CN105196114B - 基于小波分析和神经网络的刀具磨损实时在线监测方法 - Google Patents

基于小波分析和神经网络的刀具磨损实时在线监测方法 Download PDF

Info

Publication number
CN105196114B
CN105196114B CN201510744594.1A CN201510744594A CN105196114B CN 105196114 B CN105196114 B CN 105196114B CN 201510744594 A CN201510744594 A CN 201510744594A CN 105196114 B CN105196114 B CN 105196114B
Authority
CN
China
Prior art keywords
neutral net
layers
cutting force
force signal
wavelet
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.)
Expired - Fee Related
Application number
CN201510744594.1A
Other languages
English (en)
Other versions
CN105196114A (zh
Inventor
张仲华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Science and Technology
Original Assignee
Xian University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Science and Technology filed Critical Xian University of Science and Technology
Priority to CN201510744594.1A priority Critical patent/CN105196114B/zh
Publication of CN105196114A publication Critical patent/CN105196114A/zh
Application granted granted Critical
Publication of CN105196114B publication Critical patent/CN105196114B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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

Abstract

本发明公开了一种基于小波分析和神经网络的刀具磨损实时在线监测方法，包括：步骤一、三向切削力的检测及传输，步骤二、小波分析处理，步骤三、归一化处理，步骤四、确定神经网络的输入，步骤五、神经网络处理。本发明方法步骤简单，实现方便，够快速高效地检测出刀具的磨损状态，能够保证加工质量，提高生产效率。

