CN111331429A - 基于小波包能量分析的刀具磨损状态监测方法及装置 - Google Patents

基于小波包能量分析的刀具磨损状态监测方法及装置 Download PDF

Info

Publication number
CN111331429A
CN111331429A CN202010169524.9A CN202010169524A CN111331429A CN 111331429 A CN111331429 A CN 111331429A CN 202010169524 A CN202010169524 A CN 202010169524A CN 111331429 A CN111331429 A CN 111331429A
Authority
CN
China
Prior art keywords
wavelet
layers
signal
packets
wavelet packets
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
CN202010169524.9A
Other languages
English (en)
Inventor
刘晓琳
马丽霞
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.)
Civil Aviation University of China
Original Assignee
Civil Aviation University of China
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 Civil Aviation University of China filed Critical Civil Aviation University of China
Priority to CN202010169524.9A priority Critical patent/CN111331429A/zh
Publication of CN111331429A publication Critical patent/CN111331429A/zh
Pending legal-status Critical Current

Links

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)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供了一种基于小波包能量分析的刀具磨损状态监测方法及装置，涉及刀具磨损检测的技术领域，前述方法包括：发送传声器信息采集指令以使传声器采集第一AE信号，并对第一AE信号进行处理以产生第二AE信号；对第二AE信号采用小波包分解法进行分解以得到N层小波包，并对的N层小波包进行重构以获取N层小波包的频域信号以及N层小波包的时域信号；基于N层小波包的时域信号以及N层小波包的时域信号，提取N层小波包的特征向量；建立BP神经网络，将的特征向量输入至BP神经网络，并利用BP神经网络进行训练以输出刀具的磨损状态利用本发明提供的方法及装置可以有效对复合型材料刀具的磨损状态进行监测，确保飞机复合材料加工件的质量。

