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EMD-HMM的机床刀具磨损故障诊断

针对机床刀具磨损故障诊断,提出基于经验模态分解(EMD)进行信号处理和基于隐马尔科夫模型(HMM)进行模式识别的刀具故障诊断方法。在信号处理阶段,对机加工过程中的振动信号进行经验模态分解,得到若干固有模态函数(IMF),计算IMF的能量值并选用前几阶高能量的IMF作为识别参数。在模式识别阶段,先将训练样本使用HMM的基本方法进行模型训练获得HMMs,再使用测试样本进行模型准确性验证。完成验证的模型就可以表示该机床刀具磨损和机加工刀具信号的对应关系,可以应用到刀具磨损的监测识别中。     

基于EMD-HMM的机床刀具磨损故障诊断

针对机床刀具磨损故障诊断,提出基于经验模态分解（EMD）进行信号处理和基于隐马尔科夫模型（HMM）进行模式识别的刀具故障诊断方法。在信号处理阶段,对机加工过程中的振动信号进行经验模态分解,得到若干固有模态函数（IMF）,计算IMF的能量值并选用前几阶高能量的IMF作为识别参数。在模式识别阶段,先将训练样本使用HMM的基本方法进行模型训练获得HMMs,再使用测试样本进行模型准确性验证。完成验证的模型就可以表示该机床刀具磨损和机加工刀具信号的对应关系,可以应用到刀具磨损的监测识别中。     

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。     

基于粗糙集和BP神经网络的刀具状态监测

在刀具磨损状态监测中,能够提取到的反映不同刀具磨损状态的特征量较大,基于神经网络的状态识别无法去掉冗余特征,会存在训练时间长和准确率降低等问题。针对这些问题,提出基于粗糙集-BP神经网络的刀具磨损状态监测方法,利用粗糙集对特征进行属性约简,去掉冗余信息,从而优化特征,并且减少神经网络的输入端数据,可以缩短神经网络的训练时间和提高识别的准确率。通过对实测刀具数据进行分析,证明了该方法的有效性。     

在线金属切削刀具磨损状态监测研究的回顾与展望Ⅲ:模式识别方法

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。     

基于小波神经网络的刀具状态监测

建立了一种小波基函数神经网络的切削刀具磨损状态监测系统。通过提取反映刀具磨损状态的特征参数：声发射，主功率，进给电流为输入信号，利用Morlet解析小波神经网络的非线性模型，获得表示刀具磨损状态的特征量，来实现刀具磨损状态在线智能监测。它可以有效地提高系统识别的精确度和可靠性。     

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。     

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.     

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%.     

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。     

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。     

基于最佳小波包分解和HMM的齿轮故障模式识别

齿轮故障模式识别的关键问题在于对故障振动信号的特征提取.为了快速准确识别齿轮故障模式,提出了一种基于最佳小波包分解(OWPD)和隐马尔可夫模型(HMM)的识别方法.该方法对采集的振动信号进行小波包分解,再利用OWPD自动选择提取最佳小波包能量构造特征向量,输入HMM中进行训练与测试,实现了齿轮故障模式识别.实验结果表明该方法在齿轮故障模式识别方面的有效性和准确性.     

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。     

基于切削力的刀具磨损监测

为研究刀具磨损监测,在数控加工中心进行铣削实验,运用kistler三向测力仪测量铣削过程中的切削力和力矩.对切削力和力矩进行统计处理,计算切削力、力矩与铣刀径向磨损之间的相关性系数.研究结果表明,X向切削力与刀具径向磨损最为相关,其次是Y方向的切削力及绕Z轴力矩Mz.     

采用自适应小波基分析刀具的磨损

在金属切削过程中,切削力进接影响着切削热的产生,并进一步影响着刀具磨损、耐用力、加工精度和已加工表面质量.因此,研究切削力的规律,将有助于分析切削过程,减少刀具磨损,并对生产实际有重要的指导意义[1].     

基于小波包-隐马尔科夫模型的机床加工状态识别

机床加工状态对加工工件质量有很大的影响,因此识别机床加工状态有重要的意义.依据采集的机床加工数据,通过FFT频谱分析,划分出机床加工的3种状态.利用小波包分解,分别求出各种状态在不同频带节点上的能量分布百分比,并把它作为隐马尔科夫模型的输入特征向量.按照隐马尔科夫模型模式识别方法,建立3种标准状态的训练优化模型库,把测试样本代入优化模型库中,依据最大对数似然值对机床的加工状态进行了识别.计算结果表明,状态识别结果正确.     

一种新的声发射刀具磨损小波分析方法

提出了一种新的声发射刀具磨损小波判析方法，该方法通过多层小波分解对信号主能量所处频段进行局部特性刻画，利用小波分解系数特征统计值在统计量与刀具状态间建立物理联系。实例表明，该方法能有效地判断刀具状态，比常用的利用神经网络进行状态分析的方法更具有理论直观性与操作的时效性。