CN109732406A - 一种智能刀具故障诊断方法 - Google Patents

一种智能刀具故障诊断方法 Download PDF

Info

Publication number
CN109732406A
CN109732406A CN201910011930.XA CN201910011930A CN109732406A CN 109732406 A CN109732406 A CN 109732406A CN 201910011930 A CN201910011930 A CN 201910011930A CN 109732406 A CN109732406 A CN 109732406A
Authority
CN
China
Prior art keywords
cutter
value
signal
wear
tool
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
Application number
CN201910011930.XA
Other languages
English (en)
Inventor
孙巍伟
黄民
何一千
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.)
Beijing Information Science and Technology University
Original Assignee
Beijing Information Science and Technology University
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 Beijing Information Science and Technology University filed Critical Beijing Information Science and Technology University
Priority to CN201910011930.XA priority Critical patent/CN109732406A/zh
Publication of CN109732406A publication Critical patent/CN109732406A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Length Measuring Devices With Unspecified Measuring Means (AREA)

Abstract

本发明涉及一种智能刀具故障诊断方法，其包括以下步骤：获取机床刀具加工过程中总电机产生的三相电流信号：刀具切削产生的振动信号、切削力信号以及声发射信号，并对采集到的各种信号进行数据分析处理，提取其中的刀具敏感特征；根据获得的刀具敏感特征，建立刀具信号特征和刀具磨损故障的对应关系，以完成刀具磨损故障的智能识别。本发明根据刀具加工过程三相电流信号、振动信号、声发射信号以及切削力信号特征，实现刀具磨损故障的自动检测，并能自动识别刀具磨损状态。

