CN109158954B - 一种基于声信号检测的超声刀具磨损状态识别方法与系统 - Google Patents
一种基于声信号检测的超声刀具磨损状态识别方法与系统 Download PDFInfo
- Publication number
- CN109158954B CN109158954B CN201811049929.8A CN201811049929A CN109158954B CN 109158954 B CN109158954 B CN 109158954B CN 201811049929 A CN201811049929 A CN 201811049929A CN 109158954 B CN109158954 B CN 109158954B
- Authority
- CN
- China
- Prior art keywords
- cutter
- state
- wear
- classifier
- sample set
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 48
- 239000013598 vector Substances 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 238000005520 cutting process Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims abstract description 12
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 15
- 239000000463 material Substances 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 230000005236 sound signal Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000002131 composite material Substances 0.000 description 7
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
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
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开一种基于声信号检测的超声刀具磨损状态识别方法，包括：采集刀具切削过程的声信号，获取刀具状态的种类及各种刀具状态下的声信号；将采集到的声信号与各自对应的刀具状态种类组合，形成不同状态的刀具样本集，并分为测试样本集和训练样本集；对所述测试样本集进行时域分析、频域分析、小波包分析，获取多个特征参数；选取n个特征参数，n组特征向量分别输入到n个BP网络分类器，通过训练样本集对每个分类器进行训练；将待测样本输入到训练好的各个分类器中，自适应获取每个分类器的权值，由多分类器线性加权融合判决，得出超声刀具磨损状态类别。本发明在不改变机床本身的机械结构前提下，通过采集超声刀具切削时的声信号，提高了超声刀具磨损状态实时监测的准确率。
Description
技术领域
本发明主要涉及航空用蜂窝复合材料加工领域，特别涉及一种基于声信号检测的超声刀具磨损状态识别方法与系统。
背景技术
omax蜂窝复合材料是一种轻型结构材料，具有最优比强度、比刚度、最大抗疲劳性能、表面平整光滑等特点，已在我国航天领域得到较为广泛地应用。随着我国航空航天工业的不断发展，Nomax蜂窝复合材料的应用变得也更加广泛，同时对于蜂窝材料产品的复杂性，以及产品的精度也有了更高的要求。
超声切削加工技术作为一种新兴的加工技术，凭借其在高硬度、难加工材料加工过程中的优越性，被广泛应用于现代加工领域。超声刀具作为超声加工过程中的直接作用部件，它的实时状态对材料的切削质量有着至关重要的影响，所以对于超声刀具的实时检测就显得极为重要。目前，企业在蜂窝材料的加工过程中，大多是停机对刀具状态进行检测，这样会严重影响企业的生产效率。由于检测过程不够智能化，导致效率低下以及资源的浪费。一方面，若刀具更换不及时，坏刀会直接影响蜂窝材料的表面质量、尺寸精度等，严重时，甚至导致加工的材料不合格，蜂窝材料的报废，增加企业生产成本。另一方面，若换刀过早，刀具未得到有效的使用，也会导致刀具使用效率的降低，目前我国使用的超声刀具很多是国外进口的，价格昂贵，刀具使用不充分也会给Nomax蜂窝复合材料加工企业增加很多的经济成本。因此，研究超声加工Noamx蜂窝复合材料过程中的超声刀具磨损状态监测方法与系统，对缩减加工成本、增大企业加工效率具有很重要的意义。
