The Review and Perspective of the Research of On-line and Indirect Metal Cutting Tool Condition Monitoring H : Pattern Recognition Methods

刀具状态监测的目的是为了开发出实用的刀具状态监测设备,为了降低设备成本和提高监测的准确率,在监测信号的选择和特征提取的基础上,选择合适的模式识别方法至关重要.对近年来在学术期刊上公开发表的关于刀具磨损在线监测研究中所采用的主要模式识别方法作了简要的回顾与归纳,为后续研究者的快速入门及选择适当的模式识别方法提供参考.     

在线金属切削刀具磨损状态监测研究的回顾与展望I:监测信号的选择

切削刀具的状态直接影响工件的质量及加工成本,因此刀具的状态监测越来越受到人们的重视,为了达到这一目的,监测信号的选择是至关重要的.对近年来在学术期刊上公开发表的关于刀具磨损在线监测研究文献中所采用的监测信号作了简要的回顾,仅限于间接监测方法,例如监测切削力、振动、声发射、主轴电流等信号.分析这些信号各自的优缺点,并得出结论:多传感器融合的监测方法以其信息覆盖范围广,抗干扰能力强、冗余性好,能较完善、精确地反映切削过程等优点,将成为未来刀具状态监测技术的发展方向.     

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。     

在线金属切削刀具磨损状态监测研究的回顾与展望Ⅱ:信号特征的提取

刀具状态监测的目的是为了开发出实用的刀具状态监测设备。为了降低设备成本和提高监测的准确率,提取监测信号中最能反映刀具状态的特征是至关重要的。对近些年来在学术期刊上公开发表的关于刀具磨损在线监测研究中所采用的信号特征提取方法作简要的回顾与归纳,并得出如下结论:信号的特征提取算法有很多种,不同的信号对应不同的特征提取方法,即使是同一信号也可以用不同的特征提取方法描述它们在不同域内的特征;只有将不同的信号及不同的特征提取方法结合起来,才能实现成本低、可靠性高、安装方便的刀具监测系统。     

CIMS环境下刀具状态监测研究回顾与展望

敏感信号的选择和信号处理技术是刀具切削状态在线监测系统设计的两个关键要素，本文试从这两方面对刀具切削监测系统的研究作了回顾与分析，并对未来的研究趋势作了展望。     

基于优选特征的刀具磨损监测方法

文章以端面铣刀为研究对象,采用相关系数方法和模糊聚类方法对铣削力信号特征进行研究和分析,提出了一种可应用于在线诊断端面铣刀磨损量的特征优选方法。首先从特征的相关性出发,利用相关系数法对铣削力信号特征进行初选,去除冗余特征;其次从特征的模糊性出发,利用模糊聚类寻求最优特征子集;最后将选取的特征作为BP神经网络的输入,输出铣刀磨损量。实验结果表明,利用该方法能够选择优化特征子集,提高诊断精度和诊断效率。     

无先验知识下基于CHMM的刀具磨损监测技术

切削刀具的状态直接影响工件加工质量、生产率和产品成本,因此在切削加工过程中监测刀具的状态显得尤为重要。针对实际监测系统通常无法获取刀具各磨损退化状态先验知识的情况,以切削力与切削振动为监测信号,提出无先验知识下基于小波包分析与连续隐马尔可夫模型的刀具磨损监测技术。应用小波包分析技术提取信号特征信息,采用S函数实现特征值归一化处理。利用监测过程中的刀具正常状态下归一化特征信息建立基于连续隐马尔可夫模型的监测模型;根据刀具未知状态特性向量与监测模型间的对数似然度获取刀具性能指标PV,实现刀具磨损状态评价。采用铣刀磨损全寿命数据来验证该方法的有效性,实验结果表明:该方法能在无先验知识的情况下对刀具的健康状态进行较为准确的评估,且所需样本数较少,训练速度快。该技术对实现无先验知识下的刀具智能化在线状态监测具有重要意义。     

基于迁移学习与残差网络的刀具磨损状态监测

针对现有基于深度学习的刀具磨损状态监测方法训练样本少、识别精度低的问题,建立基于迁移学习（TL）与深度残差网络(ResNet)的铣刀磨损状态监测模型。将刀具加工过程中的振动监测信号通过连续小波变换转换成能量时频图,作为网络模型的输入;将在ImageNet数据集上训练的ResNet50模型作为预训练模型,通过迁移学习的方法,应用到刀具磨损状态监测领域当中。实例验证表明:TL-ResNet模型的平均识别准确率达到98.52%,实现了刀具不同磨损状态下的智能识别,有效提高了刀具磨损状态监测的准确性和稳定性。     

采用HHT与CNN的刀具磨损状态监测

为实现刀具磨损状态监测的智能化及高精度,提出一种将希尔伯特黄变换改进算法与卷积神经网络相结合的监测方法。首先,采用敏感固有模态函数筛选方法改进希尔伯特黄变换,提取出刀具信号的时频特征;其次,运用MATLAB微调卷积神经网络生成刀具磨损监测迁移模型;最后,运用典型的卷积神经网络迁移模型进行实验验证。结果表明,与传统时频变换相比,希尔伯特黄变换提取的时频图更加精细,能有效防止频谱泄露的问题,刀具磨损识别平均准确率达到94.09%,提升近15%;与希尔伯特黄变换相比,改进后的希尔伯特黄变换能避免虚假固有模态分量问题,监测效果进一步提升,达到96.8%,证明了所提监测方法的有效性。     

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%.     