Description

一种智能刀具故障诊断方法
技术领域
本发明涉及一种刀具故障诊断方法，特别是关于一种在检测仪器仪表领域中使用的智能刀具故障诊断方法。
背景技术
目前，刀具故障诊断都是通过定期卸下刀具人为地肉眼进行观察，根据刀具外形和操作人员的经验进行判断刀具是否严重磨损，这样判断刀具故障不具有在线性和智能性，而且需要耗费大量人工成本，如果经常进行刀具诊断还会影响生产效率，耗费经济成本。因此，需要寻求一种可以在线自动监测刀具故障的方法，能够自主进行监测，自动识别刀具磨损状态。
发明内容
针对上述问题，本发明的目的是提供一种智能刀具故障诊断方法，其根据刀具加工过程三相电流信号、振动信号、声发射信号以及切削力信号特征，实现刀具磨损故障的自动检测，并能自动识别刀具磨损状态。
为实现上述目的，本发明采取以下技术方案：一种智能刀具故障诊断方法，其包括以下步骤：1)获取机床刀具加工过程中总电机产生的三相电流信号：刀具切削产生的振动信号、切削力信号以及声发射信号，并对采集到的各种信号进行数据分析处理，提取其中的刀具敏感特征；2)根据获得的刀具敏感特征，建立刀具信号特征和刀具磨损故障的对应关系，以完成刀具磨损故障的智能识别。
进一步，所述步骤1)中，刀具敏感特征的提取方法步骤如下：1.1)采集刀具的n个不同磨损阶段总电机产生的三相电流信号：刀具切削产生的振动信号、切削力信号以及声发射信号；1.2)对采集到的各种信号x(t)进行时域分析，得到各种信号的均值、均方值、方差、峭度、峰值、峰值因子、波形因子、脉冲因子和裕度因子的时域特征的特征值；1.3)对采集到的各种信号x(t)进行频域分析，通过快速傅里叶变换得到各种信号的功率谱密度函数，对各种信号的功率谱密度按照频率进行划分；1.4)对采集到的各种信号x(t)进行小波分析；1.5)以刀具后刀面的磨损值VB作为刀具磨损程度的标准，采集刀具从新刀到严重磨损整个过程中的各种信号，并将整个过程分为n段，每段刀具的磨损值都不同，分别表示刀具处于不同磨损阶段；将刀具的n个不同磨损阶段采集到的各种信号x(t)进行时域、频域和小波分析后，每个刀具磨损阶段都得到由时域、频域和小波分析构成的m个特征对应的特征值；在刀具的n个不同磨损阶段的同一种特征值构成一个特征向量，对m个特征向量fij都进行归一化处理；1.6)对每个特征向量做曲线拟合，根据最小二乘法求出每种特征的拟合直线，并求取拟合直线的平方误差；1.7)根据得到m种特征的拟合直线，以及每条拟合曲线的斜率ki和平方误差ei；在保证平方误差ei在允许的范围内，其中斜率ki的绝对值最大的k条拟合直线所对应的特征做为刀具磨损的敏感特征。
进一步，所述步骤1.3)中，将声发射信号能量集中的频率段作为有效的频率范围进行划分，得到各种信号经过等分的若干子频带，对划分后的每个子频带进行均值计算，得到各种信号在频域上的特征值。
进一步，所述步骤1.4)中，小波分析方法为：首先对得到的各种信号进行小波分解，得到其各层细节信号和逼近信号，并对每层细节信号和逼近信号进行均值、均方值和方差的计算，得到各种信号经过小波分析后的特征值。
进一步，所述步骤1.5)中，对m个特征向量fij都进行归一化处理：
式中，fmax是特征向量fij的最大值，fmin是特征向量fij的最小值；i＝1、2、…、m；j＝1、2、…、n。
进一步，所述步骤1.6)中，拟合直线为：
si(x)＝kix+bi
式中，ki表示第i个特征向量的拟合直线的斜率，i＝1、2、…、m；bi为常数；
拟合直线的平方误差e为：
式中，yj表示计算得到的真实特征值。