目前，基于声信号的超声刀具磨损状态实时监测的系统还尚没有，有学者使用高速相机对超声刀具进行监测，但也无法做到实时监测，因为刀具要停留在一个指定拍照位置，并且刀具上的切削粉尘也会干扰检测的结果。超声加工环境的复杂性以及加工材料的特殊性，导致很多普通刀具上可以使用的监测方法都很难实现，例如部分用于铣床和车床监测的方法对超声刀具信号(非线性、非平稳，小样本等特点)的故障识别不合适，导致对超声刀具的识别率较低，甚至无法识别。
发明内容
针对上述现有技术的不足，本发明提出一种基于声信号检测的超声刀具磨损状态监测方法与系统，能够在不改变机床本身的机械结构前提下，较为方便采集超声刀具切削时的声信号，并且通过较少的实验数据完成BP网络分类器训练，节约训练成本。通过使用多特征向量，多分类器融合，提高超声刀具磨损状态实时监测的正确率。
为实现上述技术目的，本发明采用如下技术方案：
一种基于声信号检测的超声刀具磨损状态识别方法，包括以下步骤：
S1，采集刀具切削过程的声信号，获取刀具状态的种类及各种刀具状态下的声信号；
S2，将采集到的刀具切削声信号与各自对应的刀具状态种类组合，形成不同状态的刀具样本集，将所述刀具样本集区分为测试样本集和训练样本集；
S3，对所述测试样本集和训练样本集进行时域分析、频域分析、小波包分析，获取多个反映刀具状态的特征参数；
S4，选取n个特征参数，将每n-1个不同特征参数组成一个特征向量，n组特征向量分别输入到n个BP网络分类器，通过训练样本集对每个分类器进行训练；
S5，将待测样本输入到训练好的各个分类器中，自适应获取每个分类器的权值，由多分类器线性加权融合判决，得出刀具的类别概率最大的状态，输出超声刀具磨损状态类别。
优选地，所述刀具状态的种类包括初期磨损、中期磨损、后期磨损和破损。
优选地，步骤S3之前，还包括滤噪处理，对所述刀具样本集进行小波滤噪。
优选地，步骤S3具体为：
S31，对刀具切削的声信号在时域上进行均方根计算；
S32，分析空切状态下环境噪音频域分布；
S33，通过小波包分解提取合适特征频段的能量百分比特征；
S34，确定各刀具状态下，切削蜂窝材料时的T次声信号的共同特征参数项。
优选地，所述共同特征参数项为5个，包括2个时域参数项均方根和3个小波分解后特征频段能量百分比特征。
优选地，步骤S5包括以下步骤：
S51，由测试样本集中的特征向量找到训练样本集中欧氏距离最近的k个最近邻，计算每个特征参数最近邻与单分类器输出类别的相关性，若相关性低于阈值S，则直接剔除，得到剩下的有效近邻Q。
S52，根据所述有效近邻Q，得到特征向量的状态矩阵CMi，通过状态矩阵以及归一化处理得到各BP网络分类器的动态权值Wi；
S53，由所得权值Wi以及各BP网络分类器分类结果Wi，利用线性加权方法得到超声刀具状态判别结果。
本发明还提供一种基于声信号检测的超声刀具磨损状态监测系统，包括信号处理终端和信号采集系统，其中，
信号采集系统，用于通过传声器采集刀具切削过程的声信号，获取刀具状态的种类及各种刀具状态下的声信号；
信号处理终端包括：
刀具状态样本构建单元，将采集到的声信号与各自对应的刀具状态种类组合在一起，形成不同状态的刀具样本集，将所述刀具样本集区分为测试样本集和训练样本集；
刀具磨损特征提取单元，对测试样本集和训练样本集进行时域分析、频域分析、小波包分析，选择多个反映刀具状态的特征参数，构造特征向量；
单分类器训练单元，将所述多个特征向量分别输入到多个BP神经网络中进行训练，训练生成多个单分类器；
单分类器权值自获取单元，通过k近邻算法和聚类分析思想，筛选出各个单分类器的有效近邻，并构造出各个单分类器在有效邻域上的状态矩阵，通过构造的状态矩阵，计算各单分类器在有效邻域内的分类准确率，作为该分类器的性能指标；将所有的性能指标进行归一化处理以后，依次分配各单分类器的权值；
刀具磨损状态识别单元，根据各个BP网络分类器自获取的权值以及待测超声刀具磨损状态的分类结果集，计算所述超声刀具磨损状态的类别概率，筛选出类别概率最大所对应的刀具磨损状态，作为所述待测刀具的磨损类别。
优选地，所述刀具状态的种类包括初期磨损、中期磨损、后期磨损和破损。
优选地，所述刀具磨损特征提取单元还包括滤噪处理单元，用于对所述刀具样本集进行小波滤噪。
优选地，所述信号采集系统与传声器之间设有前置放大器。
相对于现有技术，本发明具有以下优点：
本发明通过采集不同磨损状态的超声刀具切削Nomax蜂窝复合材料的声信号，提取时域上的均方根和方差，以及小波包分解能量百分比等特征参数，构成训练数据集；然后由这些特征参数构成多个特征向量；将所述多个特征向量分别输入到多个BP神经网络进行训练，得到多个BP网络分类器，进一步采用聚类分析和k近邻算法对单分类器进行权值自获取，最后对多分类器进行线性加权融合策略，计算所述超声刀具磨损状态的类别概率，将其中最大概率刀具状态作为刀具实时磨损状态识别输出。该发明能够在不改变机床本身的机械结构前提下，较为方便采集超声刀具切削时的声信号，并实现较少的实验数据得到较多的特征向量样本集，完成BP网络分类器训练，节约训练成本。通过使用多特征向量，引入状态矩阵，实现单分类器动态权值的获取，通过自适应权值多分类器融合，提高超声刀具磨损状态实时监测的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为实施例1所述基于声信号检测的超声刀具磨损状态识别方法的流程图。
