刀具磨损特征参数提取与状态识别方法

为提高刀具磨损状态识别准确率,文章提出了S变换时频图纹理特征参数提取方法和基于隐马尔科夫模型的磨损状态识别方法。以声发射信号为敏感信号,设计了刀具磨损实验方案;基于EEMD算法,提出了互相关系数与鞘度相结合的综合降噪方法;使用S变换处理声发射信号得到等高线灰度图,通过灰度共生矩阵提取等高线灰度图的纹理特征参数;将类内散布矩阵和类间散布矩阵结合,提出了基于散布矩阵的特征参数敏感度分析和降维方法;采用基于隐马尔科夫模型的磨损状态识别方法,分别将全维特征参数和降维特征参数用于磨损状态识别,实验结果表明,全维特征参数的识别准确率为88.34%,降维特征参数的识别准确率为100%。     

基于SSA-VMD和BiLSTM的刀具磨损状态识别北大核心

针对变分模态分解(VMD)参数选取和刀具磨损特征提取困难等问题,提出了基于松鼠觅食算法(SSA)、VMD和双向长短期记忆网络(BiLSTM)的刀具磨损状态识别模型。首先,以包络熵为适应度函数,使用SSA优化VMD的参数,利用优化后的VMD分解刀具振动信号得到4组模态分量,并进行信号重构;其次,构建BiLSTM网络模型,并把信号模态分量、原始信号和重构信号一起构成特征矩阵输入模型当中,利用BiLSTM提取信号特征;最后,通过全连接层和Softmax层对刀具磨损状态进行识别。实验结果表明,SSA能够找到VMD最优参数组合,降低信号噪声,提出的SSA-VMD-BiLSTM模型在准确率和适应性方面优于传统的LSTM模型。     

基于MFCC特征和GWO-SVM的托辊故障诊断

针对目前带式输送机托辊故障诊断方法存在接触式测量、准确率低、井下大范围检测困难等问题,提出了一种基于MFCC特征和参数优化SVM的托辊故障诊断方法。利用变分模态分解(VMD)将采集到的托辊声音信号分解为若干本征模态分量(IMF),并基于包络熵和峭度组成的复合指标优选IMF分量;提取所选分量的梅尔倒频谱系数（MFCC)作为特征,利用灰狼优化算法（GWO）优化SVM参数;将样本特征向量输入GWO-SVM中进行故障分类。结果表明:对于正常托辊、托辊内圈故障、托辊外圈故障、托辊卡死4种工况,该方法故障识别平均准确率在95%以上。与单一指标相比,复合指标提取的IMF分量故障特性代表性更好;与其他优化算法相比,该方法的识别准确率更高,分类速度更快。     

刀具磨损状态特征参数提取与识别方法研究

为准确识别刀具磨损状态,提出了基于MF-DFA的特征提取方法和基于LS-SVM的磨损状态辨识方法。设计了刀具磨损试验方案;提出了具有可调节参数的改进阈值小波降噪方法,解决了硬阈值降噪不连续和软阈值降噪失真问题,降噪后信号的信噪比和均方误差优于另外两种阈值;分析了多重分形谱参数与声发射信号特征对应关系,基于此初选了特征参数,根据刀具不同磨损阶段各参数的分布情况优选了特征参数,且优选特征参数聚类效果极佳;采用基于LS-SVM算法的磨损阶段识别方法,分别使用初选特征参数与优选特征参数进行模式识别,实验结果表明,优选特征参数的识别精度明显高于初选特征参数;与BP神经网络、SVM算法相比,LS-SVM算法的识别准确率最高、时间消耗最小。     

基于S变换时频图纹理特征的刀具磨损状态识别

针对刀具磨损状态监测问题,将图像纹理特征提取技术引入到刀具磨损故障诊断中,提出一种基于S变换时频图纹理特征的刀具磨损状态识别方法。首先采用S变换对刀具切削过程中采集的声发射信号进行时频分析,将时频图像转换为等高线灰度图,通过灰度共生矩阵算法提取图像纹理特征;然后采用散布矩阵算法对提取的特征向量进行敏感度分析,构建敏感特征向量;最后采用敏感特征向量训练离散隐马尔科夫模型,建立分类器,从而实现刀具磨损状态的识别。实验结果表明:该方法可以有效地识别刀具磨损状态,识别率为96.67%。     