进一步，所述步骤2)中，刀具磨损故障的智能识别方法包括以下步骤：2.1)采集N组刀具正常磨损状态下的各种信号作为样本，并根据步骤1)选出k个敏感特征，计算出对应的特征值组成特征矩阵X＝[xab]k×N，其中a＝1、2、…、k；b＝1、2、…、N；对特征矩阵进行正则化处理，得到正则化基准矩阵Z＝[zab]k×N，并计算正则化基准矩阵Z的相关系数矩阵C；2.2)采集刀具中度磨损状态下的各种信号，得到敏感特征值组成的特征向量y＝[y1,y2,...,yk]T，同样对其正则化处理，得到正则化的特征向量Y，根据正则化的特征向量计算刀具中度磨损状态下的马氏距离值MD2，并根据计算出的马氏距离值MD2，设定中度磨损阈值为T1；2.3)同步骤2.2)一样，采集刀具严重磨损状态下的各种信号，得到敏感特征值组成的特征向量y＝[y1,y2,...,yk]T，同样对其正则化处理，计算刀具严重磨损状态下的马氏距离值，设定严重磨损阈值为T2；2.4)采集刀具未知状态下的各种信号，得到对正则化后的特征向量y＝[y1,y2,...,yk]T，计算其马氏距离值MD′2，将其与T1和T2比较，进而判断该刀具的磨损状态。
进一步，所述步骤2.1)中，对特征矩阵进行正则化处理：
式中，μa为第a个敏感特征的平均值，sa为第a个敏感的标准方差，a＝1、2、…、k；b＝1、2、…、N；
计算正则化基准矩阵Z的相关系数矩阵C：
进一步，所述步骤2.2)中，根据正则化的特征向量计算刀具中度磨损状态下的马氏距离值MD2：
进一步，所述步骤2.4)中，判断该刀具的磨损状态方法为：如果MD′2<T1时，则认为刀具正常磨损，当T1<MD′2<T2时，则认为刀具已经中度磨损，当MD′2>T2时，则认为刀具已经严重磨损。
本发明由于采取以上技术方案，其具有以下优点：1、本发明可以无需停机取下刀具进行检测，能够在线实现在线刀具故障监测，没有人工干预，减少了人工成本，使刀具故障诊断更加智能化。2、本发明结合了多种刀具加工时的信号特征，可以根据不同的刀具，不同的加工情况，自动选择出对刀具磨损状态改变最敏感的特征，使此刀具故障诊断方法适应性更高。3、本发明使用了先进的信号处理和故障模式识别技术判断刀具故障，磨损故障识别的准确率更高。
附图说明
图1是本发明对刀具电流信号进行小波分解效果图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
本发明提供一种智能刀具故障诊断方法，其包括以下步骤：
1)获取机床刀具加工过程中总电机产生的三相电流信号：刀具切削产生的振动信号、切削力信号以及声发射信号。并对采集到的各种信号进行数据分析处理，提取其中的刀具敏感特征；
刀具敏感特征的提取方法步骤如下：
1.1)采集刀具的n个不同磨损阶段总电机产生的三相电流信号：刀具切削产生的振动信号、切削力信号以及声发射信号。
1.2)对采集到的各种信号x(t)进行时域分析，得到各种信号的均值、均方值、方差、峭度、峰值、峰值因子、波形因子、脉冲因子和裕度因子等不同的时域特征的特征值；
1.3)对采集到的各种信号x(t)进行频域分析，通过快速傅里叶变换得到各种信号的功率谱密度函数，对各种信号的功率谱密度按照频率进行划分：由于声发射信号的采样频率范围比其他信号的大，将声发射信号能量集中的频率段作为有效的频率范围进行划分，得到各种信号经过等分的若干子频带，对划分后的每个子频带进行均值计算，得到各种信号在频域上的特征值。