Description

基于小波包能量分析的刀具磨损状态监测方法及装置
技术领域
本发明涉及刀具磨损检测的技术领域，尤其是涉及一种基于小波包能量分析的刀具磨损状态监测方法及装置。
背景技术
随着航空航天技术的迅猛发展，复合材料逐渐代替了传统的单一组成材料，被广泛地应用于飞机制造中。复合材料是通过复合工艺将由两种或两种以上物理和化学性质不同的物质进行加工而形成的多相新型固体材料。它是在保留原组份材料优点的基础上，通过材料设计使各组分材料的性能彼此关联并互相补充，从而获得新的优越性能。
复合材料具有多方面的优势：质量轻，强度高、良好的可设计性、工艺性能好和耐疲劳性能突出等，而复合材料是由较软的基底与按不同方向排列的硬质纤维进行层压而产生的。这种层压材料具有各向异性、韧性较强的结构特点。复合材料中的碳纤维具有很强的韧性，在切削时更易使刀刃磨损变钝；复合材料已被层压，或其表面已金属化，这些层压材料很难加工。根据飞机复合材料的特性，需要选用不同的加工刀具材料，主要包括高速钢刀具、金刚石刀具、硬质钢刀具等。在切削过程中，由于刀具同工件表面接触所产生的反作用力、切削热、振动等效应，致使刀具后表面会随着切削时间的增加而产生磨损，出现崩刃、破损等情况，引起加工件破损、机床设备故障停机。飞机复合材料自动化加工机床通常是在高速、有切削粉尘等的环境下运行的，刀具磨损产生于切削过程中复杂的力学环境和热环境，具有较强的不规则性，难以用传统手段测量。因此为了确保飞机复合材料加工件的质量，保障机床设备无故障运行，迫切要求对刀具磨损状态进行在线实时监测。
综上所述，急需提供针对于复合材料的刀具磨损监测方法，以有效对复合型材料刀具的磨损状态进行监测，确保飞机复合材料加工件的质量，保障机床设备无故障运行。
发明内容
有鉴于此，本发明的目的在于提供一种基于小波包能量分析的刀具磨损状态监测方法及装置，以有效对复合型材料刀具的磨损状态进行监测，确保飞机复合材料加工件的质量，保障机床设备无故障运行。
第一方面，本发明实施例提供了一种基于小波包能量分析的刀具磨损状态监测方法，应用于服务器，包括：
发送传声器信息采集指令以使传声器采集第一AE信号，并对所述第一AE信号进行处理以产生第二AE信号；
对所述第二AE信号采用小波包分解法进行分解以得到N层小波包，并对所述的N层小波包进行重构以获取N层小波包的频域信号以及N层小波包的时域信号；
基于所述N层小波包的时域信号以及所述N层小波包的时域信号，提取所述N层小波包的特征向量；
建立BP神经网络，将所述的特征向量输入至所述BP神经网络，并利用所述BP神经网络进行训练以输出刀具的磨损状态。
优选的，所述并对所述第一AE信号进行处理以产生第二AE信号的步骤包括：
对所述第一AE信号进行放大、滤波，并将放大后以及滤波后的所述第一AE信号转化为模拟信号以产生所述第二AE信号。
优选的，所述对所述第二AE信号采用小波包分解法进行分解以得到N层小波包，并对所述的N层小波包进行重构以获取N层小波包的频域信号以及N层小波包的时域信号的步骤包括：
确定小波基函数并利用小波基函数确定尺度函数，并确定小波基函数闭包空间以及尺度函数闭包空间，分别求取所述第二AE信号在小波基函数闭包空间以及所述尺度函数闭包空间的投影分量；
基于所述第二AE信号在小波基函数闭包空间以及所述尺度函数闭包空间的投影分量对第二AE信号进行重构以获取所述N层小波包的频域信号以及所述N层小波包的时域信号。
优选的，所述基于所述N层小波包的频域信号以及所述N层小波包的时域信号，提取所述N层小波包的特征向量得步骤包括：
获取所述N层小波包中每个小波包的能量，并获取N层小波包的能量总和；
基于每个小波包的能量以及N层小波包的能量总和获取N层小波包的特征向量。
优选的，所述建立BP神经网络的步骤包括：
确定神经网络隐含层层数，并采用试凑法确定隐含层节点数，设置初始权值、学习效率η以及学习误差。
优选的，将所述的特征向量输入至所述BP神经网络，并利用所述所BP神经网络进行训练以输出刀具的磨损状态的步骤包括：
获取输入节点、隐含层节点以及输入层节点，并利用所述BP神经网络进行训练以获取刀具的磨损状态。
优选的，所述对所述第二AE信号采用小波包分解法进行分解以得到N层小波包，并对所述的N层小波包进行重构以获取N层小波包的时域信号以及N层小波包的时域信号的步骤中，具体采用如下公式获取所述N层小波包的时域信号以及所述小波基函数为u2n(t)，所述小波基函数为对应的尺度函数为u2n+1(t)；
Figure BDA0002408680050000041
其中，h(p)和g(k)分别作为小波函数u2n(t)的长度滤波器，且满足g(p)＝(-1)ph(1-p)；
Figure BDA0002408680050000042
是小波基函数为u2n(t)对应的闭包空间，则
Figure BDA0002408680050000043
是小波基函数为对应的尺度函数为u2n+1(t)的闭包空间；
且满足：