基于希尔伯特-黄变换和等距特征映射的刀具磨损状态监测

为了实现刀具磨损状态监测的自动化与高精度,文章提出了一种基于希尔伯特-黄变换(hilbert-huang transform,HHT)和等距特征映射(isometric feature mapping,Isomap)的刀具磨损状态监测方法。首先采用经验模态分解算法对采集的信号进行降噪处理;然后对降噪后的信号进行Hilbert变换得到Hilbert时频谱,同时计算Hilbert边际谱及其统计特征量;最后利用Isomap算法进行特征融合及优化,将优化后特征向量送入支持向量机(support vector machine,SVM)中,并通过网格搜索法优化SVM的相关输入参数来建立最优分类模型。研究结果表明:Isomap算法具有较好的特征融合及降维效果,且Isomap-SVM分类模型对测试集的识别准确率为95%,文章所提方法可以有效地识别刀具磨损状态。     

基于EMD和ADS的刀具磨损在线监控系统开发

为实现刀具磨损状态准确快速的识别,开发了一套基于自动化设备规范(ADS)通信技术和经验模态分解(EMD)的刀具状态在线监控系统。运用EMD将振动信号分解成多个固有模态函数分量(IMF),综合使用相关系数法以及能量值法筛选了前6阶IMF分量的均方根值作为监测特征,然后将监测特征作为支持向量机的输入,建立监测特征与刀具磨损状态的关系模型。加工中的一定长度的振动数据经ADS技术传输到建立好的支持向量机(SVM)模型中,完成刀具状态的识别。使用TwinCAT和Matlab实现了整套系统的功能。经试验验证,刀具监控系统运行稳定,能对刀具状态进行准确快速的判断。     

基于时间卷积长短时记忆网络的多域特征融合刀具磨损预测

准确预测刀具磨损是一个具有挑战性的问题。如何结合各种信号的优势，融合传感器信号特征来提高预测精度，是一个关键问题。为解决上述问题，提出基于时间卷积长短时记忆网络(TCN-LSTM)的多域特征融合刀具磨损预测方法。收集来自不同传感器的信号，在时域、频域上对不同传感器信号分别进行特征提取，时频域上利用变分模态分解算法将原始信号分解并计算每个分量的能量来构成多域特征向量。使用皮尔逊相关系数法对多域特征进行优化，经优化后构成的多域特征矩阵作为模型的输入，通过TCN-LSTM模型有效地学习了所获得的多域特征矩阵与实时刀具磨损之间的复杂关系。最后，在干式铣削条件下进行3组刀具磨损实验对所提出的方法进行了验证。实验结果表明：所提出的方法比对比模型的预测准确率更高，泛化能力更好。     

基于EEMD与CPSO-ELM的车削机床刀具磨损故障检测与识别

鉴于数控车床刀具在机械加工系统中占有重要的地位,故数控车床刀具磨损故障的在线检测与识别具有重要意义。以华中数控车床为研究对象,提出了以平均经验模态分解(EEMD)、混沌粒子群(CPSO)以及核极限学习机(ELM)等方法对车床刀具磨损故障进行诊断。介绍了EEMD、CPSO以及ELM的基本原理和过程;对采集得到的刀具磨损信号进行前期预处理,经EEMD分解后得到IMF分量,以峭度、峰值、均方根值作为一种选取标准,选择包含较多故障信息的几个IMF进行信号重组并计算;将计算结果组成特征向量输入CPSO-ELM、SVM以及BP神经网络等分类器进行故障识别和对比。实验结果表明:对比传统的BP神经网络和SVM分类器,CPSO-ELM分类器具有快速、精确、有效的识别特性,能够有效检测和识别刀具磨损故障。     

