基于EMD和SVM的刀具故障诊断

为有效监测刀具在机床中可能出现的故障,提出基于经验模态分解(EMD)和支持向量机(SVM)的一种故障诊断方法。首先用EMD方法将振动信号分解为有限个固有模态函数(IMF),并选取能量较大的IMF进行标量量化得到特征向量,最后将其输入SVM进行测试进而判断故障类型。分析结果表明,基于EMD-SVM的刀具故障方法能够更有效地识别刀具故障状态。     

刀具磨损状态检测方法的分析与验证

为监测机床刀具磨损程度,提出了一种基于小波包理论(WPD)、经验模态分解(EMD)以及支持向量机(SVM)等相结合的刀具故障诊断方法。通过小波包理论工具消除刀具的高频噪声信号,并对去噪后的信号进行模态分解、合成,计算出模态函数(IMF)和EMD分解信号的相关参数。将计算出的信号时域上的特征参数作为支持向量机(SVM)的输入特征向量,完成对刀具故障的检测。实验结果分析表明,该方法可以有效地判断刀具磨损程度,验证了方法的可行性。     

基于EMD-SVM的钛合金铣削过程刀具磨损监测

以硬质合金刀具铣削Ti-6Al-4V为研究对象,提出了一种基于经验模态分解（empirical mode decomposition, 简称EMD）及支持向量机（support vector machine,简称SVM）的刀具磨损阶段识别方法。首先,将原始加速度信号及力信号分解为一系列模态分量（intrinsic mode function,简称IMF）,选择了有效的IMF来组合一个新的信号;其次,计算新信号的多评价指标矩阵,将得到的多指标矩阵（I-kazTM、功率谱熵及均方根）作为输入特征向量,得到了基于线性分类器的刀具磨损识别模型;最后,将检测信号输入模型中进行识别,对刀具磨损阶段的识别精度达到了99.17%。EMD-SVM相较于SVM、BP神经网络及小波包SVM模型,运算时间减少,运算精度提高。实验结果表明,该模式对钛合金铣削过程中的刀具磨损具有良好的识别效果,为刀具磨损状态的监测提供了一种新方法。     

基于SVM信号延拓改进的EEMD方法

为了抑制经验模态分解(empirical mode decomposition,简称EMD)中出现的端点效应和模态混叠现象,在信号组综合经验模态分解(ensemble empirical mode decomposition,简称EEMD)的基础上,从抑制信号干扰和噪声污染影响以及三次样条函数插值拟合误差逐级传播方面,提出利用信号支持向量机(support vector machines,简称SVM)延拓改进EEMD.通过对仿真和实测信号研究,比较了EMD和EEMD的分解,提出改进的EEMD方法不仅减少了虚假模态分量、避免了模态混叠,而且有效抑制了端点效应.与基于镜像延拓改进的EEMD方法比较表明,本研究方法的时频谱更加清晰,虚假模态分量更少,有效解决了端点效应引起的分解失真问题.     

基于EMD和香农熵的刀具磨损故障诊断系统开发

针对机床刀具磨损故障诊断,开发了基于经验模态分解和香农熵进行信号处理的刀具故障诊断系统。在信号处理阶段,对机床加工过程中刀具的振动信号进行经验模态分解,得到若干固有模态函数(IMF),并基于香农熵从分解得到的IMF分量中提取有效分量,去除虚假分量,最后将有效的IMF分量的能量作为特征向量输入向量机(SVM)分类器来识别刀具的磨损状态。经实验验证,该系统能对刀具磨损状态进行准确快速地判断。     

基于混沌理论与SVM的内燃机振动信号趋势预测

针对内燃机振动信号信噪比低且呈非线性、非平稳的特性,提出将经验模态分解(emprical mode decomposition,简称EMD)相空间重构理论与支持向量机(support vector machine,简称SVM)相结合,实现内燃机振动监测数据的建模及预测.首先,将含噪声的振动信号经验模式分解,去掉主要干扰因素所对应的固有模态函数(intrinsic mode function,简称IMF)分量,再将剩余IMF分量进行重构,得到去噪声后振动信号时间序列;然后应用混沌理论,选择合适的嵌入维数和时间延迟对去噪后的振动信号时间序列进行相空间重构;最后采用SVM对其进行建模预测,并与径向基函数(radial basis function,简称RBF)神经网络的预测结果进行比较.试验数据表明,该方法能够预测内燃机振动信号的变化趋势,性能优于传统的分析方法,具有一定的工程实用性.     

