CN104050340B - 一种大型数控铣床刀具磨损程度识别方法 - Google Patents
一种大型数控铣床刀具磨损程度识别方法 Download PDFInfo
- Publication number
- CN104050340B CN104050340B CN201410321361.6A CN201410321361A CN104050340B CN 104050340 B CN104050340 B CN 104050340B CN 201410321361 A CN201410321361 A CN 201410321361A CN 104050340 B CN104050340 B CN 104050340B
- Authority
- CN
- China
- Prior art keywords
- sample
- numerical control
- parameter
- wear
- time
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
Abstract
本发明提供了一种大型数控铣床刀具磨损程度识别方法,该识别方法通过大型数控铣床运行状态下振动时域信号的获取,采用快速傅里叶变换得到振动信号的频域分布,选取时域与频域中的多个统计特征参数进行基于扩散映射法的刀具磨损特征参数的降维,采用留一交叉验证法与优化搜索算法确定扩散映射的尺度参数选取问题;结合Nystrom扩展与核回归算法对未知待测刀具进行磨损程度的识别。本发明可以有效克服大型数控铣床刀具磨损样本缺失之缺点,提高大型数控铣床刀具磨损程度的识别精度,减少因刀具磨损识别不及时造成的维修成本与时间。
Description
技术领域
本发明属于大型数控铣床领域,具体涉及一种大型数控铣床刀具磨损程度的识别方法。
背景技术
数控铣床除能铣削平面、沟槽、轮齿、螺纹和花键轴外,还能加工比较复杂的型面,生产效率较高,在机械制造行业中被广泛应用。特别是大型数控铣床(如龙门铣床),因其加工精度和生产效率均较高,常应用于大型工件的成批生产。
刀具作为大型数控铣床最易损伤的部件,对其进行及时有效的状态识别与监测尤为重要。据统计,刀具磨损是引起铣床故障的首要因素,由此引起的停机时间占铣床总停机时间的20%-30%。而且,在铣削加工中,一旦刀具发生损伤故障而没有及时发现,会直接影响产品加工质量、加工精度和生产效率,严重的还将导致铣床功能失效及停机、工件报废、甚至危害人员安全。因此,如何有效地识别大型数控铣床刀具的磨损程度,监测刀具运行状态,已成为大型数控铣床智能化发展急需解决的问题。
近年来,国内外学者在铣床刀具磨损程度的识别上做了大量的研究工作,提出了诸多有效的高精度、高可靠性诊断方法,如时间序列分析、频谱分析、小波分析、神经网络、支持向量机、混合智能等,这为大型数控铣床刀具磨损程度的识别提供了一定的技术基础。然而,对于大型数控铣床而言,其刀具磨损程度的识别还面临着如下几个问题:(1)大型数控铣床的加工对象一般较大,使得不同刀具磨损程度下的数据采集比较困难,成本较高,训练样本数据少;(2)大多数研究方法需要人为确定关键参数的取值(如支持向量机的惩罚函数和尺度因子),主观性较强,在没有较多经验可供参考的大型数控铣床刀具磨损程度的识别上误诊率较高。
发明内容
本发明针对上述现有技术的不足,提供了一种准确性更高的大型数控铣床刀具磨损程度识别方法。
本发明是通过如下技术方案实现的:
一种大型数控铣床刀具磨损程度识别方法,包括以下步骤:
(1)采集大型数控铣床在M种刀具磨损状态下的振动时域信号;从每种磨损状态的振动时域信号中截取连续的采样数为n的不重叠的S组信号;并利用快速傅里叶变换将每组时域信号的波形转换成频域分布;其中M、n和S均为大于1的正整数;
(2)分别计算每种磨损状态下S组信号数据的8个时频域无量纲统计特征参数,组合成样本数据集Data={(Ci,mi)}(i=1,2,…,N),其中Ci={ci1,ci2,…,ci8}为第i个样本的特征参数集,mi为Ci对应的刀具后刀面最大磨损量;N为样本数据集Data的样本量;N=M×S;
其中,所述8个时频域无量纲统计特征参数,包括4个时域无量纲统计参数(Ci1、Ci2、Ci3、Ci4)和4个频域无量纲统计参数(Ci5、Ci6、Ci7、Ci8);设第i个样本信号数据为:xi={xi1,xi2,...,xin},对xi进行快速傅里叶变换,设经过FFT变换后的频域信号数据为fi={fi1,fi2,...,fin},8个时频域无量纲统计特征参数的计算公式如下:
时域统计参数:
频域统计参数:
其中,xik为样本点xi的第k个信号,n为样本点xi的数据量, xi-m=max{xik|k=1,…,n},Pik为频率fik的功率谱,Pi-m=max{Pik|k=1,…,n},
(3)结合留一交叉验证建立尺度参数ε的数学优化模型,根据样本数据集Data,采用优化搜索算法对尺度参数ε进行寻优,找出使得目标函数取值最小的ε取值;
(4)根据扩散映射(DM)方法的降维原理,构造样本数据集的邻接矩阵W={wij}N×N:wij=exp(-||Ci-Cj||2/ε);
其中为Ci和Cj的欧氏距离;Ciq和Cjq分别表示样本数据集Data中第i和第j个样本的特征参数集的第q个特征参数;
然后,对W按行进行标准化处理,令W′={w′ij},
(5)求解W′的特征值和特征向量:W′φk=λkφk,λk为W′的第k个最大特征值,且有1=λ0>λ1>λ2>…,φk为特征值λk对应的单位特征向量;根据预先设定的降维维数K选取特征值:Λ={λ1,λ2,…,λK},对应的特征向量构成映射矩阵Ω={φ1,φ2,…,φK}N×K;
(6)计算各样本点在映射矩阵Ω下的映射坐标:
φ(Ci)={φk(Ci),k=1,2,…,K},
φk(Ci)为Ci在映射Ω下的第k个分量,φjk为φk的第j个分量;
(7)每隔固定时间间隔采集一次大型数控铣床在运行状态下的振动时域信号,构成待诊断信号X;并将时域波形转换成频域分布;然后,计算待诊断信号数据的8个时频域统计特征参数C(X)={CX1,CX2,…,CX8};
(8)对X进行Nystrom扩展,计算X在映射矩阵Ω下的映射坐标:
φ(X)={φk(X),k=1,2,…,K},
(9)对X进行核回归分析,得到对应的磨损程度值,即后刀面最大磨损量估计值为:
其中,Ci和Cq分别表示样本数据集Data中第i和第q个样本的特征参数集。
优选的,步骤(3)中采用禁忌搜索算法对尺度参数ε进行寻优,具体包括如下步骤:
(3.1)确定包含尺度参数ε的核函数为:
其中Ci和Cj为样本数据集Data中第i和第j个样本的特征参数集;
(3.2)采用留一交叉验证法,计算各样本点的磨损程度估计值:
其中,Cp表示样本数据集Data中第p个样本的特征参数集;
(3.3)建立关于尺度参数ε的数学优化模型:
(3.4)采用禁忌搜索对上述数学模型进行优化求解,得出使得预测误差最小的尺度参数ε取值。
本发明具有如下有益效果:
(1)目前对数控铣床刀具的磨损研究,集中于对中小型铣床的刀具磨损研究,因为中小型铣床刀具磨损样本数据比较容易收集,而对于大型数控铣床刀具的磨损识别研究很少。同时,现有的大多数故障诊断方法是在样本数据量大的前提下开展的,在小样本情形下,这些方法的训练效果很差,对刀具的磨损识别无能为力。本发明的提出可以克服上述弊端,本发明能够小样本情形下有效识别大型数控铣床刀具的磨损程度。
(2)目前,对刀具磨损程度的识别研究大多只考虑对三种磨损状态(初期磨损、中度磨损和严重磨损)的分类上,没有研究刀具磨损程度的渐进式非线性演变规律,本发明通过建立刀具磨损程度的回归模型,可有效地揭示大型数控铣床刀具磨损程度的演变规律。
(3)本发明可以有效克服大型数控铣床刀具磨损样本缺失之缺点,提高大型数控铣床刀具磨损程度的识别精度,减少因刀具磨损识别不及时造成的维修成本与时间。
具体实施方式
本发明提供了一种大型数控铣床刀具磨损程度识别方法,包括以下步骤:
(1)采集大型数控铣床(一般情况下多为龙门铣床)在M种刀具磨损状态下的振动时域信号;
其中,M根据刀具后刀面最大磨损量来确定。本实施例中取M=5,其对应的5种刀具磨损状态,根据后刀面最大磨损量划分的不同分为正常状态、轻微磨损、中度磨损、较大磨损、急剧磨损,如表1所示。
表1后刀面最大磨损量与道具磨损状态对应表
从每种磨损状态的振动时域信号中截取连续的采样数为n(n取值为采样频率的倍数,本实施例中取n=4096)的不重叠的S(视数据量而定,可取5~10)组信号;并利用快速傅里叶变换将每组时域信号的波形转换成频域分布;其中M、n和S均为大于1的正整数;
(2)分别计算每种磨损状态下S组信号数据的8个时频域无量纲统计特征参数,组合成样本数据集Data={(Ci,mi)}(i=1,2,…,N,N=M×S),其中Ci={ci1,ci2,…,ci8}为第i个样本的特征参数集,mi为Ci对应的刀具后刀面最大磨损量;N为样本数据集Data的样本量;
其中,所述8个时频域无量纲统计特征参数,包括4个时域无量纲统计参数(Ci1、Ci2、Ci3、Ci4)和4个频域无量纲统计参数(Ci5、Ci6、Ci7、Ci8)。设第i个样本信号数据为:xi={xi1,xi2,...,xin},对xi进行快速傅里叶变换,设经过FFT变换后的频域信号数据为fi={fi1,fi2,...,fin},8个时频域无量纲统计特征参数的计算公式如下:
时域统计参数:
波形指标:峰值:
偏斜度:峭度:
频域统计参数:
稳定率:波高率:
功率谱标准差: 频率高低比:
其中,xik为样本点xi的第k个信号,n为样本点xi的数据量, xi-m=max{xik|k=1,…,n},Pik为频率fik的功率谱,Pi-m=max{Pik|k=1,…,n},
(3)结合留一交叉验证建立尺度参数ε的数学优化模型,根据样本数据集Data,采用优化搜索算法(如禁忌搜索、最速下降法、黄金分割法、二次插值法等)对尺度参数ε进行寻优,找出使得目标函数取值最小的ε取值。
所谓留一交叉验证,就是将具有N个数据的样本集分为两部分:训练集和验证集,每次选取样本集中的一个样本数据作为验证集,剩余N-1个数据作为训练集对验证集进行预测。重复执行N次,每次选取不同的样本数据作为验证集,将每次的预测误差求和作为性能优劣的指标。
采用禁忌搜索算法对尺度参数ε进行寻优,具体包括如下步骤:
(3.1)确定包含尺度参数ε的核函数为:
其中Ci和Cj为样本数据集Data中第i和第j个样本的特征参数集;
(3.2)采用留一交叉验证法,计算各样本点的磨损程度估计值:
其中,Cp表示样本数据集Data中第p个样本的特征参数集;
(3.3)建立关于尺度参数ε的数学优化模型:
s.t.ε∈(0,1)
(3.4)采用禁忌搜索对上述数学模型进行优化求解,得出使得预测误差最小的尺度参数ε取值。
(4)根据扩散映射(DM)方法的降维原理,构造样本数据集的邻接矩阵W={wij}N×N:wij=exp(-||Ci-Cj||2/ε);
其中为Ci和Cj的欧氏距离,Ciq和Cjq分别表示样本数据集Data中第i和第j个样本的特征参数集的第q个特征参数;
然后,对W按行进行标准化处理,令W′={w′ij},
(5)求解W′的特征值和特征向量:W′φk=λkφk,λk为W′的第k个最大特征值,且有1=λ0>λ1>λ2>…,φk为特征值λk对应的单位特征向量。
事先确定降维维数为K(一般取K=2或3),则选取前K个最大特征值,考虑到W′的最大特征值λ0为平凡特征值(=1)应舍弃,故选取特征值:Λ={λ1,λ2,…,λK},对应的特征向量构成映射矩阵Ω={φ1,φ2,…,φK}N×K。
(6)计算各样本点在映射矩阵Ω下的映射坐标:
φ(Ci)={φk(Ci),k=1,2,…,K},
φk(Ci)为Ci在映射Ω下的第k个分量,φjk为φk的第j个分量。
(7)开始识别待测铣床刀具的磨损状态,每隔固定时间间隔采集一次大型数控铣床在运行状态下(或称为待测状态下)的振动时域信号(采样数为t),构成待诊断信号X;并将时域波形转换成频域分布。然后,计算待诊断信号数据的8个时频域统计特征参数C(X)={CX1,CX2,…,CX8};
(8)对X进行Nystrom扩展,计算X在映射矩阵Ω下的映射坐标:
φ(X)={φk(X),k=1,2,…,K},
(9)对X进行核回归分析,得到对应的磨损程度值,即后刀面最大磨损量估计值为:
其中,Ci和Cq分别表示样本数据集Data中第i和第q个样本的特征参数集。
本发明可改变为多种方式对本领域的技术人员是显而易见的,这样的改变不认为脱离本发明的范围。所有这样的对所述领域的技术人员显而易见的修改,将包括在本权利要求的范围之内。
Claims (2)
1.一种大型数控铣床刀具磨损程度识别方法,其特征在于,包括以下步骤:
(1)采集大型数控铣床在M种刀具磨损状态下的振动时域信号;从每种磨损状态的振动时域信号中截取连续的采样数为n的不重叠的S组信号;并利用快速傅里叶变换将每组时域信号的波形转换成频域分布;其中M、n和S均为大于1的正整数;
(2)分别计算每种磨损状态下S组信号数据的8个时频域无量纲统计特征参数,组合成样本数据集Data={(Ci,mi)}(i=1,2,…,N),其中Ci={ci1,ci2,…,ci8}为第i个样本的特征参数集,mi为Ci对应的刀具后刀面最大磨损量;N为样本数据集Data的样本量;N=M×S;
其中,所述8个时频域无量纲统计特征参数,包括4个时域无量纲统计参数(Ci1、Ci2、Ci3、Ci4)和4个频域无量纲统计参数(Ci5、Ci6、Ci7、Ci8);设第i个样本信号数据为:xi={xi1,xi2,...,xin},对xi进行快速傅里叶变换,设经过FFT变换后的频域信号数据为fi={fi1,fi2,...,fin},8个时频域无量纲统计特征参数的计算公式如下:
时域统计参数:
频域统计参数:
其中,xik为样本点xi的第k个信号,n为样本点xi的数据量, xi-m=max{xik|k=1,…,n},Pik为频率fik的功率谱,Pi-m=max{Pik|k=1,…,n},