Description

基于小波分析和神经网络的刀具磨损实时在线监测方法
技术领域
本发明属于刀具磨损监测技术领域，具体涉及一种基于小波分析和神经网络的刀具磨损实时在线监测方法。
背景技术
生产的自动化、柔性化和集成化已成为机械制造工业发展的方向，以数控机床、加工中心为代表的现代制造装备，加工精度高、可靠性好，工件加工质量受机床、夹具等因素的影响较少，受刀具的影响较多，所以良好的刀具性能与状态对保证加工质量和提高生产率至关重要。
信号处理技术是刀具磨损状态监测的核心技术，它首先利用传感器采集能反映刀具状态变化的物理量如切削力、切削功率和振动等信号，进行分析处理获取其特征值，然后建立数学模型对特征值进行决策分析达到判断、监测刀具状态的目的。早期刀具状态监测所采用的信号处理技术多集中在时域、频域，近年来信号处理技术向时频分析和智能技术方向发展，时频分析成为信号分析的主流。傅立叶变换是频域分析的重要方法，但是存在很大的局限性：傅立叶变换提取了频率特征而淹没了时间特征；离散傅立叶变换的时间分辨率是固定的，无法表征信号的时频局部特征；离散傅立叶变换存在栅栏效应、频谱泄漏和混迭失真。
智能学习和决策技术为解决刀具状态监测中难以解决的关键性技术提供了有效的方法，模式识别、BP神经网络、小波神经网络、模糊神经网络等智能学习决策技术已经大量应用于监测模型中。但是在神经网络的应用中出现了一些困难，如学习速度较慢、在学习过程中出现局部收敛、一些模糊信号无法处理等问题。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于小波分析和神经网络的刀具磨损实时在线监测方法，其方法步骤简单，实现方便，够快速高效地检测出刀具的磨损状态，能够保证加工质量，提高生产效率。
为解决上述技术问题，本发明采用的技术方案是：一种基于小波分析和神经网络的刀具磨损实时在线监测方法，其特征在于该方法包括以下步骤：
步骤一、三向切削力的检测及传输：采用三向切削测力仪、粘贴在三向切削测力仪表面上的电阻应变片和与电阻应变片连接的动态电阻应变仪实时测量三向切削力，采用数据采集器采集三向切削力，并采用网络滤波器滤除环境噪音干扰信号后将三向切削力信号Fx、Fy和Fz传输给上位计算机；
步骤二、小波分析处理：上位计算机调用多分辨率小波分析模块对其接收到的三向切削力信号进行多尺度小波分解，根据公式计算切削力信号在第i个尺度的小波分解上的特征频带的能量Ei，并根据公式计算切削力信号在第i个尺度的小波分解上的特征频带的均方差σi；其中，xij为对三向切削力信号进行多尺度小波分解后重构1～m层高频细节信号的幅值数据，为每层高频细节信号幅值的平均值，i＝1、2、…、m，m为小波分解的尺度总数，j＝1、2、…、n，n＝1024；
步骤三、归一化处理：上位计算机根据公式对Ei进行归一化处理，得到归一化处理后的切削力信号在第i个尺度的小波分解上的特征频带的能量E′i；并根据公式对σi进行归一化处理，得到归一化处理后的切削力信号在第i个尺度的小波分解上的特征频带的均方差σ′i；
步骤四、确定神经网络的输入：上位计算机选出归一化处理后的切削力信号在第i个尺度的小波分解上的特征频带的能量E′i的增幅最大的值E′1i和增幅次大的值E′2i，并选出归一化处理后的切削力信号在第i个尺度的小波分解上的特征频带的均方差σ′i的增幅最大的值σ′1i和增幅次大的值σ′2i；
步骤五、神经网络处理：上位计算机将E′1i、E′2i、σ′1i和σ′2i输入预先建立并训练好的三层BP神经网络中，得出三层BP神经网络的输出，三层BP神经网络的输出即为刀具后刀面磨损量VB；
其中，预先建立并训练三层BP神经网络的具体过程为：
步骤501、建立隐含层神经元数目可变的三层BP神经网络：以步骤四中得到的E′1i、E′2i、σ′1i和σ′2i作为BP神经网络的输入，输入层节点数n1为4个，以刀具后刀面磨损量VB作为BP神经网络的输出，输出层节点数n3为1个，根据公式确定所述三层BP网络的隐含层节点数n2，建立三层BP神经网络；其中，取a为1～10的自然数；