1.4)对采集到的各种信号x(t)进行小波分析，首先对得到的各种信号进行小波分解，得到其各层细节信号和逼近信号，其分解效果如图1所示，图中D1、D2、D3为小波分解后得到的三层细节信号，A3为小波分解后得到的逼近信号。并对每层细节信号和逼近信号进行均值、均方值和方差的计算，得到各种信号经过小波分析后的特征值。
1.5)以刀具后刀面的磨损值VB作为刀具磨损程度的标准，以硬质合金平铣刀为例，VB为0mm时表示新刀，VB为0.2mm表示刀具磨损严重。采集刀具从新刀到严重磨损整个过程中的各种信号，并将整个过程分为n段，每段刀具的磨损值都不同，即刀具处于不同磨损阶段。
根据步骤1.2)～步骤1.4)，将刀具的n个不同磨损阶段采集到的各种信号x(t)进行时域、频域和小波分析后，每个刀具磨损阶段都可以得到由时域、频域和小波分析构成的m个特征对应的特征值；在刀具的n个不同磨损阶段的同一种特征值构成一个特征向量，为了消除每个特征向量的取值单位不同的影响，对m个特征向量fij都进行归一化处理：
式中，fmax是特征向量fij的最大值，fmin是特征向量fij的最小值；i＝1、2、…、m；j＝1、2、…、n。
1.6)对每个特征向量做曲线拟合，根据最小二乘法求出每种特征的拟合直线，得到拟合直线为：
si(x)＝kix+bi
式中，ki表示第i个特征向量的拟合直线的斜率，i＝1、2、…、m；bi为常数；
求取拟合直线的平方误差e：
式中，yj表示步骤1.5)计算得到的真实特征值；
1.7)根据步骤1.6)可以得到m种特征的拟合直线，以及每条拟合曲线的斜率ki和平方误差ei；在保证平方误差ei在允许的范围内，其中斜率ki的绝对值最大的k条拟合直线所对应的特征可以做为刀具磨损的敏感特征。
2)根据获得的刀具敏感特征，建立刀具信号特征和刀具磨损故障的对应关系，以完成刀具磨损故障的智能识别；
其中，刀具磨损故障的智能识别方法包括以下步骤：
2.1)采集N组刀具正常磨损状态下的各种信号作为样本，并根据步骤1)选出k个敏感特征，计算出对应的特征值组成特征矩阵X＝[xab]k×N，其中a＝1、2、…、k；b＝1、2、…、N。
对特征矩阵进行正则化处理：
式中，μa为第a个敏感特征的平均值，sa为第a个敏感的标准方差，a＝1、2、…、k；b＝1、2、…、N。
进而得到正则化基准矩阵Z＝[zab]k×N，计算正则化基准矩阵Z的相关系数矩阵C：
式中，N为刀具正常磨损状态的样本数。
2.2)采集刀具中度磨损状态下的各种信号，得到敏感特征值组成的特征向量y＝[y1,y2,...,yk]T，同样对其正则化处理：
得到正则化的特征向量Y＝[Y1,Y2,...,Yk]T。
根据正则化的特征向量计算刀具中度磨损状态下的马氏距离值MD2：
根据计算出的马氏距离值MD2，设定中度磨损阈值为T1。
2.3)同步骤2.2)一样，采集刀具严重磨损状态下的各种信号，得到敏感特征值组成的特征向量y＝[y1,y2,...,yk]T，同样对其正则化处理，计算刀具严重磨损状态下的马氏距离值，设定严重磨损阈值为T2。
2.4)采集刀具未知状态下的各种信号，得到对正则化后的特征向量y＝[y1,y2,...,yk]T，计算其马氏距离值MD′2，将其与T1和T2比较，进而判断该刀具的磨损状态：如果当MD′2<T1时，可以认为刀具正常磨损，当T1<MD′2<T2时，可以认为刀具已经中度磨损，当MD′2>T2时，可以认为刀具已经严重磨损。
上述各实施例仅用于说明本发明，各个步骤都是可以有所变化的，在本发明技术方案的基础上，凡根据本发明原理对个别步骤进行的改进和等同变换，均不应排除在本发明的保护范围之外。

