CN103962888A - 一种基于小波去噪和希尔伯特-黄变换的刀具磨损监测方法 - Google Patents
一种基于小波去噪和希尔伯特-黄变换的刀具磨损监测方法 Download PDFInfo
- Publication number
- CN103962888A CN103962888A CN201410198303.9A CN201410198303A CN103962888A CN 103962888 A CN103962888 A CN 103962888A CN 201410198303 A CN201410198303 A CN 201410198303A CN 103962888 A CN103962888 A CN 103962888A
- Authority
- CN
- China
- Prior art keywords
- signal
- hilbert
- wear
- intrinsic mode
- mode functions
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
- B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
- B23Q17/0957—Detection of tool breakage
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
- B23Q17/0995—Tool life management
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
- B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
- B23Q17/0971—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining by measuring mechanical vibrations of parts of the machine
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/12—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring vibration
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提出了一种基于小波去噪和希尔伯特-黄变换的刀具磨损监测方法,进行小波去噪的基础上利用希尔伯特-黄变换方法对机床运转过程中采集的信号进行分析,从EMD分解得到的每个IMF分量的振幅均值入手,和经希尔伯特变换所得到的时频谱和边际谱入手,对比刀具正常状态和磨损状态,获取特征明显,该方法所具有的自适应性远远要高于其它特征提取方法,并克服了高频率分辨率不足,同时该信号特征还保留了原始信号特征中所包含的所有物理意义。
Description
技术领域
本发明涉及信号处理技术的相关领域,特别是振动信号处理,是一种基于小波去噪和希尔伯特-黄变换的刀具磨损监测方法。
背景技术
在现代化的制造系统中,为了保障高投资自动化加工设备的安全和加工质量,迫切需要解决加工过程中的监控问题。刀具状态变化是机械加工过程中最常见的故障之一。由于加工条件的多样性、切削参数的多变性以及刀具磨损等因素使得刀具的状态监测成为整个生产过程监测的重要环节,刀具状态监测技术是在现代传感器技术、信号处理技术、计算机技术和制造技术基础上发展起来的新兴技术,它对于推动加工过程自动化和无人化发展具有极其重要的作用。
特征提取是对监测信号的进一步加工处理,通常处于故障诊断及故障分类的前级,从大量信号中提取与刀具状态变化相关的特征参数。特征参数的品质对监测系统的性能和可靠性具有重要的影响作用.特征提取可以提高信号的信噪比,减少后期数据的处理量,提高运算速度。目前广泛使用的特征提取方法主要有时域分析方法(均值、差值、相关系数、导数值等)、频域分析方法(FFF、功率谱等)和时频分析方法(短时FFT、小波分析)。
现有的傅立叶变换、短时傅立叶变换、小波变换等信号处理方法都受Heisenberg测不准原理制约,同时由于小波基函数的长度有限,在对信号进行小波变换时会产生能量泄漏,从而要对信号能量相对时间和频率的分布进行精确分析就会有较大的困难。同时小波变换不具有自适应性:一方面,一旦选定了小波基函数,那么就必须用这种小波基函数分析所有的数据;另一方面,选定了分解尺度,所得到的结果是某一固定频率段的时域波形,所包含的频率只与信号的分析频率有关,而与信号本身无关。
发明内容
技术方案
自从HHT方法(Hilbert-Huang变换/希尔伯特-黄变换)提出以来,在相关的领域也取得了一系列的应用,它对非平稳信号的处理有较强的适应性,从很大程度上弥补了传统的时频分析方法的不足。由于HHT方法自身良好的自适应性和高频率分辨率的特点,使得它比传统的时频分析方法更优越,因而具有更好的应用前景和更广的应用空间。本发明提出了一种在小波去噪的基础上利用希尔伯特-黄变换对振动信号进行处理方法,能够克服在信号变换时产生的能量泄露以及自适应不足的问题,能够对信号能量相对时间和频率的分布进行精确分析。
本发明的技术方案为:
所述一种基于小波去噪和希尔伯特-黄变换的刀具磨损监测方法,其特征在于:采用以下步骤:
步骤1:采集若干组同一类型刀具在运行过程中三个时间段的振动信号,三个时间段分别对应刀具的初期磨损、正常磨损和严重磨损;三个时间段的采样时间相同;不同组同一类型刀具的运行过程中的切削参数不同;对采集的不同组的振动信号进行如下处理,得到振动信号的IMF分量:
步骤1.1:采用小波阈值去噪方法对采集的振动信号sd(t)进行处理,得到阈值去噪后的估计信号xd(t);d取1,2,3,分别对应初期磨损、正常磨损和严重磨损三个时间段;
步骤1.2:对信号xd(t)进行EMD分解:确定信号xd(t)所有的极大值点与极小值点,分别拟合极大值点以及极小值点,得到信号的上包络线和下包络线;计算得到上包络线和下包络线的平均曲线;
步骤1.3:根据步骤1.2得到的平均曲线,采用筛分原理将信号xd(t)分解并得到有限个本征模函数IMF和残余函数RES:
其中为第i个本征模函数,为残余函数,n为本征模函数的个数;
步骤2:对不同组的三个时间段振动信号的每个本征模函数IMF进行HHT变换,分别得到不同组的三个时间段振动信号的希尔伯特时频幅值谱,对希尔伯特时频幅值谱进行时间上的积分得到对应的希尔伯特边际谱;
步骤3:以一个时间段振动信号中K个与磨损相关的本征模函数IMF的振幅均值以及对应的希尔伯特边际谱最大幅值点作为特征向量;选择M组初期磨损时间段的特征向量、M组正常磨损时间段的特征向量、M组严重磨损时间段的特征向量组成神经网络的输入矢量P,构建神经网络的输出矢量T反映刀具初期磨损、正常磨损、严重磨损三种状态,建立神经网络分类器;
其中本征模函数IMF的振幅均值采用以下公式得到:
其中为第i个本征模函数的采样点个数,表示第i个本征模函数的第k个分量;所述与磨损相关的本征模函数IMF指满足公式和的本征模函数IMF;
步骤4:采集待监测刀具的振动信号,并进行如下处理:
步骤4.1:采用小波阈值去噪方法对待监测刀具的振动信号进行处理,得到阈值去噪后的待监测估计信号;
步骤4.2:对待监测估计信号进行EMD分解;并采用筛分原理将待监测估计信号分解得到有限个本征模函数IMF和残余函数RES;
步骤4.3:对待监测估计信号的每个本征模函数IMF进行HHT变换,得到对应的希尔伯特时频幅值谱,对希尔伯特时频幅值谱进行时间上的积分得到对应的希尔伯特边际谱;
步骤4.4:以待监测估计信号的K个与磨损相关的本征模函数IMF的振幅均值以及对应的希尔伯特边际谱最大幅值点作为特征向量;输入到步骤3建立的神经网络分类器;得到输出矢量以判断待监测刀具的磨损状态。
进一步的优选方案:所述一种基于小波去噪和希尔伯特-黄变换的刀具磨损监测方法,其特征在于:步骤1.2中采用三次样条分别拟合极大值点以及极小值点。
有益效果
本发明提出的方法在进行小波去噪的基础上利用希尔伯特-黄变换方法对机床运转过程中采集的信号进行分析,从EMD分解得到的每个IMF分量的振幅均值入手,和经希尔伯特变换所得到的时频谱和边际谱入手,对比刀具正常状态和磨损状态,获取特征明显,该方法所具有的自适应性远远要高于其它特征提取方法,并克服了高频率分辨率不足,同时该信号特征还保留了原始信号特征中所包含的所有物理意义。
附图说明
图1为该方法整体流程图;
图2.1为初期磨损状态下的信号和小波去噪后的信号;
图2.2为正常磨损状态下的信号和小波去噪后的信号;
图2.3为严重磨损状态下的信号和小波去噪后的信号;
图3.1为初期磨损状态下经EMD分解后的本征模函数;
图3.2为正常磨损状态下经EMD分解后的本征模函数;
图3.3为严重磨损状态下经EMD分解后的本征模函数;
图4为初期磨损、正常磨损和严重磨损状态下的每个本征模函数IMF振幅均值;
图5.1为初期磨损状态下的希尔伯特边际谱;
图5.2为正常磨损状态下的希尔伯特边际谱;
图5.3为严重磨损状态下的希尔伯特边际谱。
具体实施方式
本实施例中的一种基于小波去噪和希尔伯特-黄变换的刀具磨损监测方法,采用以下步骤:
步骤1:采集若干组同一类型刀具在运行过程中三个时间段的振动信号,三个时间段分别对应刀具的初期磨损、正常磨损和严重磨损;三个时间段的采样时间相同;不同组同一类型刀具的运行过程中的切削参数不同。
本实施例中利用正交试验法,根据切削三要素和刀具磨损量指定方案,如表1和表2,分别设置铣床切削参数,即主轴转速,进给速度,切削深度,利用振动传感器对机床运转过程中刀具初期磨损、正常磨损和严重磨损状态(规定刀具磨损量0~0.05为出其磨损,0.05~0.3mm为正常磨损,当大于0.3mm时为严重磨损)分别采集16组振动信号。
表1因素水平表(三因素四水平)
表2正交试验表(L1645取前三列)
试验号 | V | f | ap | 试验方案(v、f、ap) |
1 | 1 | 1 | 1 | 600、5、1 |
2 | 1 | 2 | 2 | 600、7.5、0.8 |
3 | 1 | 3 | 3 | 600、12.5、0.6 |
4 | 1 | 4 | 4 | 600、10、0.4 |
5 | 2 | 1 | 2 | 400、5、0.8 |
6 | 2 | 2 | 1 | 400、7.5、1 |
7 | 2 | 3 | 4 | 400、12.5、0.4 |
8 | 2 | 4 | 3 | 400、10、0.6 |
9 | 3 | 1 | 3 | 800、5、0.6 |
10 | 3 | 2 | 4 | 800、7.5、0.4 |
11 | 3 | 3 | 1 | 800、12.5、1 |
12 | 3 | 4 | 2 | 800、10、0.8 |
13 | 4 | 1 | 4 | 1000、5、0.4 |
14 | 4 | 2 | 3 | 1000、7.5、0.6 |
15 | 4 | 3 | 2 | 1000、12.5、0.8 |
16 | 4 | 4 | 1 | 1000、10、1 |
对采集的不同组的振动信号进行如下处理,得到振动信号的IMF分量:
步骤1.1:采用小波阈值去噪方法对采集的振动信号sd(t)进行处理,得到阈值去噪后的估计信号xd(t);d取1,2,3,分别对应初期磨损、正常磨损和严重磨损三个时间段。
小波阈值去噪方法原理是对采集的信号sd(t)进行离散小波变换(DWT),得到各尺度小波系数wj,k,由于小波域内其能量主要集中在有限的几个系数中,而噪声的能量却分布于整个小波域内,因此经小波分解后,信号的小波变换系数要大于噪声的小波变换系数,于是可以找到一个合适的数λ作为阈值(门限),当wj,k小于该阈值时,认为这时的wj,k主要是由噪声引起的;当wj,k大于该阈值时,认为这时的wj,k主要是由信号引起的,由此而实现了信噪的分离。因此对小波系数wj,k进行阈值处理,得出估计小波系数使达到最小,因为信号是由原始信号和噪声信号构成的,其中uj,k则为原始信号经小波离散变换所得到的小波系数,利用进行小波重构,得到信号sd(t)的估计信号xd(t),完成对原始信号去噪,上述过程完全可以利用matlab中小波分析工具箱完成。本实施例将采集的信号经过数据采集卡传输到计算机中,并用matlab软件对其进行小波去噪,如图2.1、2.2和2.3所示。
步骤1.2:对信号xd(t)进行EMD分解:确定信号xd(t)所有的极大值点与极小值点,通过三次样条分别拟合极大值点以及极小值点,得到信号的上包络线和下包络线;计算得到上包络线和下包络线的平均曲线。
步骤1.3:根据步骤1.2得到的平均曲线,采用筛分原理将信号xd(t)分解并得到有限个本征模函数IMF和残余函数RES:
其中为第i个本征模函数,为残余函数,n为本征模函数的个数;如图3.1、图3.2和图3.3分别为初期磨损,正常磨损,严重磨损状态下的EMD分解。
步骤2:对不同组的三个时间段振动信号的每个本征模函数IMF进行HHT变换(文献:屈梁生,张西宁,沈玉娣.机械故障诊断理论与方法[M].西安:西安交通大学出版社,2009:131-133.);分别得到不同组的三个时间段振动信号的希尔伯特时频幅值谱,对希尔伯特时频幅值谱进行时间上的积分得到对应的希尔伯特边际谱;绘制如图5.1、5.2和5.3,通过比较三种磨损状态下边际谱,可以发现,随着刀具磨损的加剧,边际谱中最大幅值点随着磨损的加剧也在逐渐增大且严重磨损状态下的增幅明显,故我们可以将边际谱中最大幅值点作为刀具磨损的特征进行记录。
步骤3:以一个时间段振动信号中K个与磨损相关的本征模函数IMF的振幅均值以及对应的希尔伯特边际谱最大幅值点作为特征向量;选择M组初期磨损时间段的特征向量、M组正常磨损时间段的特征向量、M组严重磨损时间段的特征向量组成神经网络的输入矢量P,构建神经网络的输出矢量T反映刀具初期磨损、正常磨损、严重磨损三种状态,建立神经网络分类器;
其中本征模函数IMF的振幅均值采用以下公式得到:
其中为第i个本征模函数的采样点个数,表示第i个本征模函数的第k个分量;所述与磨损相关的本征模函数IMF指满足公式和的本征模函数IMF;
把每阶IMF振幅平均值求出,并绘制如图4,比较初期磨损,正常磨损和严重磨损状态,发现IMF3、IMF4、IMF5、IMF6振幅均值随着磨损的加剧也在增大,且增幅明显,而其他的IMF分量变化不大,增幅不明显,满足公式和故我们可以将IMF3、IMF4、IMF5、IMF6的振幅均值记录,作为刀具磨损的敏感特征,即与磨损相关的IMF分量。
以本征模函数IMF3、IMF4、IMF5、IMF6分量的振幅均值(结合图4)和边际谱最大幅值点为特征向量(结合图3.1、图3.2和图3.3),从不同状态下的16组信号中分别随机选取3组特征向量作为训练样本,一共9组输入特征参数构成的输入矢量P,设置反映刀具3种磨损状态的输出矢量T,利用matlab进行神经网络训练,最终建立神经网络分类器,以便对刀具磨损的状态进行识别。
步骤4:采集待监测刀具的振动信号,并进行如下处理:
步骤4.1:采用小波阈值去噪方法对待监测刀具的振动信号进行处理,得到阈值去噪后的待监测估计信号;
步骤4.2:对待监测估计信号进行EMD分解;并采用筛分原理将待监测估计信号分解得到有限个本征模函数IMF和残余函数RES;
步骤4.3:对待监测估计信号的每个本征模函数IMF进行HHT变换,得到对应的希尔伯特时频幅值谱,对希尔伯特时频幅值谱进行时间上的积分得到对应的希尔伯特边际谱;
步骤4.4:以待监测估计信号的K个与磨损相关的本征模函数IMF的振幅均值以及对应的希尔伯特边际谱最大幅值点作为特征向量;输入到步骤3建立的神经网络分类器;得到输出矢量以判断待监测刀具的磨损状态。
尽管这些分析结果不是线性的,但他们的区别足够训练任何的神经网络分类器来对刀具磨损状态进行分类。因此,基于小波去噪和希尔伯特黄变换的振动信号分析也可以作为刀具磨损监测的一种简单和可靠地方法。
Claims (2)
1.一种基于小波去噪和希尔伯特-黄变换的刀具磨损监测方法,其特征在于:采用以
下步骤:
步骤1:采集若干组同一类型刀具在运行过程中三个时间段的振动信号,三个时间段分别对应刀具的初期磨损、正常磨损和严重磨损;三个时间段的采样时间相同;不同组同一类型刀具的运行过程中的切削参数不同;对采集的不同组的振动信号进行如下处理,得到振动信号的IMF分量:
步骤1.1:采用小波阈值去噪方法对采集的振动信号sd(t)进行处理,得到阈值去噪后的估计信号xd(t);d取1,2,3,分别对应初期磨损、正常磨损和严重磨损三个时间段;
步骤1.2:对信号xd(t)进行EMD分解:确定信号xd(t)所有的极大值点与极小值点,分别拟合极大值点以及极小值点,得到信号的上包络线和下包络线;计算得到上包络线和下包络线的平均曲线;