图2为实施例1所述基于声信号检测的超声刀具磨损状态识别方法的分类器动态权值获取以及多分类器融合流程图。
图3为实施例2所述基于声信号检测的超声刀具磨损状态识别系统的设备连接示意图。
具体实施方式
下面结合具体实施例和附图对本发明作详细说明。虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
实施例1
如图1所示，本实施例提出的一种基于声信号检测的超声刀具磨损状态识别方法与系统，所述方法包括：
步骤S1、采集超声刀具切削加工过程的声信号数据，获取刀具状态的种类及各种刀具状态下所得的声信号。
具体过程为，先给出刀具的磨损状态M种(初期磨损，中期磨损，后期磨损，破损等)，每种刀具状态下获取已测超声刀具切削声信号数据T次，每组N个数据，每组数据类别记为
(t＝1，2，…，T；m＝1,2,…,M，其中t为已采数据中组号，m为第M类超声刀具状态)。
步骤S2、将采集到的切削声音时域信号与各自对应的刀具状态种类组合在一起，形成不同状态的超声刀具样本集，并且进一步将超声刀具的状态样本集区分为测试样本集和训练样本集。
具体过程为，将超声刀具样本集，分为训练样本集T1和测试样本集T2，训练样本集用于对BP网络分类器进行训练学习，测试样本集用于对BP网络分类器进行测试评估，T1和T2分别为训练样本集和测试样本集的样本容量，且有T1+T2＝T。
步骤S3、将训练样本集和测试样本集进行时域分析、频域分析、小波包分析。提取特征：对声信号在时域上进行均方根计算；通过分析空切状态下环境噪音频域分布，通过小波包分解提取合适特征频段的能量百分比特征；
具体过程为，确定各类超声刀具状态切削蜂窝材料时T次声信号的共同特征参数项Fi(有5个，包括时域参数2个，小波包特征频段能量百分比3个)，五个特征分别是声信号时域上的均方根值和方差值以及3个小波包特征频段能量百分比。将采集的信号进行小波除噪之后，进行三层小波包分解，将各组信号分解到八个频段上面，即0～2khz,2khz～4khz,4khz～6khz,6khz～8khz,8khz～10khz,10khz～12khz,12khz～14khz,14khz～16khz。其中，2khz～4khz,4khz～6khz,6khz～8khz,三个频带能量最大，且避开了环境影响较大的低频段，所以选取其为声信号的特征频段，并取特征频段能量百分比作为特征参数项。此时计算出的特征参数项表示为
(j＝1，2，3，4，5，j表示对应的5个特征)。
步骤S4、将选取的刀具磨损敏感的五个特征，每四个组成一个特征向量，共五组，五组向量分别输入到设计好的五个BP网络分类器中。通过训练样本集对每个单分类器进行训练。所述BP网络分类器中的输入层、隐层、输出层关系为4-2-1。
具体过程为，将前面所述的含有5个元素的特征向量
分别取不同的4个元素，组成新的特征向量，分别为
5个特征向量分别用以训练5个不同的BP神经网络，得到5个BP网络分类器BPi(i＝1，2，3，4，5)。
步骤S5、将待测样本输入到各分类器中，使用聚类分析的思想和k最近邻算法，引入状态矩阵，然后自适应确定每个BP分类器的权值，最后由多分类器线性加权融合判决，得出超声刀具的类别概率最大的状态，输出超声刀具实时磨损状态类别。
具体过程为，提取测试样本集Text-X中的5个特征，计算每类特征的特征向量与样本训练集Train-X中的相应类别特征参数项之间的欧氏距离，再利用k近邻方法，在训练集中选出与测试样本集Text-X的每类特征距离最近的k个近邻样本，记为Zij(表示第i类特征的第j个近邻，其中i＝1，2，…，5，j＝1，2，…，k)。
分析待测样本Text-X在各个BP网络分类器上的输出结果Ri(i＝1，2，3)与这些每个特征参数项的近邻样本Zij的相关性记为
记每类特征的k近邻点相关性总和为同类度：
U(Text-X，Zij)的取值范围是[0,1],U(Text-X，Zij)的值越接近于1，则分类器样本划分认为两者属于同一类别的一致程度越高，反之，则越低。设定阈值S,若U(Text-X，Zij)≥S，该特征参数项近邻为有效近邻，反之，将该特征参数项近邻剔除，减少无效近邻对多分类器融合产生干扰。剩下的所有特征参数项有效近邻集合为Q。
进一步由所述单分类器有效近邻Q,构建状态矩阵CMi(i＝1，2，3，4，5，表示分类器个数)：
矩阵ZQmn(m＝1，2，3，n＝1，2，3，4，5)纵向m表示各个特征参数项中属于超声刀具磨损初期、磨损中期、磨损后期的近邻个数。横向n表示特征参数的类别。根据输出类别Ri，用ratei记为各单分类器分类性能指标。
(i＝1，2，3，4,表示特征向量个数)，将各分类器性能指标进行归一化处理，依据公式
Wi即为个单分类器权值。将各单分类器分类结果Ri与各单分类器权重Wi利用线性加权的方式，得出超声刀具的类别概率最大的状态，输出多分类器融合超声刀具磨损状态类别。得到超声刀具磨损状态判别。
