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。     

基于四轴联动的立铣刀故障诊断方法优化

针对数控机床上的刀具磨损问题,为了有效检测刀具磨损状态,提出了基于EMD和SVM相结合的刀具故障检测方法。通过设备采集磨损的刀具信号并加以处理,然后利用经验模态分解(EMD)方法分解后再进行信号重组,得出若干个模态函数(IMF);经标量量化处理得出特征向量后,利用支持向量机(SVM)方法完成刀具故障检测。结果表明,该方法能很好地检测出刀具磨损状态,验证了方法的可行性。     

基于长短期记忆神经网络的刀具磨损状态监测

刀具磨损状况的实时检测是目前机床加工状态监测的难点,而对刀具的振动信号分析的常用方法是利用神经网络模型来判断刀具磨损状态。为解决循环神经网络(RNN)模型训练过程中梯度容易消亡的现象,提出基于长短期记忆神经网络的刀具磨损状态在线监测。刀具在进行切削加工时,首先通过加速度传感器采集刀具振动信号,然后对振动信号小波包变换进行分解是让信号通过不同的滤波器进行有条件的选择,由此形成不同的能量值,用作为长短期记忆神经网络的特征输入,从而诊断出刀具磨损状态的3种状态故障;最后利用长短期记忆神经网络模型对处理时间序列的数据有比较好的效果,它可以捕捉长期的依赖关系和非线性动态变化。此外,通过与多层(BP)神经网络和(BP)神经网络故障诊断方法进行比较,结果表明,LSTM网络对刀具磨损状态在线监测更加有效。     

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。     

异型螺杆铣削过程刀具磨损状态检测研究

针对异型螺杆铣削加工，采用振动信号特征值作为检测刀具磨损的参量。利用小波分析构建滤波器组，对振动信号进行多尺度分解和多分辨率逼近，提取出刀具磨损特征信号。特征信号处理结果反映了刀具磨损变化规律，振动幅值大小反映了刀具磨损状况，从而实现了刀具磨损状态在线实时检测。     

基于EEMDFK和注意力CNN网络的刀具磨损状态识别

针对加工数据采集存在数据量大且干扰信号复杂，导致刀具磨损状态识别方式复杂、识别精度低等问题，提出一种基于快速谱峭度图的集合经验模态分量选取(EEMDFK)与注意力机制的卷积神经网络(ACNN)相结合的识别方法。针对集合经验模态存在选取模态分量困难的情况，引用快速谱峭度图选择策略选取最优分量。通过集合经验模式分解从所采集的不同状况下的刀具振动信号分解出故障信号特征；通过快速谱峭度图选择策略选取内在模函数并进行HHT时频分析，生成时频图；将时频图输入所设计的识别模型进行学习，通过注意力机制提高特征提取效率，并使保存的模型在测试集中对不同刀具磨损状态进行了识别。实验结果表明，该方法对刀具不同状态下的识别率可达99.7%,实现了不同磨损状态下刀具的智能识别，并具有较好的泛化能力和鲁棒性。     

刀具声发射信号的组合去噪及特征分析

针对刀具切削加工过程产生的声发射信号进行噪音滤除,以有效监测刀具磨损情况,提高工件加工质量。研究形态滤波与集合平均经验模态分解(EEMD)的有效组合方法,在时域和频域对信号进行降噪处理。首先采用加权级联形态滤波,滤除声发射信号的尖峰脉冲干扰;进而采用EEMD分解处理后的信号,计算所得本征模态分量(IMF)的相关性以去除虚假分量,达到去噪效果。仿真实例分别对模拟加噪声发射信号和实测刀具声发射信号进行处理,并提取去噪前后信号频率特征进行比较,仿真结果说明了此方法的有效性。     

BFA优化EEMD的刀具故障诊断

为了准确识别刀具磨损状态,提出一种细菌觅食算法(BFA)优化集合经验模态分解(EEMD)并与隐马尔可夫模型(HMM)结合的刀具故障诊断方法。首先利用BFA优化EEMD的白噪声幅值系数和总体平均次数,通过设置优化得到的最优参数,将降噪后的信号经EEMD分解为一系列本征模态分量(IMF);再依据峭度和相关系数重构信号;最后从重构信号中提取特征向量作为观测序列输入已训练好的HMM分类器中进行故障诊断。通过对刀具实验数据的分析,验证了此方法的可靠性和准确性。     

基于主轴电流和振动信号的数控机床刀具磨损在线预测

为了实现数控机床加工过程中刀具磨损状态的在线预测，提高数控机床智能化水平，提出一种基于主轴电流和振动信号的数控机床刀具磨损在线预测方法。这一在线预测方法采集能够反映刀具磨损状态的主轴电流和振动信号，对信号进行频域、时频分析处理，采用小波包分解和经验模态分解两种方法进行特征提取，得到与刀具磨损状态变化密切相关的特征值，按照递增或递减趋势进行保序回归操作，使用指数平滑方法进行平滑处理，由此建立基于遗传算法参数寻优的支持向量回归模型，用于预测刀具磨损量。试验及应用表明，应用这一在线预测方法，刀具磨损预测的平均误差在25μm以内，满足企业加工要求。