步骤1.3:根据步骤1.2得到的平均曲线,采用筛分原理将信号xd(t)分解并得到有限个本征模函数IMF和残余函数RES:
其中为第i个本征模函数,为残余函数,n为本征模函数的个数;
步骤2:对不同组的三个时间段振动信号的每个本征模函数IMF进行HHT变换,分别得到不同组的三个时间段振动信号的希尔伯特时频幅值谱,对希尔伯特时频幅值谱进行时间上的积分得到对应的希尔伯特边际谱;
步骤3:以一个时间段振动信号中K个与磨损相关的本征模函数IMF的振幅均值以及对应的希尔伯特边际谱最大幅值点作为特征向量;选择M组初期磨损时间段的特征向量、M组正常磨损时间段的特征向量、M组严重磨损时间段的特征向量组成神经网络的输入矢量P,构建神经网络的输出矢量T反映刀具初期磨损、正常磨损、严重磨损三种状态,建立神经网络分类器;
其中本征模函数IMF的振幅均值采用以下公式得到:
其中为第i个本征模函数的采样点个数,表示第i个本征模函数的第k个分量;所述与磨损相关的本征模函数IMF指满足公式和的本征模函数IMF;
步骤4:采集待监测刀具的振动信号,并进行如下处理:
步骤4.1:采用小波阈值去噪方法对待监测刀具的振动信号进行处理,得到阈值去噪后的待监测估计信号;
步骤4.2:对待监测估计信号进行EMD分解;并采用筛分原理将待监测估计信号分解得到有限个本征模函数IMF和残余函数RES;
步骤4.3:对待监测估计信号的每个本征模函数IMF进行HHT变换,得到对应的希尔伯特时频幅值谱,对希尔伯特时频幅值谱进行时间上的积分得到对应的希尔伯特边际谱;
步骤4.4:以待监测估计信号的K个与磨损相关的本征模函数IMF的振幅均值以及对应的希尔伯特边际谱最大幅值点作为特征向量;输入到步骤3建立的神经网络分类器;得到输出矢量以判断待监测刀具的磨损状态。
2.根据权利要求1所述一种基于小波去噪和希尔伯特-黄变换的刀具磨损监测方法,
其特征在于:步骤1.2中采用三次样条分别拟合极大值点以及极小值点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410198303.9A CN103962888A (zh) | 2014-05-12 | 2014-05-12 | 一种基于小波去噪和希尔伯特-黄变换的刀具磨损监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410198303.9A CN103962888A (zh) | 2014-05-12 | 2014-05-12 | 一种基于小波去噪和希尔伯特-黄变换的刀具磨损监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103962888A true CN103962888A (zh) | 2014-08-06 |
Family
ID=51233148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410198303.9A Pending CN103962888A (zh) | 2014-05-12 | 2014-05-12 | 一种基于小波去噪和希尔伯特-黄变换的刀具磨损监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103962888A (zh) |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104786101A (zh) * | 2015-04-29 | 2015-07-22 | 常州信息职业技术学院 | 立铣切削颤振的监测方法 |
CN105196114A (zh) * | 2015-11-05 | 2015-12-30 | 西安科技大学 | 基于小波分析和神经网络的刀具磨损实时在线监测方法 |
CN105834835A (zh) * | 2016-04-26 | 2016-08-10 | 天津大学 | 一种基于多尺度主元分析的刀具磨损在线监测方法 |
CN105834834A (zh) * | 2016-04-21 | 2016-08-10 | 四川大学 | 基于果蝇优化算法的铣刀磨损状态监测方法 |
CN106002490A (zh) * | 2016-05-12 | 2016-10-12 | 西北工业大学 | 基于刀位轨迹和冗余剔除的铣削工件粗糙度监测方法 |
CN106096074A (zh) * | 2016-05-23 | 2016-11-09 | 长春理工大学 | 一种基于希尔伯特‑黄变换的机械构件残余应力检测方法 |
CN104266796B (zh) * | 2014-09-19 | 2017-01-04 | 华北电力大学 | 电站锅炉压力管道微弱泄漏信号检测方法 |
CN106363463A (zh) * | 2016-08-15 | 2017-02-01 | 大连理工大学 | 基于占能比的铣削加工颤振在线监测方法 |
CN106485073A (zh) * | 2016-10-12 | 2017-03-08 | 浙江理工大学 | 一种磨床故障诊断方法 |
CN107263211A (zh) * | 2017-05-26 | 2017-10-20 | 温州大学 | 一种基于多传感融合的刀具状态监测方法 |
CN107378641A (zh) * | 2017-08-23 | 2017-11-24 | 东北电力大学 | 一种基于图像特征和lltsa算法的刀具磨损状态监测方法 |
CN107738140A (zh) * | 2017-09-30 | 2018-02-27 | 深圳吉兰丁智能科技有限公司 | 一种监控刀具状态的方法、系统以及处理设备 |