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。     

基于改进LSTM-AdaBoost的铣刀磨损量预测

针对铣刀磨损量预测时精度低的问题,提出一种基于黑寡妇算法（BWO）优化的长短期记忆神经网络（LSTM）与AdaBoost集成学习算法相结合的铣刀磨损量预测方法。在铣刀磨损振动信号中提取时域、频域以及时频域多域特征。通过BWO算法优化LSTM的核心参数,并将优化后的LSTM网络与AdaBoost算法进行结合,构建铣刀磨损量预测模型。最后用PHM Society 2010铣刀全寿命周期的振动数据进行实验。研究结果表明：所提方法能够有效地预测出铣刀磨损量变化值,优化后模型的平均绝对误差百分比为3.436%、均方根误差为6.471、决定系数 R2 为0.935。该方法能够获得准确率更高的铣刀磨损量预测值,预测效率更高。     

重型机械设备磨损故障识别研究

本文根据摩擦磨损规律和磨粒特征建立了标准磨粒谱,提出了基于神经网络的磨粒识别 技术,设计了智能磨粒识别系统。诊断实例表明,用神经网络方法可以准确地识别出重型机械设备磨 损故障类型、程度和部位。     

An experimental investigation on monitoring of crater wear in turning using ultrasonic technique

Tool life prediction and tool change strategies are now based on most conservative estimates of tool life from past tool wear data. Hence usually tools are underutilized. In an unmanned factory, this has the effect of increased frequency of the tool changes and therefore increased cost. An ultrasound online monitoring of crater wear of the uncoated carbide insert during the turning operation is presented. The method relies on inducing ultrasound waves in the tool, which are reflected by side flank surface. The amount of reflected energy is correlated with crater wear depth. Various ultrasonic parameters are considered for defining the crater wear and individual contribution of each parameter is analyzed. The ultrasonic parameters, amplitude, pulse width and root mean square (RMS) of the signal are used to quantify the crater depth and width. The power spectrum analysis of received signals shows the importance of frequency components in defining the tool wear. In the presented work, the normalizing of signals are carried out by insert hole, which is provided for clamping. This signal is not influenced by the wear but affected by other factors like tool material variation, improper couplant, temperature, etc. The response of the wear signal is normalized to the response of hole signal by mathematical division. A new approach adaptive neuro-fuzzy inference system (ANFIS) for monitoring of crater in carbide insert is presented. This improves the system accuracy and eliminates the limitation in statistical modeling that was presented in previous studies.     

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HPSO优化BP神经网络的刀具磨损状态识别

针对BP神经网络容易陷入局部极值导致识别精度低的问题,文章提出了一种基于混合粒子群算法(HPSO)的BP神经网络优化算法。在刀具磨损监测实验过程中,采集刀具切削的声发射(AE)信号,利用小波包分解算法对AE信号进行滤波,并进行特征提取。将频带能量特征和切削参数分别作为主特征和辅助特征,并对其对归一化处理。采用混合粒子群优化算法(HPSO)对BP神经网络预测模型进行优化,利用优化后的模型对测试样本进行模式识别,结果表明,优化后的HPSO-BP模型能够有效地降低神经网络陷入局部极值的情况,提高刀具磨损识别精度。     

汽轮机转子轮槽精铣刀磨损状态监测技术研究

为实现汽轮机转子轮槽精刀磨损状态的在线监测,提出一种ARIMA与SVR相结合的刀具磨损量在线监测模型。构建基于ARIMA的信号特征预测模型,根据收集的历史信号数据预测刀具继续加工的信号特征;构建基于SVR的刀具磨损量监测模型,以信号特征为输入得到当前时刻精刀磨损量;将两个模型相结合,可以预测精刀加工下一条轮槽时的磨损量,对精刀下一时刻的状态做出准确判定。基于上述模型,可以为企业换刀时机的选择提供技术支持,最终提高加工质量与加工效率,实现最大经济效益。     

Tool condition monitoring in micromilling based on hierarchical integration of signal measures

This paper presents a tool wear monitoring strategy in micromilling of cold-work tool steel, 50 HRC with a ball endmill d = 0.8 mm. The strategy is based on a large number of AE and cutting forces signal features and a hierarchical algorithm. In the first stage of the algorithm, the tool wear is estimated separately for each signal feature. In the second stage, the results obtained in the first stage, are integrated into the final tool condition evaluation. The obtained results prove that the proposed algorithm enables reliable evaluation of tool wear in spite of strongly disturbed signal features.     

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。