavelet transform (CWT) and the discrete wavelet transform (DWT) were used to decompose the spindle current signal and the feed current signal, respectively. The tool breakage features were extracted from the decomposed signals. Experimental results show that the proposed monitoring system possessed an excellent real-time capability and a high success rate for the detection of the breakage of small diameter drills using combined AE and current signals.     

自由曲面数控加工中刀具破损的小波分析

介绍了小波变换的特点,并将其与傅立叶变换及快速傅立叶变换进行了对比,结合刀具破损信号,分析了快速小波变换——Mallat算法.对自由曲面数控加工中主轴电机电流信号的提取技术进行了分析,指出了霍尔电流传感器是行之有效的方法.鉴于刀具破损电机电流信号的瞬时性,采用小波分析方法给出了提取刀具破损信息特征的成功应用实例.研究表明,多分辨(多尺度)分析的方法,对于刀具破损这种突变信号不但具有精确的时-频定位作用,还具有易于监测的优点,说明这种方法能够有效地应用于刀具破损监控的信号处理.     

基于小波分析的切削力信号奇异性检测

利用小波变换模的极大值和信号奇异点的关系,分析了用Lip指数来描述的切削力信号局部奇异性.通过观察奇异点的位置等信息得到切削刀具的磨损情况.通过对实际刀具磨损的在线监测数据分析,证明了采用小波变换检测刀具磨损这一方法的有效性.     

刀具磨损声发射信号处理中小波基选取的研究

通过对小波基性质和刀具磨损声发射（AE）信号特点的研究,从理论上分析了小波变换中刀具磨损AE信号处理中小波基选取的方法。在试验验证过程中,根据小波包信号分解遵循能量守恒原理,用四种小波基对刀具磨损AE信号进行三层小波包分解;以AE信号经小波包分解后各频带上的能量为特征参数,比较四种情况下特征参数的变化,验证了理论分析的正确性。     

焊接裂纹金属磁记忆信号特征研究的进展

反映焊接裂纹的金属磁记忆信号特征包括信号过零点位置、小波分析能量极大值点位置、傅立叶分析相位突变位置、区域信号的最大值与最小值差值、信号在检测方向上的梯度、信号在检测方向垂直方向上的梯度。以上6个信号特征通过金属磁记忆信号特征判断焊接裂纹的方法。可以描述焊接裂纹时的作用以及相互之间的关系。研究表明:过零点特征和小波分析极大值点位置特征是不可靠的,用其他4个特征来判断焊接裂纹得到的结论很可靠。未来需要建立用这4个特征来判断焊接裂纹的系统。     

小波包在转子碰摩故障诊断中的应用

研究了旋转机械转静件早期碰摩故障信号的检测问题。根据小波包分解能在所有频率范围聚焦、对信号奇异性非常敏感的特性,对比分析了不碰摩和早期碰摩振动信号的特征,得出应用小波包分解和信号重构的方法不仅可对早期碰摩进行准确诊断,还可确定碰摩的位置的结论,证明了该方法对碰摩故障进行诊断的可行性和有效性。     

小波变换的流体压力信号自适应滤波方法研究

为了有效地消除流体压力信号中的噪声,提出了一种基于小波变换的自适应滤波算法,该算法针对信号和噪声经小波变换后在不同尺度上的特征不同,先对信号进行小波多尺度分解,然后对各尺度分解的信号分别选用不同的滤波参数,进行自适应滤波处理,并用该方法对液压系统运行中采集的压力信号进行降噪处理.试验结果表明,该方法比普通的自适应滤波方法能更有效地消除流体压力信号中的噪声.     

齿轮振动信号特征的小波包频率表示法

通过对信号的小波包分解的研究．提出了信号特征的小波包频率表示方法．表示信号对分解节点和频率的功率谱分布;同时提出以小波包频率表示为依据的特征信号重建方法。齿轮振动信号特征的小波包频率表示表明该表示方法能有效展示齿轮的技术状况的变化。将功率谱集中的相邻的结点上的分解结果重构,得到的时域特征信号也能展示齿轮的技术状况。     

Acoustic emission method for tool condition monitoring based on wavelet analysis

It is believed that the acoustic emission (AE) signals contain potentially valuable information for tool wear and breakage monitoring and detection. However, AE stress waves produced in the cutting zone are distorted by the transmission path and the measurement systems and it is difficult to obtain an effective result by these raw acoustic emission data. In this article, a technique based on AE signal wavelet analysis is proposed for tool condition monitoring. The local characterize of frequency band, which contains the main energy of AE signals, is depicted by the wavelet multi-resolution analysis, and the singularity of the signal is represented by wavelet resolution coefficient norm. The feasibility for tool condition monitoring is demonstrated by the various cutting conditions in turning experiments.     

基于PCA和动态监测模型的刀具寿命在线检测技术

为了实现机械加工过程中刀具寿命在线准确识别,采用时域、频域和小波变换等信号分析方法,提取切削力信号和振动信号中与刀具寿命变化敏感的多个特征,系统输入特征向量通过主向量分析(PCA)方法根据累积贡献率进行优化选择;监测系统根据加工条件自动选择对应的,由两个寿命计算模型构成的动态监测模型,两个模型根据输出精度交替实现刀具寿命计算、在线学习和模型参数更新,最终实现了刀具寿命的在线预测。长期运行结果证明,建立的刀具寿命监测系统能够准确预测刀具的寿命状态,具有良好的自学习能力,在线计算速度高,具有较强的工业推广价值。