CN108427841A (zh) * | 2018-03-12 | 2018-08-21 | 华中科技大学 | 一种数控机床刀具剩余寿命实时预测方法 |
TWI640390B (zh) * | 2017-03-24 | 2018-11-11 | 國立成功大學 | 刀具磨耗監測與預測方法 |
CN108955534A (zh) * | 2018-05-15 | 2018-12-07 | 天津工业大学 | 一种纱管智能检测与评价方法 |
CN109158953A (zh) * | 2018-09-04 | 2019-01-08 | 温州大学激光与光电智能制造研究院 | 一种刀具磨损状态在线监测方法及系统 |
CN109359633A (zh) * | 2018-12-10 | 2019-02-19 | 西北工业大学 | 基于希尔伯特-黄变换和小波脊线的信号联合分类方法 |
CN109514349A (zh) * | 2018-11-12 | 2019-03-26 | 西安交通大学 | 基于振动信号和Stacking集成模型的刀具磨损状态监测方法 |
CN110059639A (zh) * | 2019-04-22 | 2019-07-26 | 桂林电子科技大学 | 一种基于分数阶小波变换和希尔伯特黄变换的跳频信号检测方法 |
CN110125802A (zh) * | 2019-04-17 | 2019-08-16 | 郑州磨料磨具磨削研究所有限公司 | 一种超硬材料砂轮微小磨损量的在线检测方法及系统 |
CN110712066A (zh) * | 2019-10-22 | 2020-01-21 | 湖南工学院 | 适用于深孔内螺纹加工中刀具状态的监测方法 |
CN111251187A (zh) * | 2020-01-16 | 2020-06-09 | 华中科技大学 | 一种叶片磨削烧伤信息融合与特征提取方法及装置 |
CN111325112A (zh) * | 2020-01-31 | 2020-06-23 | 贵州大学 | 基于深度门控循环单元神经网络的刀具磨损状态监测方法 |
CN111331429A (zh) * | 2020-03-12 | 2020-06-26 | 中国民航大学 | 基于小波包能量分析的刀具磨损状态监测方法及装置 |
CN111461461A (zh) * | 2020-04-29 | 2020-07-28 | 中国水利水电科学研究院 | 一种水利工程异常检测方法及系统 |
CN111666892A (zh) * | 2020-06-08 | 2020-09-15 | 西南交通大学 | 一种基于经验小波希尔伯特变换的电力机车空转识别方法 |
CN112077670A (zh) * | 2020-09-16 | 2020-12-15 | 重庆大学 | 一种数控机床刀具磨损状态实时监测方法 |
CN112621382A (zh) * | 2020-12-17 | 2021-04-09 | 北京工业大学 | 基于切削振动阻尼特性的在线刀具磨损监测方法 |
CN112720071A (zh) * | 2021-01-27 | 2021-04-30 | 赛腾机电科技(常州)有限公司 | 多能域信号智能化融合的刀具实时状态监测指标构造方法 |
CN113723213A (zh) * | 2021-08-06 | 2021-11-30 | 武汉理工大学 | 一种基于Hilbert曲线编码实现地铁振动信号降噪训练的方法 |
CN114871850A (zh) * | 2022-04-22 | 2022-08-09 | 浙江大学 | 一种基于振动信号和bp神经网络的刀具磨损状态评估方法 |
CN115597901A (zh) * | 2022-12-13 | 2023-01-13 | 江苏中云筑智慧运维研究院有限公司(Cn) | 一种桥梁伸缩缝损伤的监测方法 |
CN116087018A (zh) * | 2022-12-14 | 2023-05-09 | 常州市大成真空技术有限公司 | 一种涂布机的磨损检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101670533A (zh) * | 2009-09-25 | 2010-03-17 | 南京信息工程大学 | 基于工件加工表面图像分析的刀具磨损状态评价方法 |
CN102073300A (zh) * | 2010-12-28 | 2011-05-25 | 华中科技大学 | 一种数控加工状态自学习的刀具磨损监控系统 |
CN102091972A (zh) * | 2010-12-28 | 2011-06-15 | 华中科技大学 | 一种数控机床刀具磨损监测方法 |
CN102176217A (zh) * | 2010-12-20 | 2011-09-07 | 西安瑞特快速制造工程研究有限公司 | 一种基于Logistic模型的数控机床刀具可靠性评估方法 |
CN102765010A (zh) * | 2012-08-24 | 2012-11-07 | 常州大学 | 刀具破磨损状态检测方法及其检测系统 |
CN103105820A (zh) * | 2012-05-22 | 2013-05-15 | 华中科技大学 | 一种数控机床切削加工的刀具磨损状态识别方法 |
CN103674511A (zh) * | 2013-03-18 | 2014-03-26 | 北京航空航天大学 | 一种基于emd-svd与mts的机械磨损件性能评估与预测方法 |
-