刀具磨损在线监测研究现状与发展

金属加工过程中,切削刀具的状态对于生产效率和表面加工质量有重要影响,因此刀具磨损在线监测具有重要意义。介绍了最近几年常用的刀具磨损在线监测方法,包括切削力、振动、声发射、温度、电流与功率信号,分析了每种信号的监测方法及其特点,并与实验结果进行了对比。提出了多传感器融合技术能有效避免单独使用一种检测手段的弊端。     

基于切削声和切削力参数融合的刀具磨损状态监测

针对单一传感器监测刀具磨损状态存在的不足,提出了将声传感方式和力传感方式综合利用,以人工神经网络作为多传感器信息融合的方法.在立式数控加工中心上铣削加工45<'#>钢调质试件,利用驻极体传声器和Kistler测力仪检测与刀具磨损相关的特征量,得出铣削声信号特征量LPCC的第6、7、8阶分量,X、Y向切削力以及绕z轴的力矩与刀具磨损密切相关.以这6个特征量作为神经网络的输入信号,利用有动量的梯度下降的BP算法建立了刀具磨损状态监测的多参数融合模型.研究结果表明神经网络输出值与实际测量值基本相符合,切削声和切削力特征融合后提高了识别刀具磨损程度的准确性和稳定性.     

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。     

基于小波包系数与隐马尔科夫模型的刀具磨损监测

在机械自动化加工中,为了防止刀具损坏,刀具磨损过程的监测是非常重要的。然而,由于加工过程的复杂性,对刀具磨损状态的监测十分困难。提出了一个基于小波包系数与隐马尔科夫模型的刀具磨损监测方法。将加工信号在不同频带上小波包系数的均方根值作为特征观测向量,即为隐马尔科夫模型的输入,并用隐马尔科夫模型模式识别方法识别刀具磨损状态。实验结果显示,提出的方法对刀具磨损状态具有很高的识别率。     

数控镗刀磨损与破损的声发射监测法

通过分析声发射传感器采集的刀具磨损状态信号,提取出反映刀具磨损状态的特征向量MFCC系数及差分系数,然后利用隐马尔可夫模型进行信号处理,建立了检测镗刀刀具状态的监测系统。实验结果表明:在刀具的正常磨损阶段,该监测系统可以实现刀具大致磨损量的预报;在刀具破损或损坏情况下,能够及时监测和预报刀具损坏状态。这种监测方法可用于实时在线监测,为刀具的磨损监测提供了一条切实可行的途径。     

钛合金车削加工过程中刀具磨损状态监测的小波包子带能量变换特征提取新方法

在小波包分析的基础上,提出对小波包子带能量特征抽取的新算法.考虑到小波包能量子带的动态特性和统计特性可以作为刀具磨损状态识别特征提取的来源,提出将小波包子带能量相对比率、小渡包子带能量相对比率的变化值、小波包子带能量相对比率的变化值的统计偏差(能量距)作为三个新特征值.建立刀具磨损状态监测实验平台,采集刀具三维力反馈、振动信号作为监测信号.按常规特征抽取方法和本研究中提出的方法抽取特征值,形成网络训练、识别特征值空间.用梯度下降法训练建立BP人工神经网络,对27具四种磨损状态进行识别,验证小波包子带能量变换提取到的特征的有效性.     

基于可拓理论的刀具磨损状态评价方法的研究

基于物元模型的可拓学理论分析,提出了刀具磨损状态的可拓评价方法。利用与刀具磨损状态密切相关的敏感特征参数,构造经典域物元和节域物元,应用物元和可拓集合中的关联函数,建立了刀具磨损状态的可拓评价模型,通过可拓评价分析,获得了客观合理的评价结果。实例分析证明了可拓学理论用于刀具磨损状态评价的有效性和可靠性。     

WOA-SVM算法在钛合金端铣刀具磨损预测的研究

针对钛合金加工中刀具磨损状态的准确识别问题,建立了基于支持向量机(SVM)和鲸鱼优化算法(WOA)的钛合金刀具磨损预测模型。将SVM和WOA相结合,提出了一种新的WOA-SVM模型,用于钛合金立铣刀刀具磨损的精确估计。通过提取切削力的信号特征作为监测特征,利用邻域保持嵌入(NPE)对监测特征实现降维,提高了WOA-SVM模型的建模效率。实验结果表明：在保证预测精度的前提下,NPE的使用使WOA-SVM的建模时间减少了90%以上;与PSO-SVM和GSA-SVM等常用方法相比,WOA-SVM具有较高的预测精度,建模时间减少了30%以上;所建模型能有效预测钛合金加工刀具的磨损状态。     

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.