步骤502、训练各个不同隐含层节点数的三层BP神经网络：随机选取刀具不同磨损状态时各自对应的多组切削力实验数据经过步骤一至步骤四的处理，得到多组E′1i、E′2i、σ′1i和σ′2i作为BP神经网络的输入，并以多组E′1i、E′2i、σ′1i和σ′2i分别对应的多个刀具后刀面磨损量VB作为BP神经网络的输出，构建训练样本，对取a为1～10的自然数时所对应的不同隐含层节点数的三层BP神经网络进行训练，得到各个不同隐含层节点数的训练好的三层BP神经网络；
步骤503、确定出训练好的三层BP神经网络：上位计算机调用网络误差计算模块计算各个不同隐含层节点数的训练好的三层BP神经网络对应的网络误差，并选择出网络误差最小的隐含层节点数的三层BP神经网络，确定为训练好的三层BP神经网络。
上述的基于小波分析和神经网络的刀具磨损实时在线监测方法，其特征在于：步骤一中的三向切削测力仪为八角环式三向切削测力仪，步骤一中的动态电阻应变仪为SDY2101型动态电阻应变仪，步骤一中的数据采集器为RBH8223USB数据采集器。
上述的基于小波分析和神经网络的刀具磨损实时在线监测方法，其特征在于：步骤二中上位计算机调用多分辨率小波分析模块对采集到的切削力信号进行四个尺度的小波分解，四个尺度对应的频带分别为：2500Hz～5000Hz、1250Hz～2500Hz、625Hz～1250Hz和312.5Hz～625Hz。
本发明与现有技术相比具有以下优点：
1、本发明的方法步骤简单，实现方便。
2、本发明首先利用多尺度小波分析方法对刀具不同磨损状态的切削力信号进行分析，提取其中增幅最大两个尺度上细节信号的能量和均方差作为BP神经网络的输入，然后利用预先训练好的BP神经网络对刀具磨损状态进行预测，而且在选择BP神经网络时，通过自我识别法确定BP神经网络的最佳隐含层神经元数目，避免了隐含层神经元数目太多会导致学习时间过长、误差不一定最佳，数目太少会导致容错性差、不能识别以前没有看到的样本的缺点，该方法不仅优化了神经网络的结构，缩短了学习时间，而且提高了刀具磨损状态检测的辨认率。
3、本发明能够快速高效地检测出刀具的磨损状态，实现对刀具磨损量的实时在线监测，能够保证加工质量，提高生产效率。
综上所述，本发明方法步骤简单，实现方便，够快速高效地检测出刀具的磨损状态，能够保证加工质量，提高生产效率。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明采用的刀具磨损实时在线监测系统的电路框图。
图2为本发明的方法流程框图。
附图标记说明:
1—三向切削测力仪； 2—电阻应变片； 3—动态电阻应变仪；
4—数据采集器； 5—上位计算机； 6—网络滤波器。
具体实施方式
如图1和图2所示，本发明的基于小波分析和神经网络的刀具磨损实时在线监测方法，包括以下步骤：
步骤一、三向切削力的检测及传输：采用三向切削测力仪1、粘贴在三向切削测力仪1表面上的电阻应变片2和与电阻应变片2连接的动态电阻应变仪3实时测量三向切削力，采用数据采集器4采集三向切削力，并采用网络滤波器6滤除环境噪音干扰信号后将三向切削力信号Fx、Fy和Fz传输给上位计算机5；
本实施例中，步骤一中的三向切削测力仪1为八角环式三向切削测力仪，步骤一中的动态电阻应变仪3为SDY2101型动态电阻应变仪，步骤一中的数据采集器4为RBH8223USB数据采集器。
步骤二、小波分析处理：上位计算机5调用多分辨率小波分析模块对其接收到的三向切削力信号进行多尺度小波分解，根据公式计算切削力信号在第i个尺度的小波分解上的特征频带的能量Ei，并根据公式计算切削力信号在第i个尺度的小波分解上的特征频带的均方差σi；其中，xij为对三向切削力信号进行多尺度小波分解后重构1～m层高频细节信号的幅值数据，为每层高频细节信号幅值的平均值，i＝1、2、…、m，m为小波分解的尺度总数，j＝1、2、…、n，n＝1024；
本实施例中，步骤二中上位计算机5调用多分辨率小波分析模块对采集到的切削力信号进行四个尺度的小波分解，四个尺度对应的频带分别为：2500Hz～5000Hz、1250Hz～2500Hz、625Hz～1250Hz和312.5Hz～625Hz。