Figure BDA0002408680050000044
Figure BDA0002408680050000045
是小波基函数为un(t)对应的闭包空间；
采用如下公式求取在所述小波基函数u2n(t)的投影
Figure BDA0002408680050000046
与在小波基函数为对应的尺度函数的投影
Figure BDA0002408680050000047
Figure BDA0002408680050000048
采用如下公式获取SNj(t)：
Figure BDA0002408680050000049
l,k—小波基函数为对应的尺度函数为u2n+1(t)的紧支参数；
采用如下公式获取N层小波包的时域信号：
Figure BDA00024086800500000410
优选的，采用如下方式提取所述N层小波包的特征向量：
Figure BDA00024086800500000411
SNj(t)-N层第j个频带段的时域信号；
yjk-SNj(t)对应的离散幅值；
Figure BDA0002408680050000051
J-N层小波包的个数，J＝2N；
所述N层小波包的特征向量为：
T＝[E′N0,E′N1,E′N2,…,E′NJ]；
其中，E′Nj＝ENj/E。
优选的，所述采用试凑法确定隐含层节点数的步骤包括：
采用如下公式确定隐含层节点数：
Figure BDA0002408680050000052
m＝log 2n；
Figure BDA0002408680050000053
m—神经网络隐含层层数；
n—输入层节点数；
l—的是输出层节点数；
α—任意常数值。
第二方面.本发明提供了一种基于小波包能量分析的刀具磨损状态监测装置，其特征在于，包括：
信号发生模块：用于发送传声器信息采集指令以使传声器采集第一AE信号，并对所述第一AE信号进行处理以产生第二AE信号；
信号处理模块：用于对所述第二AE信号采用小波包分解法进行分解以得到N层小波包，并对所述的N层小波包进行重构以获取N层小波包的频域信号以及N层小波包的时域信号；
特征向量提取模块：用于基于所述N层小波包的时域信号以及所述N层小波包的时域信号，提取所述N层小波包的特征向量；
神经网络构建模块：建立BP神经网络，将所述的特征向量输入至所述BP神经网络，并利用所述BP神经网络进行训练以输出刀具的磨损状态。
本发明实施例带来了以下有益效果：本发明提供了一种基于小波包能量分析的刀具磨损状态监测方法及装置，前述方法包括：发送传声器信息采集指令以使传声器采集第一AE信号，并对第一AE信号进行处理以产生第二AE信号；对第二AE信号采用小波包分解法进行分解以得到N层小波包，并对的N层小波包进行重构以获取N层小波包的频域信号以及N层小波包的时域信号；基于N层小波包的时域信号以及N层小波包的时域信号，提取N层小波包的特征向量；建立BP神经网络，将的特征向量输入至BP神经网络，并利用BP神经网络进行训练以输出刀具的磨损状态利用本发明提供的方法及装置可以有效对复合型材料刀具的磨损状态进行监测，确保飞机复合材料加工件的质量，保障机床设备无故障运行。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的种基于小波包能量分析的刀具磨损状态监测方法流程图；
图2为本发明实施例提供的小波包分解树
图3为声发射数字信号小波包分解频带示意图
图4为AE信号在不同磨损状态下的功率谱图；
图5(a)为初期磨损AE信号1～3层小波包分解频段能量百分比；
图5(b)为正常磨损AE信号1～3层小波包分解频段能量百分比；
图5(c)为急剧磨损AE信号1～3层小波包分解频段能量百分比
图6本发明实施例提供的BP神经网络结构图；
图7本发明实施例提供的表示BP神经网络训练过程。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前刀具磨损产生于切削过程中复杂的力学环境和热环境，具有较强的不规则性，难以用传统手段测量，基于此，本发明实施例提供的一种基于小波包能量分析的刀具磨损状态监测方法及装置，可以有效对复合型材料刀具的磨损状态进行监测，确保飞机复合材料加工件的质量，保障机床设备无故障运行。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种基于小波包能量分析的刀具磨损状态监测方法进行详细介绍。
实施例一：
如图1所示，本发明实施例一提供了一种基于小波包能量分析的刀具磨损状态监测方法，应用于服务器，包括：
S1：发送传声器信息采集指令以使传声器采集第一AE信号，并对所述第一AE信号进行处理以产生第二AE信号；
具体的，由于所述第一AE信号为时变且微弱的声信号，因此需要对所述第一AE信号进行处理，具体包括滤波、放大、模拟信号数字信号转换的步骤；
优选的，在S1步骤中，包括如下步骤：
对所述第一AE信号进行放大、滤波，并将放大后以及滤波后的所述第一AE信号转化为模拟信号以产生所述第二AE信号；