基于LMD-PE与SVM机床刀具磨损故障诊断

针对机床刀具磨损故障信号具有信号噪声大、频带混叠以及信噪比低的问题,提出了一种基于局部均值分解(Local Mean Decomposition,LMD)—排列熵(Permutation Entroy,PE)与支持向量机(Support Vector Machines,SVM)的机床刀具磨损故障诊断方法。首先对刀具磨损故障信号进行LMD分解,再根据相关系数去除噪声信号以及由于分解误差所带来的冗余信号后,选取合适的乘积分量(Product Function,PF)进行信号重构,然后将重构后的信号计算排列熵并通过标量量化处理后得到特征向量,最终将特征向量输入到已训练完成的支持向量机中来判别刀具的磨损状态,试验结果验证了该方法对机床刀具磨损故障诊断的有效性和实用性。     

基于EEMD-SVD与SVM的.轴承故障诊断

针对轴承振动信号具有非线性、非平稳性以及故障特征提取困难的问题,提出了一种基于EEMD-SVD与支持向量机的轴承故障诊断方法。首先,利用集成经验模态分解方法将轴承振动信号自适应地分解为多个本征模态函数分量。然后,根据峭度准则选取6个本征模态函数分量,并将其构成的矩阵进行奇异值分解得到特征向量。最后,将特征向量输入支持向量机进行故障诊断。利用凯斯西储大学的轴承数据进行了试验,并与BP神经网络进行了对比,结果验证了本文方法的有效性。     

基于声发射信号的带材剪切刀具磨损在线监测方法

在铁基纳米晶合金带材剪切加工过程中,其刀具的状态对于保证加工质量至关重要。针对铁基纳米晶合金带材剪切加工过程中的刀具磨损状态监测问题,提出了一种基于声发射信号的剪切刀具磨损在线监测方法。首先,通过搭建声发射监测设备确定了相应的参数,采集原始声发射信号进行了预处理,得到了剪切加工阶段的信号,将其用于后续处理;然后,分析了剪切刀具磨损以及带材质量随剪切加工过程变化的关系,并根据剪切加工过程中获取的声发射信号,进行了时域、频域、时频域特征提取,分析了获得的特征与刀具磨损之间的关系,利用ReliefF和主成分分析(PCA)算法进行了特征选择与降维处理,得到了具有良好相关性的特征;最后,基于所选特征,构建了支持向量机(SVM)人工智能模型,用以识别剪切刀具的磨损阶段。研究结果表明：随着刀具磨损的加剧,带材质量下降,声发射信号特征值与刀具磨损存在对应关系;采用ReliefF-PCA-SVM模型能够实现95.56%的分类准确率,能够有效地对剪切加工过程中的刀具磨损进行在线监测。     

用声发射在线监测颤振切削时的刀具磨损

本文研究了一种实现颤振切削自动化的刀具磨损检测方法。实际应用表明，这种方法收到了良好的效果。     

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。     

运用EMD和GA SVM的齿轮故障特征提取与选择

针对齿轮故障特征提取,首先将齿轮箱振动信号进行经验模态分解,得到一组固有模态函数.计算各固有模态函数的能量和矩阵的奇异值,采用Shannon熵和Renyi熵度量能量和奇异值分布,构成原始特征子集.再采用遗传算法和最小二乘支持向量机的Wrapper方法选择最优特征子集.该方法能够利用较少的特征参数集准确判别齿轮故障,提高了齿轮故障诊断的精度与效率.     