步骤三、归一化处理：上位计算机5根据公式对Ei进行归一化处理，得到归一化处理后的切削力信号在第i个尺度的小波分解上的特征频带的能量E′i；并根据公式对σi进行归一化处理，得到归一化处理后的切削力信号在第i个尺度的小波分解上的特征频带的均方差σ′i；
步骤四、确定神经网络的输入：上位计算机5选出归一化处理后的切削力信号在第i个尺度的小波分解上的特征频带的能量E′i的增幅最大的值E′1i和增幅次大的值E′2i，并选出归一化处理后的切削力信号在第i个尺度的小波分解上的特征频带的均方差σ′i的增幅最大的值σ′1i和增幅次大的值σ′2i；
步骤五、神经网络处理：上位计算机5将E′1i、E′2i、σ′1i和σ′2i输入预先建立并训练好的三层BP神经网络中，得出三层BP神经网络的输出，三层BP神经网络的输出即为刀具后刀面磨损量VB；根据刀具材料、类型、被加工材料以及加工精度等不同要求，将刀具磨损状态分为三类：当后刀面磨损量VB小于0.1mm时为初期磨损、VB值在0.1～0.3mm之间为正常磨损、VB值大于0.3mm为急剧磨损。
其中，预先建立并训练三层BP神经网络的具体过程为：
步骤501、建立隐含层神经元数目可变的三层BP神经网络：以步骤四中得到的E′1i、E′2i、σ′1i和σ′2i作为BP神经网络的输入，输入层节点数n1为4个，以刀具后刀面磨损量VB作为BP神经网络的输出，输出层节点数n3为1个，根据公式确定所述三层BP网络的隐含层节点数n2，建立三层BP神经网络；其中，取a为1～10的自然数；
步骤502、训练各个不同隐含层节点数的三层BP神经网络：随机选取刀具不同磨损状态时各自对应的多组切削力实验数据经过步骤一至步骤四的处理，得到多组E′1i、E′2i、σ′1i和σ′2i作为BP神经网络的输入，并以多组E′1i、E′2i、σ′1i和σ′2i分别对应的多个刀具后刀面磨损量VB作为BP神经网络的输出，构建训练样本，对取a为1～10的自然数时所对应的不同隐含层节点数的三层BP神经网络进行训练，得到各个不同隐含层节点数的训练好的三层BP神经网络；
本实施例中，取a为1～10的自然数时所对应的三层BP神经网络的隐含层节点数为2～13；随机选取刀具后刀面磨损量VB＝0.1mm、VB＝0.3mm、VB＝0.67mm时各自对应的10组切削力实验数据，共30组切削力实验数据经过步骤一至步骤四的处理，得到多组E′1i、E′2i、σ′1i和σ′2i作为BP神经网络的输入，具体如表1所示：
表1刀具后刀面磨损量VB的学习样本
步骤503、确定出训练好的三层BP神经网络：上位计算机5调用网络误差计算模块计算各个不同隐含层节点数的训练好的三层BP神经网络对应的网络误差，并选择出网络误差最小的隐含层节点数的三层BP神经网络，确定为训练好的三层BP神经网络。
本实施例中，隐含层节点数为2～13的三层BP神经网络对应的网络误差如表2所示：
表2隐含层节点数为2～13的三层BP神经网络对应的网络误差表
表2中，隐含层节点数为5时，在学习过程中出现局部收敛，网络训练自动终止。
从表2可以看出，隐含层节点数为10的三层BP神经网络网络误差最小，对函数的逼近效果最好，因此，选择出隐含层节点数为10的三层BP神经网络，确定为训练好的三层BP神经网络。
综上所述，本发明首先利用多尺度小波分析方法对刀具不同磨损状态的切削力信号进行分析，提取其中增幅最大两个尺度上细节信号的能量和均方差作为BP神经网络的输入，然后利用预先训练好的BP神经网络对刀具磨损状态进行预测，而且在选择BP神经网络时，通过自我识别法确定BP神经网络的最佳隐含层神经元数目，避免了隐含层神经元数目太多会导致学习时间过长、误差不一定最佳，数目太少会导致容错性差、不能识别以前没有看到的样本的缺点，该方法不仅优化了神经网络的结构，缩短了学习时间，而且提高了刀具磨损状态检测的辨认率。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。