Claims (10)

1.一种智能刀具故障诊断方法，其特征在于包括以下步骤：
1)获取机床刀具加工过程中总电机产生的三相电流信号：刀具切削产生的振动信号、切削力信号以及声发射信号，并对采集到的各种信号进行数据分析处理，提取其中的刀具敏感特征；
2)根据获得的刀具敏感特征，建立刀具信号特征和刀具磨损故障的对应关系，以完成刀具磨损故障的智能识别。
2.如权利要求1所述诊断方法，其特征在于：所述步骤1)中，刀具敏感特征的提取方法步骤如下：
1.1)采集刀具的n个不同磨损阶段总电机产生的三相电流信号：刀具切削产生的振动信号、切削力信号以及声发射信号；
1.2)对采集到的各种信号x(t)进行时域分析，得到各种信号的均值、均方值、方差、峭度、峰值、峰值因子、波形因子、脉冲因子和裕度因子的时域特征的特征值；
1.3)对采集到的各种信号x(t)进行频域分析，通过快速傅里叶变换得到各种信号的功率谱密度函数，对各种信号的功率谱密度按照频率进行划分；
1.4)对采集到的各种信号x(t)进行小波分析；
1.5)以刀具后刀面的磨损值VB作为刀具磨损程度的标准，采集刀具从新刀到严重磨损整个过程中的各种信号，并将整个过程分为n段，每段刀具的磨损值都不同，分别表示刀具处于不同磨损阶段；
将刀具的n个不同磨损阶段采集到的各种信号x(t)进行时域、频域和小波分析后，每个刀具磨损阶段都得到由时域、频域和小波分析构成的m个特征对应的特征值；在刀具的n个不同磨损阶段的同一种特征值构成一个特征向量，对m个特征向量fij都进行归一化处理；
1.6)对每个特征向量做曲线拟合，根据最小二乘法求出每种特征的拟合直线，并求取拟合直线的平方误差；
1.7)根据得到m种特征的拟合直线，以及每条拟合曲线的斜率ki和平方误差ei；在保证平方误差ei在允许的范围内，其中斜率ki的绝对值最大的k条拟合直线所对应的特征做为刀具磨损的敏感特征。
3.如权利要求2所述诊断方法，其特征在于：所述步骤1.3)中，将声发射信号能量集中的频率段作为有效的频率范围进行划分，得到各种信号经过等分的若干子频带，对划分后的每个子频带进行均值计算，得到各种信号在频域上的特征值。
4.如权利要求2所述诊断方法，其特征在于：所述步骤1.4)中，小波分析方法为：首先对得到的各种信号进行小波分解，得到其各层细节信号和逼近信号，并对每层细节信号和逼近信号进行均值、均方值和方差的计算，得到各种信号经过小波分析后的特征值。
5.如权利要求2所述诊断方法，其特征在于：所述步骤1.5)中，对m个特征向量fij都进行归一化处理：
式中，fmax是特征向量fij的最大值，fmin是特征向量fij的最小值；i＝1、2、…、m；j＝1、2、…、n。
6.如权利要求2所述诊断方法，其特征在于：所述步骤1.6)中，拟合直线为：
si(x)＝kix+bi
式中，ki表示第i个特征向量的拟合直线的斜率，i＝1、2、…、m；bi为常数；
拟合直线的平方误差e为：
式中，yj表示计算得到的真实特征值。
7.如权利要求1至6任一项所述诊断方法，其特征在于：所述步骤2)中，刀具磨损故障的智能识别方法包括以下步骤：
2.1)采集N组刀具正常磨损状态下的各种信号作为样本，并根据步骤1)选出k个敏感特征，计算出对应的特征值组成特征矩阵X＝[xab]k×N，其中a＝1、2、…、k；b＝1、2、…、N；对特征矩阵进行正则化处理，得到正则化基准矩阵Z＝[zab]k×N，并计算正则化基准矩阵Z的相关系数矩阵C；
2.2)采集刀具中度磨损状态下的各种信号，得到敏感特征值组成的特征向量y＝[y1,y2,...,yk]T，同样对其正则化处理，得到正则化的特征向量Y，根据正则化的特征向量计算刀具中度磨损状态下的马氏距离值MD2，并根据计算出的马氏距离值MD2，设定中度磨损阈值为T1；
2.3)同步骤2.2)一样，采集刀具严重磨损状态下的各种信号，得到敏感特征值组成的特征向量y＝[y1,y2,...,yk]T，同样对其正则化处理，计算刀具严重磨损状态下的马氏距离值，设定严重磨损阈值为T2；
2.4)采集刀具未知状态下的各种信号，得到对正则化后的特征向量y＝[y1,y2,...,yk]T，计算其马氏距离值MD′2，将其与T1和T2比较，进而判断该刀具的磨损状态。
8.如权利要求7所述诊断方法，其特征在于：所述步骤2.1)中，对特征矩阵进行正则化处理：
式中，μa为第a个敏感特征的平均值，sa为第a个敏感的标准方差，a＝1、2、…、k；b＝1、2、…、N；
计算正则化基准矩阵Z的相关系数矩阵C：
9.如权利要求7所述诊断方法，其特征在于：所述步骤2.2)中，根据正则化的特征向量计算刀具中度磨损状态下的马氏距离值MD2：
10.如权利要求7所述诊断方法，其特征在于：所述步骤2.4)中，判断该刀具的磨损状态方法为：如果MD′2<T1时，则认为刀具正常磨损，当T1<MD′2<T2时，则认为刀具已经中度磨损，当MD′2>T2时，则认为刀具已经严重磨损。
CN201910011930.XA 2019-01-07 2019-01-07 一种智能刀具故障诊断方法 Pending CN109732406A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910011930.XA CN109732406A (zh) 2019-01-07 2019-01-07 一种智能刀具故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910011930.XA CN109732406A (zh) 2019-01-07 2019-01-07 一种智能刀具故障诊断方法