(3)结合留一交叉验证建立尺度参数ε的数学优化模型,根据样本数据集Data,采用优化搜索算法对尺度参数ε进行寻优,找出使得目标函数取值最小的ε取值;
(4)根据扩散映射(DM)方法的降维原理,构造样本数据集的邻接矩阵W={wij}N×N:wij=exp(-||Ci-Cj||2/ε);
其中为Ci和Cj的欧氏距离;Ciq和Cjq分别表示样本数据集Data中第i和第j个样本的特征参数集的第q个特征参数;
然后,对W按行进行标准化处理,令W′={w′ij},
(5)求解W′的特征值和特征向量:W′φk=λkφk,λk为W′的第k个最大特征值,且有1=λ0>λ1>λ2>…,φk为特征值λk对应的单位特征向量;根据预先设定的降维维数K选取特征值:Λ={λ1,λ2,…,λK},对应的特征向量构成映射矩阵Ω={φ1,φ2,…,φK}N×K;
(6)计算各样本点在映射矩阵Ω下的映射坐标:
φ(Ci)={φk(Ci),k=1,2,…,K},
φk(Ci)为Ci在映射Ω下的第k个分量,φjk为φk的第j个分量;
(7)每隔固定时间间隔采集一次大型数控铣床在运行状态下的振动时域信号,构成待诊断信号X;并将时域波形转换成频域分布;然后,计算待诊断信号数据的8个时频域统计特征参数C(X)={CX1,CX2,…,CX8};
(8)对X进行Nystrom扩展,计算X在映射矩阵Ω下的映射坐标:
φ(X)={φk(X),k=1,2,…,K},
(9)对X进行核回归分析,得到对应的磨损程度值,即后刀面最大磨损量估计值为:
其中,Ci和Cq分别表示样本数据集Data中第i和第q个样本的特征参数集。
2.根据权利要求1所述的大型数控铣床刀具磨损程度识别方法,其特征在于,步骤(3)中采用禁忌搜索算法对尺度参数ε进行寻优,具体包括如下步骤:
(3.1)确定包含尺度参数ε的核函数为:
其中Ci和Cj为样本数据集Data中第i和第j个样本的特征参数集;
(3.2)采用留一交叉验证法,计算各样本点的磨损程度估计值:
其中,Cp表示样本数据集Data中第p个样本的特征参数集;
(3.3)建立关于尺度参数ε的数学优化模型:
(3.4)采用禁忌搜索对上述数学模型进行优化求解,得出使得预测误差最小的尺度参数ε取值。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410321361.6A CN104050340B (zh) | 2014-07-07 | 2014-07-07 | 一种大型数控铣床刀具磨损程度识别方法 |
PCT/CN2015/070646 WO2016004749A1 (zh) | 2014-07-07 | 2015-01-14 | 一种大型数控铣床刀具磨损程度识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410321361.6A CN104050340B (zh) | 2014-07-07 | 2014-07-07 | 一种大型数控铣床刀具磨损程度识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104050340A CN104050340A (zh) | 2014-09-17 |
CN104050340B true CN104050340B (zh) | 2017-02-08 |
Family
ID=51503168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410321361.6A Active CN104050340B (zh) | 2014-07-07 | 2014-07-07 | 一种大型数控铣床刀具磨损程度识别方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN104050340B (zh) |
WO (1) | WO2016004749A1 (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050340B (zh) * | 2014-07-07 | 2017-02-08 | 温州大学 | 一种大型数控铣床刀具磨损程度识别方法 |
CN106842922B (zh) * | 2017-01-14 | 2020-07-17 | 合肥工业大学 | 一种数控加工误差优化方法 |
CN107253094B (zh) * | 2017-05-26 | 2018-12-28 | 温州大学 | 一种基于稳态子空间分析多维信号的刀具状态监测方法 |