实施本发明实施例，具有如下有益效果：
本发明实施例通过采集不同磨损状态的超声刀具切削蜂窝复合材料的声信号，提取时域上的均方根和方差，以及小波包分解能量百分比等特征参数，构成训练数据集；然后由这些特征参数构成多个特征向量；将所述多个特征向量分别输入到多个BP神经网络进行训练，得到多个BP网络分类器，进一步采用聚类分析和k近邻算法对单分类器进行权值自获取，最后对多分类器进行线性加权融合策略，计算所述超声刀具磨损状态的类别概率，将其中最大概率刀具状态作为刀具实时磨损状态识别输出。该发明能够在不改变机床本身的机械结构前提下，较为方便采集超声刀具切削时的声信号，并实现较少的实验数据得到较多的特征向量样本集，完成BP网络分类器训练，节约训练成本。通过使用多特征向量，引入状态矩阵，实现单分类器动态权值的获取，通过多分类器融合，提高超声刀具磨损状态实时监测的准确率。
实施例2
如图3所示，本实施例提供一种基于声信号检测的超声刀具磨损状态监测系统，包括信号处理终端和信号采集系统，其中，
信号采集系统，用于通过传声器采集刀具切削过程的声信号，获取刀具状态的种类及各种刀具状态下的声信号；所述刀具状态的种类包括初期磨损、中期磨损、后期磨损和破损等等。
信号处理终端包括(图中未示出)：
刀具状态样本构建单元，将采集到的声信号与各自对应的刀具状态种类组合在一起，形成不同状态的刀具样本集，将所述刀具样本集区分为测试样本集和训练样本集；
刀具磨损特征提取单元，对测试样本集和训练样本集进行时域分析、频域分析、小波包分析，选择多个反映刀具状态的特征参数，构造特征向量；
单分类器训练单元，将所述多个特征向量分别输入到多个BP神经网络中进行训练，训练生成多个单分类器；
单分类器权值自获取单元，通过k近邻算法和聚类分析思想，筛选出各个单分类器的有效近邻，并构造出各个单分类器在有效邻域上的状态矩阵，通过构造的状态矩阵，计算各单分类器在有效邻域内的分类准确率，作为该分类器的性能指标；将所有的性能指标进行归一化处理以后，依次分配各单分类器的权值；
刀具磨损状态识别单元，根据各个BP网络分类器自获取的权值以及待测超声刀具磨损状态的分类结果集，计算所述超声刀具磨损状态的类别概率，筛选出类别概率最大所对应的刀具磨损状态，作为所述待测刀具的磨损类别。
所述刀具磨损特征提取单元还包括滤噪处理单元，用于对所述刀具样本集进行小波滤噪。
所述信号采集系统与传声器之间设有前置放大器，以提高声信号采集效果。
本实施例信号处理终端的具体处理方法和步骤与实施例1相同，此处不再赘述。
本领域的普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序或来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于声信号检测的超声刀具磨损状态识别方法，其特征在于，包括以下步骤：
S1，采集刀具切削过程的声信号，获取刀具状态的种类及各种刀具状态下的声信号；
S2，将采集到的刀具切削声信号与各自对应的刀具状态种类组合，形成不同状态的刀具样本集，将所述刀具样本集区分为测试样本集和训练样本集；
S3，对所述测试样本集和训练样本集进行时域分析、频域分析、小波包分析，获取多个反映刀具状态的特征参数；
S4，选取n个特征参数，将每n-1个不同特征参数组成一个特征向量，n组特征向量分别输入到n个BP网络分类器，通过训练样本集对每个分类器进行训练；
S5，将待测样本输入到训练好的各个分类器中，自适应获取每个分类器的权值，由多分类器线性加权融合判决，得出刀具的类别概率最大的状态，输出超声刀具磨损状态类别；
步骤S5包括以下步骤：
S51，由测试样本集中的特征向量找到训练样本集中欧氏距离最近的k个最近邻，计算每个特征参数最近邻与单分类器输出类别的相关性，若相关性低于阈值S，则直接剔除，得到剩下的有效近邻Q；
S52，根据所述有效近邻Q，得到特征向量的状态矩阵
，通过状态矩阵以及归一化处
理得到各BP网络分类器的动态权值
；
S53，由所得权值Wi以及各BP网络分类器分类结果
，利用线性加权方法得到超声刀具
状态判别结果。
2.如权利要求1所述的方法，其特征在于，所述刀具状态的种类包括初期磨损、中期磨损、后期磨损和破损。
3.如权利要求1所述的方法，其特征在于，步骤S3之前，还包括滤噪处理，对所述刀具样本集进行小波滤噪。
4.如权利要求1所述的方法，其特征在于：步骤S3具体为：
S31，对刀具切削的声信号在时域上进行均方根计算；
S32，分析空切状态下环境噪音频域分布；
S33，通过小波包分解提取合适特征频段的能量百分比特征；
S34，确定各刀具状态下，切削蜂窝材料时的T次声信号的共同特征参数项。
5.如权利要求4所述的方法，其特征在于：所述共同特征参数项为5个，包括2个时域参数项均方根和3个小波分解后特征频段能量百分比特征。
6.一种基于声信号检测的超声刀具磨损状态监测系统，其特征在于，包括信号处理终端和信号采集系统，其中，