基于EMD复杂度特征和SVM的轴承故障诊断研究

针对滚动轴承振动信号的非平稳特性和在现实条件下难以获取大量故障样本的实际情况,提出一种经验模态分解、复杂度测量分析和支持向量机相结合的故障诊断方法.运用经验模态分解方法对其去噪信号进行分析,利用互相关系数准则对固有模式分量进行筛选,再计算所选分量的复杂度以组成故障特征向量,并将其作为支持向量机的输入以识别滚动轴承的故障...     

发动机磨损状态的改进LS—SVM监控研究

介绍最小二乘支持向量机对航空发动机滑油系统铁元素浓度的变化趋势进行预测;并采用遗传算法对最小二乘支持向量机的参数进行优化。通过与时间序列分析的预测结果相比较,仿真实验结果表明：得到的最小二乘支持向量机的预测精度高,具有很好的泛化能力和学习能力。     

基于声发射信号监测的高速准干切削试验研究

声发射信号可以及时地反映出高速切削加工过程中工件和刀具材料的内部缺陷变化和扩展情况.为了对其进行监测和分析,建立了一套基于虚拟仪器的信号采集系统,采集高速切削铝合金加工过程中的声发射信号.对采集到的声发射信号进行小波变换并重构后,发现铝合金切削过程中的声发射信号与切削速度密切相关.随着切削速度的增大,声发射也随着增大.     

基于EMD和SVM的刀具故障诊断方法

为了解决刀具在切削过程中出现的故障,提出了基于经验模态分解(EMD)和支持向量机(SVM)的刀具故障诊断方法.该方法首先将经过标准化的声发射信号进行经验模态分解,将其分解为有限个固有模态函数(IMF)和残余量之和,然后对每个IMF分量通过一定的削减算法增强故障类型特征,计算每个IMF和残余项的能量以及整个信号的削减比作...     

基于粒子群优化的螺纹刀具磨损状态监测模型

螺纹刀具的状态监测是制造加工中非常重要的问题.由于刀具振动信号具有复杂非线性、强耦合等关系,常用的基于支持向量机(SVM)的刀具监测模型由于参数的设置极其依赖人为经验,设置不当会导致监测的识别率不高,在刀具磨损状态判别中收到了限制.针对此难题,依据螺纹刀具的振动特性,结合改进的粒子群算法(PSO),采用异步更新学习因子...     

基于WOA-VMD-SVM数控机床刀具健康状态评价体系的建立

刀具的健康状态直接影响着数控机床的加工性能。对刀具的磨损、破损等健康状态因素进行前期预测和判断,可有效防止因刀具健康状态异常而导致加工质量不稳定等问题。根据刀具在机加工过程中因磨损状况而引起机床机械特性的变化展开分析与研究,即通过采集与刀具健康状态相关联的机床主轴振动信号,并对该信号进行处理和特征提取,建立基于WOA-VMD-SVM刀具健康状态预测识别模型。经实验分析与验证,所建立的模型具有很高的识别准确率,其准确率高达96.8%,高于SVM模型和GA-SVM模型,由此表明该模型能够高效、准确地对刀具磨损状态进行识别和分类。     

基于改进多元多尺度色散熵的齿轮箱多通道振动信号故障诊断

齿轮箱发生故障时,其振动信号具有不平稳和非线性等特征,而常用的齿轮箱故障诊断方法大多是建立在单通道振动信号分析基础上,容易造成故障信息丢失,故而在工业生产中实用性受限。为了克服此缺陷,将多元多尺度色散熵引入到齿轮箱故障诊断当中,并改进其粗粒化方式,提出了改进多元多尺度色散熵,用以提取齿轮箱多通道振动信号的故障信息。在此基础上,提出一种基于集合经验模态分解,改进多元多尺度色散熵和遗传算法优化支持向量机的齿轮箱故障诊断方法。通过实验数据分析,并与多元多尺度样本熵、多元多尺度模糊熵等现有方法相比较,证明该方法具有更高的准确率和稳定性,且在处理短时间序列时具有明显优势。     

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。