S2：对所述第二AE信号采用小波包分解法进行分解以得到N层小波包，并对所述的N层小波包进行重构以获取N层小波包的频域信号以及N层小波包的时域信号；
在本发明提供的实施例中，经验证，，由于所述第一AE信号为声信号，针对声发射数字信号频率分布特点，选用3层小波包分解的效果最佳，即N＝3，基于图2所示，共分解为8个小波包；
优选的，步骤S2包括：
S21：确定小波基函数并利用小波基函数确定尺度函数，并确定小波基函数闭包空间以及尺度函数闭包空间，分别求取所述第二AE信号在小波基函数闭包空间以及所述尺度函数闭包空间的投影分量；
具体的，每个小波基函数均有其对应的尺度函数，且每个小波基函数与其对应的尺度函数呈正交关系；
Figure BDA0002408680050000081
基于物理意义，h(p)属于低通滤波器，g(p)属于高通滤波器。基于数学意义，h(p)和g(p)都属于系数序列；
在多分辨率分析过程中，小波函数属于带通窗函数，尺度函数属于低通窗函数，两者各自以伸缩和平移的方式，把函数空间划作小波子空间与尺度子空间；
小波基函数的选取直接关系到运算效率以及分析结果的准确与否。因此在选择小波基函数的时候应兼顾到时频分辨率大的相关需求和运算条件。Daubechies小波属于有限紧支撑的正交小波基函数，不论是时域分析还是频域分析，都具备良好的局部化特性，因此在本发明提供的实施例中，选用Daubechies小波作为小波基函数。
可选择的，基于前述Daubechies小波并进行拓展并获取如下小波基函数以及尺度函数：
Figure BDA0002408680050000091
其中，h和g(k)分别作为小波函数u2n(t)的长度滤波器，且满足g(p)＝(-1)ph(1-p)；
Figure BDA0002408680050000092
是小波基函数为u2n(t)对应的闭包空间，则
Figure BDA0002408680050000093
是小波基函数为对应的尺度函数为u2n+1(t)的闭包空间；
且满足：
Figure BDA0002408680050000094
Figure BDA0002408680050000095
是小波基函数为un(t)对应的闭包空间；
采用如下公式求取在所述小波基函数u2n(t)的投影
Figure BDA0002408680050000096
与在小波基函数为对应的尺度函数的投影
Figure BDA0002408680050000097
Figure BDA0002408680050000098
S22：基于所述第二AE信号在小波基函数闭包空间以及所述尺度函数闭包空间的投影分量对第二AE信号进行重构以获取所述N层小波包的频域信号以及所述N层小波包的时域信号。
具体的，采用如下公式获取SNj(t)：
Figure BDA0002408680050000101
j,n—第j个小波包第n个序列；
l,k—小波基函数为对应的尺度函数为u2n+1(t)的紧支参数；
采用如下公式获取N层小波包的时域信号：
Figure BDA0002408680050000102
S3：基于所述N层小波包的时域信号以及所述N层小波包的时域信号，提取所述N层小波包的特征向量；
具体的在S3中包括如下步骤
S31：获取所述N层小波包中每个小波包的能量，并获取N层小波包的能量总和；
S32：基于每个小波包的能量以及N层小波包的能量总和获取N层小波包的特征向量。
具体的，采用如下方式提取所述N层小波包的特征向量：
Figure BDA0002408680050000103
SNj(t)-N层第j个频带段的时域信号；
yjk-SNj(t)对应的离散幅值；
结合图3所示，上述中，n为采样数，在本发明提供的实施例中，由于小波包层数N为3，因此在本发明提供的实施例中基于小波基函数分解为8个小波包，由于采集到的声发射数字信号频率主要集中在0～11025kHz范围内，因此将频率分为8个频段，从图3分析可知，声发射数字信号的能量主要集中在250～1000Hz、2000～2800Hz、和3500～4500Hz三个频段内，并在600Hz、2400Hz和4000Hz附近均出现明显谱峰，刀具不同磨损状态功率谱密度形状趋势大体相同。Welch平均法功率谱是通过加窗(加权)的方式求取平滑值，并做出加权平均处理，因此，该方法是对各层小波包的信号频率进行估；
Figure BDA0002408680050000111
J-N层小波包的个数，J＝2N；
在本发明提供的实施例中，J＝8；
所述N层小波包的特征向量为：
T＝[E′N0,E′N1,E′N2,…,E′NJ]；
其中，E′Nj＝ENj/E。
在本发明提供的实施例中，
T＝[E30/E,E31/E,E32/E,…E37/E]；
S4：建立BP神经网络，将所述的特征向量输入至所述BP神经网络，并利用所述BP神经网络进行训练以输出刀具的磨损状态。
具体的，所述步骤S4中的步骤包括：