CN107363645B (zh) * | 2017-08-21 | 2019-03-01 | 温州大学激光与光电智能制造研究院 | 基于功率检测的铣床加工过程刀具磨损量预测方法 |
CN108747590A (zh) * | 2018-06-28 | 2018-11-06 | 哈尔滨理工大学 | 一种基于振动频谱和神经网络的刀具磨损测量方法 |
CN109389039A (zh) * | 2018-09-04 | 2019-02-26 | 温州大学激光与光电智能制造研究院 | 一种优化核极限学习机在线监测刀具磨损状态方法及系统 |
CN109571141A (zh) * | 2018-11-01 | 2019-04-05 | 北京理工大学 | 一种基于机器学习的刀具磨损状态监测方法 |
CN109382702A (zh) * | 2018-11-06 | 2019-02-26 | 重庆大学 | 一种数控滚齿机滚刀失效形式自动识别方法 |
CN110059374B (zh) * | 2019-03-29 | 2020-12-25 | 西安交通大学 | 一种基于刀具跳动及磨损的铣削力建模方法 |
CN110411724B (zh) * | 2019-07-30 | 2021-07-06 | 广东工业大学 | 一种旋转机械故障诊断方法、装置、系统及可读存储介质 |
CN110716494B (zh) * | 2019-11-13 | 2020-11-17 | 中国航发动力股份有限公司 | 刀具参数识别法和基于刀具参数的摆线加工参数优化方法 |
CN110837130B (zh) * | 2019-11-22 | 2021-08-17 | 中国电子科技集团公司第四十一研究所 | 一种基于毫米波/太赫兹波辐射的目标自动检测算法 |
CN111451563A (zh) * | 2020-04-02 | 2020-07-28 | 江苏贵钰航空工业有限公司 | 一种延长数控铣床寿命的方法 |
CN111975453B (zh) * | 2020-07-08 | 2022-03-08 | 温州大学 | 一种数值仿真驱动的加工过程刀具状态监测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN102145469A (zh) * | 2011-04-29 | 2011-08-10 | 深圳市平进股份有限公司 | 在数控机床工作时检测切削刀具磨损的方法及装置 |
CN103175687A (zh) * | 2013-03-07 | 2013-06-26 | 温州大学 | 一种活齿减速器故障定位方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS60177847A (ja) * | 1984-02-23 | 1985-09-11 | Mitsubishi Heavy Ind Ltd | 工具損傷検出装置 |
US20090129882A1 (en) * | 2007-11-15 | 2009-05-21 | D4D Technologies, Llc | Methods, Systems, and Devices for Monitoring Tools in a Dental Milling Machine |
CN103674511B (zh) * | 2013-03-18 | 2016-06-22 | 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 |
CN103324139B (zh) * | 2013-06-07 | 2016-02-24 | 华中科技大学 | 一种数控机床铣削加工刀具破损监测方法 |
CN104050340B (zh) * | 2014-07-07 | 2017-02-08 | 温州大学 | 一种大型数控铣床刀具磨损程度识别方法 |
-
2014
- 2014-07-07 CN CN201410321361.6A patent/CN104050340B/zh active Active
-
2015
- 2015-01-14 WO PCT/CN2015/070646 patent/WO2016004749A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN102145469A (zh) * | 2011-04-29 | 2011-08-10 | 深圳市平进股份有限公司 | 在数控机床工作时检测切削刀具磨损的方法及装置 |