2014
- 2014-05-12 CN CN201410198303.9A patent/CN103962888A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101670533A (zh) * | 2009-09-25 | 2010-03-17 | 南京信息工程大学 | 基于工件加工表面图像分析的刀具磨损状态评价方法 |
CN102176217A (zh) * | 2010-12-20 | 2011-09-07 | 西安瑞特快速制造工程研究有限公司 | 一种基于Logistic模型的数控机床刀具可靠性评估方法 |
CN102073300A (zh) * | 2010-12-28 | 2011-05-25 | 华中科技大学 | 一种数控加工状态自学习的刀具磨损监控系统 |
CN102091972A (zh) * | 2010-12-28 | 2011-06-15 | 华中科技大学 | 一种数控机床刀具磨损监测方法 |
CN103105820A (zh) * | 2012-05-22 | 2013-05-15 | 华中科技大学 | 一种数控机床切削加工的刀具磨损状态识别方法 |
CN102765010A (zh) * | 2012-08-24 | 2012-11-07 | 常州大学 | 刀具破磨损状态检测方法及其检测系统 |
CN103674511A (zh) * | 2013-03-18 | 2014-03-26 | 北京航空航天大学 | 一种基于emd-svd与mts的机械磨损件性能评估与预测方法 |
Non-Patent Citations (2)
Title |
---|
王希,等: "干切削过程刀具磨损、破损监测与分析", 《机械科学与技术》, vol. 28, no. 3, 30 March 2009 (2009-03-30), pages 350 - 355 * |
申志刚,等: "高速硬铣削加工刀具磨损监测研究", 《中国机械工程》, vol. 20, no. 13, 15 July 2009 (2009-07-15), pages 1582 - 1586 * |
Cited By (51)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104266796B (zh) * | 2014-09-19 | 2017-01-04 | 华北电力大学 | 电站锅炉压力管道微弱泄漏信号检测方法 |
CN104786101A (zh) * | 2015-04-29 | 2015-07-22 | 常州信息职业技术学院 | 立铣切削颤振的监测方法 |
CN105196114A (zh) * | 2015-11-05 | 2015-12-30 | 西安科技大学 | 基于小波分析和神经网络的刀具磨损实时在线监测方法 |
CN105834834A (zh) * | 2016-04-21 | 2016-08-10 | 四川大学 | 基于果蝇优化算法的铣刀磨损状态监测方法 |
CN105834835B (zh) * | 2016-04-26 | 2018-06-19 | 天津大学 | 一种基于多尺度主元分析的刀具磨损在线监测方法 |
CN105834835A (zh) * | 2016-04-26 | 2016-08-10 | 天津大学 | 一种基于多尺度主元分析的刀具磨损在线监测方法 |
CN106002490A (zh) * | 2016-05-12 | 2016-10-12 | 西北工业大学 | 基于刀位轨迹和冗余剔除的铣削工件粗糙度监测方法 |
CN106096074A (zh) * | 2016-05-23 | 2016-11-09 | 长春理工大学 | 一种基于希尔伯特‑黄变换的机械构件残余应力检测方法 |
CN106096074B (zh) * | 2016-05-23 | 2019-06-18 | 长春理工大学 | 一种基于希尔伯特-黄变换的机械构件残余应力检测方法 |
CN106363463A (zh) * | 2016-08-15 | 2017-02-01 | 大连理工大学 | 基于占能比的铣削加工颤振在线监测方法 |
CN106363463B (zh) * | 2016-08-15 | 2019-05-28 | 大连理工大学 | 基于占能比的铣削加工颤振在线监测方法 |
CN106485073A (zh) * | 2016-10-12 | 2017-03-08 | 浙江理工大学 | 一种磨床故障诊断方法 |
TWI640390B (zh) * | 2017-03-24 | 2018-11-11 | 國立成功大學 | 刀具磨耗監測與預測方法 |
CN107263211A (zh) * | 2017-05-26 | 2017-10-20 | 温州大学 | 一种基于多传感融合的刀具状态监测方法 |
CN107378641B (zh) * | 2017-08-23 | 2019-02-01 | 东北电力大学 | 一种基于图像特征和lltsa算法的刀具磨损状态监测方法 |
CN107378641A (zh) * | 2017-08-23 | 2017-11-24 | 东北电力大学 | 一种基于图像特征和lltsa算法的刀具磨损状态监测方法 |
CN107738140A (zh) * | 2017-09-30 | 2018-02-27 | 深圳吉兰丁智能科技有限公司 | 一种监控刀具状态的方法、系统以及处理设备 |
CN108427841A (zh) * | 2018-03-12 | 2018-08-21 | 华中科技大学 | 一种数控机床刀具剩余寿命实时预测方法 |