S41确定神经网络隐含层层数，并采用试凑法确定隐含层节点数，设置初始权值、学习效率η以及学习误差。
具体的，所述采用试凑法确定隐含层节点数的步骤包括：
采用如下公式确定隐含层节点数：
Figure BDA0002408680050000112
m＝log 2n；
Figure BDA0002408680050000113
m—神经网络隐含层层数；
n—输入层节点数；
l—的是输出层节点数；
α—任意常数值。
在本发明提供的实施例中，所述初始权值一般在区间[-1，1]随机选取。络初始值所取的都是较小随机值，这样不但能够确保神经元输入值的特性，而且还能够避免出现绝对值的无限增加，取η在区间[0.01，0.08]之间，学习速率能够直接影响到循环训练过程当中所生成的权重变化量。通常会尽量选中间学习速率，可以兼顾系统稳定性与训练时间。
建立好BP神经网络图6所示；
获取输入节点、隐含层节点以及输入层节点，并利用所述BP神经网络进行训练以获取刀具的磨损状态。
输入层节点数对应特征向量维数，因为声发射信号在三层小波包分解后提取的特征量是8个频带上的能量百分比，分别对应8个节点，因此神经网络输入层取8个节点。本文采用8-4-3结构，即输入层节点8个(8个频段能量百分比)，隐含层节点4个，输出层节点3个。输出层节点数对应刀具磨损状态类别，设置输出向量[1 0 0]、[0 1 0]、[0 0 1]分别表示刀具的初期磨损状态、正常磨损状态和急剧磨损状态。
进一步的，在本发明构建的BP神经网络如图6所示，在构建神经网络之前，需要利用功率谱统计刀具在不同磨损状态下各层各频段声发射数字信号的能量分布，获取的统计结果如图4、图5(a)、图5(b)以及图5(c)所示，并以此作为BP神经网络学习判断依据，如图7所示，以横坐标代表训练次数，纵坐标代表训练误差，本发明提供的实施例中，要求训练误差小于10-4，可以看出在训练次数达到7次时，实际训练结果与理论结果的误差小于10-4，较真实地反映了刀具磨损状态，完全满足实际状态监测的要求。
实施例二
本发明实施例二提供了一种基于小波包能量分析的刀具磨损状态监测装置，包括：
信号发生模块：用于发送传声器信息采集指令以使传声器采集第一AE信号，并对所述第一AE信号进行处理以产生第二AE信号；
信号处理模块：用于对所述第二AE信号采用小波包分解法进行分解以得到N层小波包，并对所述的N层小波包进行重构以获取N层小波包的频域信号以及N层小波包的时域信号；
特征向量提取模块：用于基于所述N层小波包的时域信号以及所述N层小波包的时域信号，提取所述N层小波包的特征向量；
神经网络构建模块：建立BP神经网络，将所述的特征向量输入至所述BP神经网络，并利用所述BP神经网络进行训练以输出刀具的磨损状态。
如图表1以及表2所示，不同磨损状态下进行测试的结果。实验数据经过标准化处理，其中，第三层小波包能量分析结果识别正确率高达91.7％。较真实地反映了刀具磨损状态，完全满足实际刀具磨损状态识别的要求。证明本发明提供的基于小波包能量与BP神经网络的刀具磨损状态监测方法具有可行性。
表1部分测试样本
Figure BDA0002408680050000141
表2神经网络识别结果
Figure BDA0002408680050000151
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
第三仅用于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种基于小波包能量分析的刀具磨损状态监测方法，应用于服务器，其特征在于，包括：
S1：发送传声器信息采集指令以使传声器采集第一AE信号，并对所述第一AE信号进行处理以产生第二AE信号；
S2：对所述第二AE信号采用小波包分解法进行分解以得到N层小波包，并对所述的N层小波包进行重构以获取N层小波包的频域信号以及N层小波包的时域信号；
S3基于所述N层小波包的频域信号以及所述N层小波包的时域信号，提取所述N层小波包的特征向量；
S4：建立BP神经网络，将所述的特征向量输入至所述BP神经网络，并利用所述BP神经网络进行训练以输出刀具的磨损状态。
2.根据权利要求1所述的方法，其特征在于，所述并对所述第一AE信号进行处理以产生第二AE信号的步骤包括：
对所述第一AE信号进行放大、滤波，并将放大后以及滤波后的所述第一AE信号转化为模拟信号以产生所述第二AE信号。
3.根据权利要求1所述的方法，其特征在于，所述对所述第二AE信号采用小波包分解法进行分解以得到N层小波包，并对所述的N层小波包进行重构以获取N层小波包的频域信号以及N层小波包的时域信号的步骤包括：
确定小波基函数并利用小波基函数确定尺度函数，并确定小波基函数闭包空间以及尺度函数闭包空间，分别求取所述第二AE信号在小波基函数闭包空间以及所述尺度函数闭包空间的投影分量；
基于所述第二AE信号在小波基函数闭包空间以及所述尺度函数闭包空间的投影分量对第二AE信号进行重构以获取所述N层小波包的频域信号以及所述N层小波包的时域信号。