Publications (1)

Publication Number Publication Date
CN109732406A true CN109732406A (zh) 2019-05-10

Family

ID=66363599

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910011930.XA Pending CN109732406A (zh) 2019-01-07 2019-01-07 一种智能刀具故障诊断方法

Country Status (1)

Country Link
CN (1) CN109732406A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110340733A (zh) * 2019-07-19 2019-10-18 南京理工大学 一种清洁切削环境下刀具损伤在线与在位检测系统及方法
CN111323072A (zh) * 2020-03-18 2020-06-23 南京林业大学 一种新型木工刀具磨损在线诊断方法
CN112372371A (zh) * 2020-10-10 2021-02-19 上海交通大学 数控机床刀具磨损状态评估方法
CN113334144A (zh) * 2021-05-20 2021-09-03 武汉理工大学 一种铣削刀具磨损状态检测系统及方法
CN114715354A (zh) * 2022-04-08 2022-07-08 镇江赛尔尼柯自动化股份有限公司 一种船用设备健康管理装置及设备状态检测和故障诊断方法
CN115319538A (zh) * 2022-08-30 2022-11-11 上海诺倬力机电科技有限公司 五轴头刀具磨损智能检测方法及系统
CN115431099A (zh) * 2022-08-17 2022-12-06 南京工大数控科技有限公司 一种基于主轴电流的铣刀盘磨损量实时计算与补偿方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1037864A (zh) * 1988-05-25 1989-12-13 侯燕宁 多用笔
DE4432582A1 (de) * 1993-09-14 1995-03-16 Werner Dr Ing Kluft Vorrichtung zur Radialkraftmessung an Spitzen von Werkzeugmaschinen
DE19913665A1 (de) * 1999-03-25 2000-10-05 Joerg Kuechen Verfahren und Vorrichtung zur Bearbeitung eines Werkstücks
CN102152172A (zh) * 2011-02-24 2011-08-17 天津大学 基于协整建模的刀具磨损监测方法
CN102528561A (zh) * 2012-02-28 2012-07-04 上海大学 回转体刀具全加工周期磨破损在线自动检测装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1037864A (zh) * 1988-05-25 1989-12-13 侯燕宁 多用笔
DE4432582A1 (de) * 1993-09-14 1995-03-16 Werner Dr Ing Kluft Vorrichtung zur Radialkraftmessung an Spitzen von Werkzeugmaschinen
DE19913665A1 (de) * 1999-03-25 2000-10-05 Joerg Kuechen Verfahren und Vorrichtung zur Bearbeitung eines Werkstücks
CN102152172A (zh) * 2011-02-24 2011-08-17 天津大学 基于协整建模的刀具磨损监测方法
CN102528561A (zh) * 2012-02-28 2012-07-04 上海大学 回转体刀具全加工周期磨破损在线自动检测装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
何宁: "《高速切削技术》", 31 January 2012 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110340733A (zh) * 2019-07-19 2019-10-18 南京理工大学 一种清洁切削环境下刀具损伤在线与在位检测系统及方法
CN111323072A (zh) * 2020-03-18 2020-06-23 南京林业大学 一种新型木工刀具磨损在线诊断方法
CN111323072B (zh) * 2020-03-18 2021-10-22 博深普锐高（上海）工具有限公司 一种新型木工刀具磨损在线诊断方法
CN112372371A (zh) * 2020-10-10 2021-02-19 上海交通大学 数控机床刀具磨损状态评估方法
CN113334144A (zh) * 2021-05-20 2021-09-03 武汉理工大学 一种铣削刀具磨损状态检测系统及方法
CN114715354A (zh) * 2022-04-08 2022-07-08 镇江赛尔尼柯自动化股份有限公司 一种船用设备健康管理装置及设备状态检测和故障诊断方法
CN115431099A (zh) * 2022-08-17 2022-12-06 南京工大数控科技有限公司 一种基于主轴电流的铣刀盘磨损量实时计算与补偿方法
CN115319538A (zh) * 2022-08-30 2022-11-11 上海诺倬力机电科技有限公司 五轴头刀具磨损智能检测方法及系统
CN115319538B (zh) * 2022-08-30 2023-11-17 上海诺倬力机电科技有限公司 五轴头刀具磨损智能检测方法及系统

Similar Documents

Publication Publication Date Title
CN109732406A (zh) 一种智能刀具故障诊断方法
CN104723171B (zh) 一种基于电流与声发射复合信号的刀具磨损监测方法
Yan et al. Improved Hilbert–Huang transform based weak signal detection methodology and its application on incipient fault diagnosis and ECG signal analysis
Fan et al. Test of significance when data are curves
CN110647943B (zh) 基于演化数据聚类分析的切削刀具磨损监测方法
Strangas et al. Time–frequency analysis for efficient fault diagnosis and failure prognosis for interior permanent-magnet AC motors
CN109514349A (zh) 基于振动信号和Stacking集成模型的刀具磨损状态监测方法
CN102426835B (zh) 一种基于支持向量机模型的开关柜局部放电信号识别方法
CN106271881B (zh) 一种基于SAEs和K-means的刀具破损监测方法
Shao et al. Power signal separation in milling process based on wavelet transform and independent component analysis
CN111238843B (zh) 一种基于快速谱峭度分析的风机健康评价方法
CN110928237B (zh) 一种基于振动信号的数控加工中心颤振在线辨识方法
CN109029999B (zh) 基于增强调制双谱分析的滚动轴承故障诊断方法
Kulkarni et al. Investigations on mother wavelet selection for health assessment of lathe bearings
CN110346130B (zh) 一种基于经验模态分解和时频多特征的镗削颤振检测方法
CN106503670B (zh) 基于相关性分析特征选择的j波检测分类方法
CN104708497A (zh) 一种基于电流与声发射复合信号的刀具磨损监测系统
Neef et al. Tool wear and surface quality monitoring using high frequency CNC machine tool current signature
CN108197073B (zh) 一种改进的电动汽车充电电能信号特征分析方法
KR101082839B1 (ko) 다채널 잡음처리 장치 및 방법
CN109434562A (zh) 基于划分聚类的铣削刀具磨损状态识别方法
Ding et al. Machine tool fault classification diagnosis based on audio parameters
Rad et al. A study on tool wear monitoring using time-frequency transformation techniques
CN114638265B (zh) 一种基于信号卷积神经网络的铣削颤振判别方法
CN114614922A (zh) 基于频域的民航甚高频通信中的频谱数据清洗方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190510