Claims (2)

1.一种基于小波分析和神经网络的刀具磨损实时在线监测方法，其特征在于该方法包括以下步骤：
步骤一、三向切削力的检测及传输：采用三向切削测力仪(1)、粘贴在三向切削测力仪(1)表面上的电阻应变片(2)和与电阻应变片(2)连接的动态电阻应变仪(3)实时测量三向切削力，采用数据采集器(4)采集三向切削力，并采用网络滤波器(6)滤除环境噪音干扰信号后将三向切削力信号Fx、Fy和Fz传输给上位计算机(5)；
步骤二、小波分析处理：上位计算机(5)调用多分辨率小波分析模块对其接收到的三向切削力信号进行多尺度小波分解，根据公式计算切削力信号在第i个尺度的小波分解上的特征频带的能量Ei，并根据公式计算切削力信号在第i个尺度的小波分解上的特征频带的均方差σi；其中，xij为对三向切削力信号进行多尺度小波分解后重构1～m层高频细节信号的幅值数据，为每层高频细节信号幅值的平均值，i＝1、2、…、m，m为小波分解的尺度总数，j＝1、2、…、n，n＝1024；
步骤三、归一化处理：上位计算机(5)根据公式对Ei进行归一化处理，得到归一化处理后的切削力信号在第i个尺度的小波分解上的特征频带的能量E′i；并根据公式对σi进行归一化处理，得到归一化处理后的切削力信号在第i个尺度的小波分解上的特征频带的均方差σ′i；
步骤四、确定神经网络的输入：上位计算机(5)选出归一化处理后的切削力信号在第i个尺度的小波分解上的特征频带的能量E′i的增幅最大的值E′1i和增幅次大的值E′2i，并选出归一化处理后的切削力信号在第i个尺度的小波分解上的特征频带的均方差σ′i的增幅最大的值σ′1i和增幅次大的值σ′2i；
步骤五、神经网络处理：上位计算机(5)将E′1i、E′2i、σ′1i和σ′2i输入预先建立并训练好的三层BP神经网络中，得出三层BP神经网络的输出，三层BP神经网络的输出即为刀具后刀面磨损量VB；
其中，预先建立并训练三层BP神经网络的具体过程为：
步骤501、建立隐含层神经元数目可变的三层BP神经网络：以步骤四中得到的E′1i、E′2i、σ′1i和σ′2i作为BP神经网络的输入，输入层节点数n1为4个，以刀具后刀面磨损量VB作为BP神经网络的输出，输出层节点数n3为1个，根据公式确定所述三层BP网络的隐含层节点数n2，建立三层BP神经网络；其中，取a为1～10的自然数；
步骤502、训练各个不同隐含层节点数的三层BP神经网络：随机选取刀具不同磨损状态时各自对应的多组切削力实验数据经过步骤一至步骤四的处理，得到多组E′1i、E′2i、σ′1i和σ′2i作为BP神经网络的输入，并以多组E′1i、E′2i、σ′1i和σ′2i分别对应的多个刀具后刀面磨损量VB作为BP神经网络的输出，构建训练样本，对取a为1～10的自然数时所对应的不同隐含层节点数的三层BP神经网络进行训练，得到各个不同隐含层节点数的训练好的三层BP神经网络；
步骤503、确定出训练好的三层BP神经网络：上位计算机(5)调用网络误差计算模块计算各个不同隐含层节点数的训练好的三层BP神经网络对应的网络误差，并选择出网络误差最小的隐含层节点数的三层BP神经网络，确定为训练好的三层BP神经网络；
步骤二中上位计算机(5)调用多分辨率小波分析模块对采集到的切削力信号进行四个尺度的小波分解，四个尺度对应的频带分别为：2500Hz～5000Hz、1250Hz～2500Hz、625Hz～1250Hz和312.5Hz～625Hz。
2.按照权利要求1所述的基于小波分析和神经网络的刀具磨损实时在线监测方法，其特征在于：步骤一中的三向切削测力仪(1)为八角环式三向切削测力仪，步骤一中的动态电阻应变仪(3)为SDY2101型动态电阻应变仪，步骤一中的数据采集器(4)为RBH8223USB数据采集器。
CN201510744594.1A 2015-11-05 2015-11-05 基于小波分析和神经网络的刀具磨损实时在线监测方法 Expired - Fee Related CN105196114B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510744594.1A CN105196114B (zh) 2015-11-05 2015-11-05 基于小波分析和神经网络的刀具磨损实时在线监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510744594.1A CN105196114B (zh) 2015-11-05 2015-11-05 基于小波分析和神经网络的刀具磨损实时在线监测方法

