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。     

基于小波模糊神经网络刀具监控系统研究

针对切削过程中振动信号和AE信号的特点,利用小波分析技术提取信号深层特征,建立了新型的基于模糊推理的神经网络模型,该模型能融合振动和AE信号的特征和描述信号特征与刀具状态的非线性关系,以此识别刀具状态。试验表明小波模糊神经网络对提高在线刀具监控系统的可靠性极为有效。     

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。     

基于深度SSDAE网络的刀具磨损状态识别

针对刀具磨损状态识别过程中采集数据量大、干扰信号复杂且需人为选择特征参数的问题,为提高刀具磨损状态识别模型的鲁棒性与泛化性,提出了一种数据驱动下深度堆叠稀疏降噪自编码（stacking sparse denoising auto-encoder,简称SSDAE）网络的刀具磨损状态识别方法,实现隐藏在数据中深层次的数据特征自动挖掘。首先,将原始振动信号分解为一系列固有模态分量（intrinsic mode function,简称IMF）,并采用皮尔逊相关系数法选取了最优固有模态来组合一个新的信号;其次,采用SSDAE网络自适应提取特征后对刀具磨损阶段进行了状态识别,识别精度达到98%;最后,对网络模型进行实验验证,并与最常用的刀具磨损状态识别方法进行了对比。实验结果表明,所提出的方法能够很好地处理非平稳振动信号,对不同刀具磨损阶段状态的识别效果良好,并具有较好的泛化性能和可靠性。     

刀具磨损监测及破损模式的识别

对于金属切削过程中的刀具磨损,提出了基于隐马尔可夫模型的模式识别理论来识别刀具的不同磨损状态,从而预报刀具破损.该方法对切削过程中切削力信号的动态分量和刀柄振动信号进行快速傅里叶变换特征提取,然后利用自组织特征映射对提取的特征矢量进行预分类编码,把矢量编码作为观测序列引入到隐马尔可夫模型中进行机器学习,建立了3个不同磨损状态的隐马尔可夫模型,并利用最大概率进行模式识别.试验表明,该方法对车刀磨损过程进行识别和预报是有效的.     

基于云理论与LS-SVM的刀具磨损识别方法

针对刀具磨损过程中产生声发射信号的不确定性以及神经网络学习算法收敛速度慢、易陷入局部极小值、对特征要求较高等问题,提出了基于云理论和最小二乘支持向量机的刀具磨损状态识别方法。首先,对声发射信号进行小波包分解与重构,滤除干扰频段对求取特征参数的影响;其次,对重构后的信号利用逆向云算法提取云特征参数:期望、熵、超熵,分析刀具磨损声发射信号的云特性及磨损状态与云特征参数之间的关系;最后,将云特征参数组成特征向量送入最小二乘支持向量机进行识别。研究结果表明:所提取的特征可以很好地反映刀具的磨损状态,云-支持向量机方法可以有效地实现刀具磨损状态的识别,与传统神经网络识别方法相比具有更高的识别率,识别率达到96.67%。     

基于神经网络的多特征融合刀具磨损量识别

采用切削力信号监测钻削过程钻头的磨损量 ,分别从时域、频域提取了切削力信号的均值、方差、峭度系数和特定频段能量作为刀具磨损的特征信号 ,讨论了特征信号随着刀具磨损量增加的变化规律 ,并将各个特征信号构成的特征矢量输入多层反传神经网络进行融合 ,实现钻削过程刀具磨损量的智能识别。试验结果表明该方法能有效实现多特征融合 ,但识别精度和推广能力有待进一步提高     

滚动轴承故障信号提取方法的研究

滚动轴承的检测与故障诊断中主要应用的是振动分析法。采集轴承的振动信号,利用信号处理方法提取不同工作状态下信号的特征,通过这些特征,采用模式识别方法识别轴承状态,其中信号特征提取和状态识别是关键。本文研究了滚动轴承振动信号特征提取的主要方法。     

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J-EEMD的刀具磨损状态特征提取技术

在实际刀具状态监测的过程中,通过传感器所直接测得的数据都包含了大量的噪声信号,因此难以从中获取刀具磨损状态的变化规律,这样显然不利于进行模式识别。应用近似联合对角化下的集合经验模态分解(J-EEMD)对观测信号进行处理,基于信号本身特征,自适应地将切削加工中检测得到的振动和声发射信号分解为多个内蕴模式函数(IMF),然后根据各个IMF之间的能量比对变换,提取出了不同磨损状态下的刀具状态特征。实验证明:在该方法对测得数据进行处理的基础上,能够很好地识别出刀具磨损程度的不同状态。     

基于力信号的低频振动制孔刀具磨损状态分析

为分析碳纤维增强树脂基复合材料(CFRP)/钛合金(TC4)叠层材料低频振动制孔工艺下刀具磨损状态,开展基于切削力信号的制孔刀具磨损状态研究.通过采集CFRP/TC4叠层材料低频振动制孔过程中的切削力信号,进行时域和频域分析,探讨各信号特征量与刀具磨损状态之间的联系.研究结果表明:CFRP/TC4叠层材料低频振动制孔轴...     