信号采集系统，用于通过传声器采集刀具切削过程的声信号，获取刀具状态的种类及各种刀具状态下的声信号；
信号处理终端包括：
刀具状态样本构建单元，将采集到的声信号与各自对应的刀具状态种类组合在一起，形成不同状态的刀具样本集，将所述刀具样本集区分为测试样本集和训练样本集；
刀具磨损特征提取单元，对测试样本集和训练样本集进行时域分析、频域分析、小波包分析，选择多个反映刀具状态的特征参数，构造多个特征向量；
单分类器训练单元，将所述多个特征向量分别输入到多个BP神经网络中进行训练，训练生成多个单分类器；
单分类器权值自获取单元，通过k近邻算法和聚类分析思想，筛选出各个单分类器的有效近邻，并构造出各个单分类器在有效邻域上的状态矩阵，通过构造的状态矩阵，计算各单分类器在有效邻域内的分类准确率，作为该分类器的性能指标；将所有的性能指标进行归一化处理以后，依次分配各单分类器的权值；
刀具磨损状态识别单元，根据各个BP网络分类器自获取的权值以及待测超声刀具磨损状态的分类结果集，计算所述待测超声刀具磨损状态的类别概率，筛选出类别概率最大所对应的刀具磨损状态，作为所述待测超声刀具的磨损类别。
7.如权利要求6所述的系统，其特征在于，所述刀具状态的种类包括初期磨损、中期磨损、后期磨损和破损。
8.如权利要求6所述的系统，其特征在于，所述刀具磨损特征提取单元还包括滤噪处理单元，用于对所述刀具样本集进行小波滤噪。
9.如权利要求6所述的系统，其特征在于，所述信号采集系统与传声器之间设有前置放大器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811049929.8A CN109158954B (zh) | 2018-09-10 | 2018-09-10 | 一种基于声信号检测的超声刀具磨损状态识别方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811049929.8A CN109158954B (zh) | 2018-09-10 | 2018-09-10 | 一种基于声信号检测的超声刀具磨损状态识别方法与系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109158954A CN109158954A (zh) | 2019-01-08 |
| CN109158954B true CN109158954B (zh) | 2020-12-22 |
Family
ID=64894596
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811049929.8A Expired - Fee Related CN109158954B (zh) | 2018-09-10 | 2018-09-10 | 一种基于声信号检测的超声刀具磨损状态识别方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109158954B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110208377A (zh) * | 2019-06-19 | 2019-09-06 | 南京邮电大学 | 一种基于Lamb波的多特征参数损伤程度评估方法 |
| CN110561193B (zh) * | 2019-09-18 | 2020-09-29 | 杭州友机技术有限公司 | 一种基于特征融合的刀具磨损评估及监控的方法与系统 |
| CN111085898A (zh) * | 2019-12-30 | 2020-05-01 | 南京航空航天大学 | 一种工况自适应的高速铣削加工过程刀具监测方法及系统 |
| CN111230159B (zh) * | 2020-03-02 | 2021-04-16 | 西南交通大学 | 一种多传感器融合的车刀状态监测方法及系统 |
| 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 |
| CN111716150B (zh) * | 2020-06-30 | 2021-07-02 | 大连理工大学 | 一种刀具状态智能监测的进化学习方法 |
| CN114078473A (zh) * | 2020-08-13 | 2022-02-22 | 富泰华工业（深圳）有限公司 | 刀具检测方法、电子装置及存储介质 |
| CN112207631B (zh) * | 2020-09-21 | 2023-01-24 | 深圳市玄羽科技有限公司 | 刀具检测模型的生成方法、检测方法、系统、设备及介质 |