CN108427841B (zh) * | 2018-03-12 | 2020-09-18 | 华中科技大学 | 一种数控机床刀具剩余寿命实时预测方法 |
CN108955534A (zh) * | 2018-05-15 | 2018-12-07 | 天津工业大学 | 一种纱管智能检测与评价方法 |
CN108955534B (zh) * | 2018-05-15 | 2020-02-07 | 天津工业大学 | 一种纱管智能检测与评价方法 |
CN109158953B (zh) * | 2018-09-04 | 2019-07-02 | 温州大学激光与光电智能制造研究院 | 一种刀具磨损状态在线监测方法及系统 |
CN109158953A (zh) * | 2018-09-04 | 2019-01-08 | 温州大学激光与光电智能制造研究院 | 一种刀具磨损状态在线监测方法及系统 |
CN109514349A (zh) * | 2018-11-12 | 2019-03-26 | 西安交通大学 | 基于振动信号和Stacking集成模型的刀具磨损状态监测方法 |
CN109514349B (zh) * | 2018-11-12 | 2020-05-22 | 西安交通大学 | 基于振动信号和Stacking集成模型的刀具磨损状态监测方法 |
CN109359633A (zh) * | 2018-12-10 | 2019-02-19 | 西北工业大学 | 基于希尔伯特-黄变换和小波脊线的信号联合分类方法 |
CN109359633B (zh) * | 2018-12-10 | 2021-12-07 | 西北工业大学 | 基于希尔伯特-黄变换和小波脊线的信号联合分类方法 |
CN110125802A (zh) * | 2019-04-17 | 2019-08-16 | 郑州磨料磨具磨削研究所有限公司 | 一种超硬材料砂轮微小磨损量的在线检测方法及系统 |
CN110125802B (zh) * | 2019-04-17 | 2020-12-01 | 郑州磨料磨具磨削研究所有限公司 | 一种超硬材料砂轮微小磨损量的在线检测方法及系统 |
CN110059639A (zh) * | 2019-04-22 | 2019-07-26 | 桂林电子科技大学 | 一种基于分数阶小波变换和希尔伯特黄变换的跳频信号检测方法 |
CN110712066A (zh) * | 2019-10-22 | 2020-01-21 | 湖南工学院 | 适用于深孔内螺纹加工中刀具状态的监测方法 |
CN111251187A (zh) * | 2020-01-16 | 2020-06-09 | 华中科技大学 | 一种叶片磨削烧伤信息融合与特征提取方法及装置 |
CN111325112B (zh) * | 2020-01-31 | 2023-04-07 | 贵州大学 | 基于深度门控循环单元神经网络的刀具磨损状态监测方法 |
CN111325112A (zh) * | 2020-01-31 | 2020-06-23 | 贵州大学 | 基于深度门控循环单元神经网络的刀具磨损状态监测方法 |
CN111331429A (zh) * | 2020-03-12 | 2020-06-26 | 中国民航大学 | 基于小波包能量分析的刀具磨损状态监测方法及装置 |
CN111461461A (zh) * | 2020-04-29 | 2020-07-28 | 中国水利水电科学研究院 | 一种水利工程异常检测方法及系统 |
CN111461461B (zh) * | 2020-04-29 | 2022-06-07 | 中国水利水电科学研究院 | 一种水利工程异常检测方法及系统 |
CN111666892A (zh) * | 2020-06-08 | 2020-09-15 | 西南交通大学 | 一种基于经验小波希尔伯特变换的电力机车空转识别方法 |
CN111666892B (zh) * | 2020-06-08 | 2023-04-25 | 西南交通大学 | 一种基于经验小波希尔伯特变换的电力机车空转识别方法 |
CN112077670A (zh) * | 2020-09-16 | 2020-12-15 | 重庆大学 | 一种数控机床刀具磨损状态实时监测方法 |
CN112621382B (zh) * | 2020-12-17 | 2022-05-24 | 北京工业大学 | 基于切削振动阻尼特性的在线刀具磨损监测方法 |
CN112621382A (zh) * | 2020-12-17 | 2021-04-09 | 北京工业大学 | 基于切削振动阻尼特性的在线刀具磨损监测方法 |
CN112720071B (zh) * | 2021-01-27 | 2021-11-30 | 赛腾机电科技(常州)有限公司 | 多能域信号智能化融合的刀具实时状态监测指标构造方法 |
CN112720071A (zh) * | 2021-01-27 | 2021-04-30 | 赛腾机电科技(常州)有限公司 | 多能域信号智能化融合的刀具实时状态监测指标构造方法 |
CN113723213A (zh) * | 2021-08-06 | 2021-11-30 | 武汉理工大学 | 一种基于Hilbert曲线编码实现地铁振动信号降噪训练的方法 |
CN113723213B (zh) * | 2021-08-06 | 2023-11-10 | 武汉理工大学 | 一种基于Hilbert曲线编码实现地铁振动信号降噪训练的方法 |