4.根据权利要求3所述的方法，其特征在于，所述基于所述N层小波包的频域信号以及所述N层小波包的时域信号，提取所述N层小波包的特征向量得步骤包括：
获取所述N层小波包中每个小波包的能量，并获取N层小波包的能量总和；
基于每个小波包的能量以及N层小波包的能量总和获取N层小波包的特征向量。
5.根据权利要求1所述的方法，其特征在于，所述建立BP神经网络的步骤包括：
确定神经网络隐含层层数，并采用试凑法确定隐含层节点数，设置初始权值、学习效率η以及学习误差。
6.根据权利要求5所述的方法，其特征在于，将所述的特征向量输入至所述BP神经网络，并利用所述所BP神经网络进行训练以输出刀具的磨损状态的步骤包括：
获取输入节点、隐含层节点以及输入层节点，并利用所述BP神经网络进行训练以获取刀具的磨损状态。
7.根据权利要求1～3任一项所述的方法，其特征在于，所述对所述第二AE信号采用小波包分解法进行分解以得到N层小波包，并对所述的N层小波包进行重构以获取N层小波包的时域信号以及N层小波包的时域信号的步骤中，具体采用如下公式获取所述N层小波包的时域信号以及所述小波基函数为u2n(t)，所述小波基函数为对应的尺度函数为u2n+1(t)；
Figure FDA0002408680040000031
其中，h和g(k)分别作为小波函数u2n(t)的长度滤波器，且满足g(p)＝(-1)ph(1-p)；
Figure FDA0002408680040000032
是小波基函数为u2n(t)对应的闭包空间，则
Figure FDA0002408680040000033
是小波基函数为对应的尺度函数为u2n+1(t)的闭包空间；
且满足：
Figure FDA0002408680040000034
Figure FDA0002408680040000035
是小波基函数为un(t)对应的闭包空间；
采用如下公式求取在所述小波基函数u2n(t)的投影
Figure FDA0002408680040000036
与在小波基函数为对应的尺度函数的投影
Figure FDA0002408680040000037
Figure FDA0002408680040000038
采用如下公式获取SNj(t)：
Figure FDA0002408680040000039
j，n-第j个小波包第n个序列；
l，k-小波基函数对应的尺度函数为u2n+1(t)的紧支参数；
采用如下公式获取N层小波包的时域信号：
Figure FDA00024086800400000310
8.根据权利要求1所述的方法，其特征在于，采用如下方式提取所述N层小波包的特征向量：
Figure FDA0002408680040000041
SNj(t)-N层第j个频带段的时域信号；
yjk-SNj(t)对应的离散幅值；
Figure FDA0002408680040000042
J_N层小波包的个数，J＝2N；
所述N层小波包的特征向量为：
T＝[E′N0，E′N1，E′N2，…，E′NJ]；
其中，E′Nj＝ENj/E。
9.根据权利要求5所述的方法，其特征在于，所述采用试凑法确定隐含层节点数的步骤包括：
采用如下公式确定隐含层节点数：
Figure FDA0002408680040000043
m＝log 2n；
Figure FDA0002408680040000044
m-神经网络隐含层层数；
n-输入层节点数；
l-的是输出层节点数；
α-任意常数值。
10.一种基于小波包能量分析的刀具磨损状态监测装置，其特征在于，包括：
信号发生模块：用于发送传声器信息采集指令以使传声器采集第一AE信号，并对所述第一AE信号进行处理以产生第二AE信号；
信号处理模块：用于对所述第二AE信号采用小波包分解法进行分解以得到N层小波包，并对所述的N层小波包进行重构以获取N层小波包的频域信号以及N层小波包的时域信号；
特征向量提取模块：用于基于所述N层小波包的时域信号以及所述N层小波包的时域信号，提取所述N层小波包的特征向量；
神经网络构建模块：建立BP神经网络，将所述的特征向量输入至所述BP神经网络，并利用所述BP神经网络进行训练以输出刀具的磨损状态。
CN202010169524.9A 2020-03-12 2020-03-12 基于小波包能量分析的刀具磨损状态监测方法及装置 Pending CN111331429A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010169524.9A CN111331429A (zh) 2020-03-12 2020-03-12 基于小波包能量分析的刀具磨损状态监测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010169524.9A CN111331429A (zh) 2020-03-12 2020-03-12 基于小波包能量分析的刀具磨损状态监测方法及装置