Tool wear monitoring in drilling using force signals

Utilization of force signals to achieve on-line drill wear monitoring is presented in this paper. A series of experiments were conducted to study the effects of tool wear as well as other cutting parameters on the cutting force signals and to establish the relationship between force signals and tool wear as well as other cutting parameters when drilling copper alloy. These experiments involve four independent variables; spindle rotational speed ranging from 600 to 2400 rev min⁻¹, feed rate ranging from 60 to 200 mm min⁻¹, drill diameter ranging from 5 to 10 mm, and average flank wear ranging from 0.1 to 0.9 mm. A statistical analysis provided good correlation between average thrust and drill flank wear. The relationship between cutting force signals and cutting parameters as well as tool wear is then established. The relationship can then be used for on-line drill flank wear monitoring. Feasibility studies show that the use of force signal for on-line drill flank wear monitoring is feasible.     

基于故障数据库的高速铣削诊断的研究

通过对高速铣削过程中各种铣刀状态下采集的振动信号进行时域、频域分析,对比不同磨损程度刀具的振动信号,找出与刀具状态对应的信号特征。基于LabVIEW平台,开发出在线分析监测系统。由于铣削加工过程的复杂性以及监测系统中得到的特征数据结构复杂、种类繁多,因此将数据库技术应用于在线监测系统中,从而实现对监测系统中数据有效集中管理,提高系统的即时反应速度和运行效率,实现对刀具状态的准确判断。     

基于小波分析的数控刀具状态在线监控系统

提出了一种利用检测进给电机电流实现切削加工过程中刀具破损的在线监控系统.在该系统中,离散小波分析技术被用来实现对电机电流信号的处理,并有效地提取了刀具破损时的特征;探讨了中断型宏指令功能在刀具破损在线监控系统中的应用;经实践证明,利用该监测系统和中断型宏指令,能够实时的识别加工过程刀具的破损,并能及时报警、自动换刀等,机床的故障停机时间大大减少,利用率得到了提高.     

基于声发射技术监测刀具磨损的研究

刀具磨损的研究方法很多,本文针对近些年发展的声发射技术(AE)在监测刀具磨损上的应用,采用理论分析和现场试验的方法进行可行性分析和验证,结果表明:在考察的几个影响声发射信号强度的因素之中,刀具主切削刃后刀面磨损量对其影响最为显著,这为利用AE技术研究刀具磨损提供了可行性依据;通过对铣刀AE信号进行时域振铃分析,清晰再现了刀具在不同时刻的磨损情况。     

Measurement and processing of vibro-acoustic signal from the process of rock disintegration by rotary drilling

The paper is focused on methods aimed at processing of vibro-acoustic signal from the process of rock disintegration by rotary drilling. The idea is to use the measured accompanying vibro-acoustic signal emerging in the process of drilling as an integrating information resource. The process of rock disintegration by rotary drilling is among those technological processes which mathematical modeling based on the known laws of physics does not lead to satisfactory results. Here can be applied an empirical approaches that lead to a model applicable to some limited space. An important feature of the rock disintegration process is its relatively strong stochastic component of the signal. From the above, it is necessary to rise from the selection of suitable processing of measured signal. Measured accompanying vibro-acoustic signal is integrating information sources, containing some information on the nature and mode of the current rock drilling. This signal is explicitly represented in the time domain by its behavior of amplitudes or in the frequency domain by its spectrum. The information contained in this signal may be in the form of defined characteristics of signals in time or frequency domain.     

Logistic回归模型在机床刀具可靠性评估中的应用

刀具系统作为数控装备的一个重要部件,其可靠性必然会影响到整个装备系统的加工效率和稳定性。为有效地识别刀具磨损状态,降低生产成本,保证加工质量,提出一种基于Logistic回归模型的可靠性评估方法。通过试验在线测取车刀加工过程中的振动信号和刀具磨损数据,利用小波包分解、时域统计和相关分析,提取刀具磨损的特征频带和显著能量、时域特征指标,结合刀具状态信息,建立Logistic可靠性评估模型,准确地估计出实际使用刀具的可靠度指标和失效时间,对于变化的失效阈值,评估模型同样有效。该方法将设备运行状态信息引入到性能评估和可靠性分析当中,更能反映设备的时间动态特性,且不需要对设备失效过程和分布函数作过多假设。     

刀具状态的声振多级在线监测模式研究

基于车削过程中刀具磨损声、振信号的时域统计参数分析、相关分析，ＡＲ分析及频谱、倒谱等分析，构建出以主轴转速为第一级判断，信号平均幅值为第二级判断，信号平均幅值与频谱、相关和ＡＲ等特征参数有机组合为第三级判断的多级模式。既具有单一判据模式的快速性，又具有联合判据模式的准确性。     

基于卷积神经网络的刀具磨损在线监测

为了提高刀具磨损在线监测的精度和泛化性能,提出一种基于卷积神经网络的刀具磨损量在线监测模型。利用时域传感器信号对刀具磨损量进行定量分析,避免数据预处理带来的信息丢失;采用深度网络自适应地提取特征,取代传统的人工特征提取过程,并通过加深网络进一步挖掘信号中隐藏的微小特征。实验结果表明,该模型对刀具后刀面磨损量监测效果较好,可以有效避免人为特征提取的局限,精度和泛化性都有一定程度的提高。与相关研究的对比也证实了其可行性和有效性。