CN103175687A (zh) * | 2013-03-07 | 2013-06-26 | 温州大学 | 一种活齿减速器故障定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104050340A (zh) | 2014-09-17 |
WO2016004749A1 (zh) | 2016-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104050340B (zh) | 一种大型数控铣床刀具磨损程度识别方法 | |
CN103324139B (zh) | 一种数控机床铣削加工刀具破损监测方法 | |
CN105275833B (zh) | 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法 | |
CN103674511B (zh) | 一种基于emd-svd与mts的机械磨损件性能评估与预测方法 | |
US20200241066A1 (en) | Intelligent on-line diagnosis and positioning method for winding deformation of power transformers | |
CN109158953B (zh) | 一种刀具磨损状态在线监测方法及系统 | |
CN108356606A (zh) | 基于小波包分析与rbf神经网络的刀具磨损在线监测方法 | |
CN105108584A (zh) | 一种车削颤振检测方法 | |
CN102829974A (zh) | 一种基于lmd和pca的滚动轴承状态辨识方法 | |
CN104808587A (zh) | 一种基于机加工设备运行状态的稼动率统计方法 | |
CN105628425A (zh) | 一种基于遗传退火优化多核支持向量机的旋转机械早期故障诊断方法 | |
CN104794368A (zh) | 基于foa-mksvm的滚动轴承故障分类方法 | |
CN105469138A (zh) | 基于粒子群和支持向量机的控制系统执行器故障诊断方法 | |
CN102930285A (zh) | 基于有监督增量式局部线性嵌入(sille)维数化简的早期故障辨识方法 | |
CN105004498A (zh) | 一种水电机组的振动故障诊断方法 | |
CN103324147A (zh) | 基于主成分分析的卷烟工序质量评价方法及其系统 | |
CN107491783B (zh) | 基于改进密度峰值聚类算法的变压器故障类型分类方法 | |
CN106842922A (zh) | 一种数控加工误差优化方法 | |
Tang et al. | A wind turbine bearing fault diagnosis method based on fused depth features in time–frequency domain | |
CN109241849A (zh) | 面向智能电厂汽轮机主机的经验模态和小波分解及特征选择的故障诊断方法 | |
CN110020637B (zh) | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 | |
CN106099905B (zh) | 一种基于弱稳定模式记忆的系统暂态稳定紧急控制方法 | |
CN103530660A (zh) | 一种带钢张力传感器故障早期诊断方法 | |
CN106844842A (zh) | 一种应用油色谱监测数据的电力变压器缺陷援例诊断方法 | |
CN102886384A (zh) | 基于支持向量机的森吉米尔20辊轧机板形缺陷识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20140917 Assignee: Pingyang Intelligent Manufacturing Research Institute of Wenzhou University Assignor: Wenzhou University Contract record no.: X2020330000096 Denomination of invention: A method to identify tool wear degree of large CNC milling machine Granted publication date: 20170208 License type: Common License Record date: 20201122 |