CN114871850A (zh) * | 2022-04-22 | 2022-08-09 | 浙江大学 | 一种基于振动信号和bp神经网络的刀具磨损状态评估方法 |
CN115597901A (zh) * | 2022-12-13 | 2023-01-13 | 江苏中云筑智慧运维研究院有限公司(Cn) | 一种桥梁伸缩缝损伤的监测方法 |
CN115597901B (zh) * | 2022-12-13 | 2023-05-05 | 江苏中云筑智慧运维研究院有限公司 | 一种桥梁伸缩缝损伤的监测方法 |
CN116087018A (zh) * | 2022-12-14 | 2023-05-09 | 常州市大成真空技术有限公司 | 一种涂布机的磨损检测方法 |
CN116087018B (zh) * | 2022-12-14 | 2024-01-30 | 常州市大成真空技术有限公司 | 一种涂布机的磨损检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103962888A (zh) | 一种基于小波去噪和希尔伯特-黄变换的刀具磨损监测方法 | |
CN111089726B (zh) | 一种基于最优维数奇异谱分解的滚动轴承故障诊断方法 | |
CN105834834B (zh) | 基于果蝇优化算法的铣刀磨损状态监测方法 | |
CN102721545B (zh) | 一种基于多特征参量的滚动轴承故障诊断方法 | |
Wang et al. | Fault diagnosis of diesel engine based on adaptive wavelet packets and EEMD-fractal dimension | |
CN103786069B (zh) | 一种机械加工设备的颤振在线监测方法 | |
CN110657985B (zh) | 基于奇异值谱流形分析的齿轮箱故障诊断方法及系统 | |
Chen et al. | An improved singular value decomposition-based method for gear tooth crack detection and severity assessment | |
Lu et al. | Feature extraction using adaptive multiwavelets and synthetic detection index for rotor fault diagnosis of rotating machinery | |
CN105092239A (zh) | 一种齿轮早期故障检测方法 | |
CN104807534A (zh) | 基于在线振动数据的设备固有振动模式自学习识别方法 | |
CN103115789A (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
CN109241849B (zh) | 面向智能电厂汽轮机主机的特征分解选择与故障诊断方法 | |
Kulkarni et al. | Investigations on mother wavelet selection for health assessment of lathe bearings | |
CN104485113A (zh) | 一种多故障源声发射信号分离方法 | |
CN108491608A (zh) | 传感器数量不完备时结构模态识别的稀疏分量分析方法 | |
Biswal et al. | Fault size estimation using vibration signatures in a wind turbine test-rig | |
CN115481666B (zh) | 一种齿轮箱小样本故障诊断方法、系统及设备 | |
Li et al. | A sensor-dependent vibration data driven fault identification method via autonomous variational mode decomposition for transmission system of shipborne antenna | |
Lu et al. | Early fault warning and identification in condition monitoring of bearing via wavelet packet decomposition coupled with graph | |
CN103335840A (zh) | 一种矿用钻机变速箱故障智能诊断方法 | |
CN114611551A (zh) | 一种基于小波包能量谱熵的机电故障分类方法 | |
CN107941511B (zh) | 一种基于信号时频分解的频率—峭度图的实现方法 | |
Fa-jun et al. | Compound fault diagnosis of gearbox based on wavelet packet transform and sparse representation classification | |
Zhang et al. | A novel hybrid compound fault pattern identification method for gearbox based on NIC, MFDFA and WOASVM |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140806 |