| CN115179107A (zh) * | 2022-09-14 | 2022-10-14 | 南通三优佳磁业有限公司 | 一种铁芯智能冲剪监测方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017192821A1 (en) * | 2016-05-06 | 2017-11-09 | Massachusetts Institute Of Technology | Method and apparatus for efficient use of cnc machine shaping tool including cessation of use no later than the onset of tool deterioration by monitoring audible sound during shaping |
| CN107194427A (zh) * | 2017-05-26 | 2017-09-22 | 温州大学 | 一种铣削刀具故障监测与识别方法及系统 |
| CN107577994A (zh) * | 2017-08-17 | 2018-01-12 | 南京邮电大学 | 一种基于深度学习的行人、车辆附属品识别及检索方法 |
| CN108364016A (zh) * | 2018-01-12 | 2018-08-03 | 华南理工大学 | 基于多分类器的渐进式半监督分类方法 |
-
2018
- 2018-09-10 CN CN201811049929.8A patent/CN109158954B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN109158954A (zh) | 2019-01-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109158954B (zh) | 一种基于声信号检测的超声刀具磨损状态识别方法与系统 | |
| CN110647943B (zh) | 基于演化数据聚类分析的切削刀具磨损监测方法 | |
| CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
| CN111687689A (zh) | 一种基于lstm和cnn的刀具磨损状态预测方法及装置 | |
| CN107194427A (zh) | 一种铣削刀具故障监测与识别方法及系统 | |
| CN110135521A (zh) | 基于卷积神经网络的极片极耳缺陷检测模型、检测方法及系统 | |
| Chen et al. | Surface roughness measurement method based on multi-parameter modeling learning | |
| CN111832432B (zh) | 一种基于小波包分解和深度学习的刀具磨损实时预测方法 | |
| CN113378725A (zh) | 一种基于多尺度-通道注意力网络的刀具故障诊断方法、设备及存储介质 | |
| 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 | |
| CN114692677B (zh) | 一种基于多目标特征选择的焊接缺陷识别方法 | |
| CN114462475A (zh) | 一种基于单分类算法的无监督机器异常声检测方法和装置 | |
| CN115905976B (zh) | 基于注意力机制的Highway Bi-LSTM轴承故障诊断方法、系统及设备 | |
| CN113780208A (zh) | 一种基于对抗迁移学习的刀具磨损状态预测方法及装置 | |
| CN116787225A (zh) | 一种基于声振信号特征融合图的旋转刀具磨损监测方法 | |
| CN114462480A (zh) | 基于非均衡数据集下的多源传感器轧机故障诊断的方法 | |
| CN116340746A (zh) | 一种基于随机森林改进的特征选择方法 | |
| CN114346761A (zh) | 一种基于改进条件生成对抗网络的刀具磨损状况检测方法 | |
| CN116861303A (zh) | 一种变电站数字孪生多源信息融合诊断方法 | |
| CN115112372A (zh) | 轴承故障诊断方法、装置、电子设备及存储介质 | |
| CN115165366A (zh) | 一种旋转机械变工况故障诊断方法及系统 | |
| CN114227382A (zh) | 基于新型胶囊网络的刀具破损监测系统及方法 | |
| CN114239810A (zh) | 一种基于改进PCANet模型的铣刀磨损预测方法 | |
| CN113523904A (zh) | 一种刀具磨损检测方法 | |
| Li et al. | Semi-supervised multi-source meta-domain generalization method for tool wear state prediction under varying cutting conditions |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201222 |