Publications (2)

Publication Number Publication Date
CN105196114A CN105196114A (zh) 2015-12-30
CN105196114B true CN105196114B (zh) 2016-08-24

Family

ID=54944241

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510744594.1A Expired - Fee Related CN105196114B (zh) 2015-11-05 2015-11-05 基于小波分析和神经网络的刀具磨损实时在线监测方法

Country Status (1)

Country Link
CN (1) CN105196114B (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105563234A (zh) * 2016-01-22 2016-05-11 浙江大学台州研究院 麻花钻磨损监测方法
CN105834834B (zh) * 2016-04-21 2017-10-27 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
CN106647629A (zh) * 2016-09-22 2017-05-10 华中科技大学 一种基于数控系统内部数据的断刀检测方法
CN106425686A (zh) * 2016-12-12 2017-02-22 龙熙德 一种数控机床刀具磨损监测方法及系统
CN107159964B (zh) * 2017-07-03 2018-12-18 杭州电子科技大学 卧式内拉床智能拉削单元
CN108520125A (zh) * 2018-03-29 2018-09-11 上海理工大学 一种预测刀具磨损状态的方法及系统
CN108620950B (zh) * 2018-05-08 2021-02-02 华中科技大学无锡研究院 一种车削刀具加工状态监测方法及系统
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
CN108942409B (zh) * 2018-08-26 2020-05-12 西北工业大学 基于残差卷积神经网络的刀具磨损量的建模和监测方法
CN109590805B (zh) * 2018-12-17 2019-11-29 杭州国彪超声设备有限公司 一种车削刀具工作状态的确定方法及系统
CN110000610A (zh) * 2019-04-17 2019-07-12 哈尔滨理工大学 一种基于多传感器信息融合及深度置信网络的刀具磨损监测方法
DE102019112775A1 (de) * 2019-05-15 2020-11-19 Point 8 Gmbh Verfahren zum Betreiben eines virtuellen Sensors für das Bestimmen eines Zustands eines Werkzeughalters einer Werkzeugmaschine, virtueller Sensor für das Bestimmen eines Zustands eines Werkzeughalters sowie Werkzeugmaschine
TWI687277B (zh) * 2019-05-24 2020-03-11 國立虎尾科技大學 刀具磨耗預測方法
CN113600896A (zh) * 2021-08-05 2021-11-05 豪丰茂五金制品(太仓)有限公司 一种数控机床铣刀磨损状态信号监测方法
CN114102259B (zh) * 2021-11-23 2022-11-01 华中科技大学 一种金属基复合材料微细切削刀具与磨损监测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3076548B2 (ja) * 1998-03-20 2000-08-14 川崎重工業株式会社 工具摩耗検知装置および方法
CN102172849A (zh) * 2010-12-17 2011-09-07 西安交通大学 基于小波包和概率神经网络的刀具破损自适应报警方法
CN103465107B (zh) * 2013-09-24 2016-05-25 沈阳利笙电子科技有限公司 一种刀具磨损监测方法
CN103962888A (zh) * 2014-05-12 2014-08-06 西北工业大学 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

Also Published As

Publication number Publication date
CN105196114A (zh) 2015-12-30

Similar Documents

Publication Publication Date Title
CN105196114B (zh) 基于小波分析和神经网络的刀具磨损实时在线监测方法
CN105877766B (zh) 一种基于多生理信号融合的精神状态检测系统及方法
CN110795843B (zh) 一种识别滚动轴承故障的方法及装置
CN109858104B (zh) 一种滚动轴承健康评估与故障诊断方法及监测系统
CN104112072B (zh) 基于小波阈值去噪的主成分分析的工作模态参数识别方法
CN108318129A (zh) 桥梁结构模态参数真假甄别方法及终端设备
CN112508105B (zh) 一种采油机故障检测与检索方法
CN104274191B (zh) 一种心理测评方法及其系统
CN105424366A (zh) 基于eemd自适应消噪的轴承故障诊断方法
CN106002490B (zh) 基于刀位轨迹和冗余剔除的铣削工件粗糙度监测方法
CN104330255A (zh) 一种基于多传感器信息融合的齿轮故障诊断方法
CN106725376B (zh) 体征信号检测方法及装置
CN108549875A (zh) 一种基于深度通道注意力感知的脑电癫痫发作检测方法
CN109323754A (zh) 一种列车车轮多边形故障诊断检测方法
CN108090509A (zh) 一种数据长度自适应的心电图分类方法
CN110123342A (zh) 一种基于脑电波的网瘾检测方法及系统
CN109061426A (zh) 变压器局部放电故障诊断方法及在线监测装置
CN113283310A (zh) 一种基于声纹特征的电力设备健康状态检测系统和方法
CN114429152A (zh) 基于动态指数对抗性自适应的滚动轴承故障诊断方法
CN112364706A (zh) 一种基于类不平衡的小样本轴承故障诊断方法
CN109434562A (zh) 基于划分聚类的铣削刀具磨损状态识别方法
CN114354184A (zh) 一种基于深度学习的大型回转装备主轴健康预警模型建立方法和装置
Zhang et al. Complementary ensemble adaptive local iterative filtering and its application to rolling bearing fault diagnosis
CN110082106A (zh) 一种基于Yu范数的深度度量学习的轴承故障诊断方法
CN113466616A (zh) 一种电缆故障点快速定位方法以及装置

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20160824

Termination date: 20171105