Publications (1)

Publication Number Publication Date
CN111331429A true CN111331429A (zh) 2020-06-26

Family

ID=71176293

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010169524.9A Pending CN111331429A (zh) 2020-03-12 2020-03-12 基于小波包能量分析的刀具磨损状态监测方法及装置

Country Status (1)

Country Link
CN (1) CN111331429A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113313198A (zh) * 2021-06-21 2021-08-27 西北工业大学 一种基于多尺度卷积神经网络的刀具磨损预测方法
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
CN114952420A (zh) * 2022-05-23 2022-08-30 大连理工大学 一种基于路径离散的球头铣刀铣削cfrp的磨损预测计算方法
CN114986258A (zh) * 2022-07-22 2022-09-02 中机智能装备创新研究院(宁波)有限公司 刀具状态监测方法、装置、计算机设备及系统
US11486202B2 (en) 2021-02-26 2022-11-01 Saudi Arabian Oil Company Real-time polycrystalline diamond compact (PDC) bit condition evaluation using acoustic emission technology during downhole drilling
US11566988B2 (en) 2021-02-26 2023-01-31 Saudi Arabian Oil Company In-situ property evaluation of cutting element using acoustic emission technology during wear test
US11680883B2 (en) 2021-02-26 2023-06-20 Saudi Arabian Oil Company Sensors to evaluate the in-situ property of cutting element during wear test

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102008034063A1 (de) * 2008-07-22 2010-01-28 J. Eberspächer Gmbh & Co. Verfahren und Vorrichtung zur Verschleißkontrolle bei Werkzeugen
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
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
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
CN108942409A (zh) * 2018-08-26 2018-12-07 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
CN109158954A (zh) * 2018-09-10 2019-01-08 杭州电子科技大学 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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102008034063A1 (de) * 2008-07-22 2010-01-28 J. Eberspächer Gmbh & Co. Verfahren und Vorrichtung zur Verschleißkontrolle bei Werkzeugen
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
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
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
CN108942409A (zh) * 2018-08-26 2018-12-07 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
CN109158954A (zh) * 2018-09-10 2019-01-08 杭州电子科技大学 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
穆春宇: ""飞机复合材料加工机床刀具状态监测方法研究"", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11486202B2 (en) 2021-02-26 2022-11-01 Saudi Arabian Oil Company Real-time polycrystalline diamond compact (PDC) bit condition evaluation using acoustic emission technology during downhole drilling
US11566988B2 (en) 2021-02-26 2023-01-31 Saudi Arabian Oil Company In-situ property evaluation of cutting element using acoustic emission technology during wear test
US11680883B2 (en) 2021-02-26 2023-06-20 Saudi Arabian Oil Company Sensors to evaluate the in-situ property of cutting element during wear test
CN113313198A (zh) * 2021-06-21 2021-08-27 西北工业大学 一种基于多尺度卷积神经网络的刀具磨损预测方法
CN113313198B (zh) * 2021-06-21 2022-08-19 西北工业大学 一种基于多尺度卷积神经网络的刀具磨损预测方法
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
CN114952420A (zh) * 2022-05-23 2022-08-30 大连理工大学 一种基于路径离散的球头铣刀铣削cfrp的磨损预测计算方法
CN114986258A (zh) * 2022-07-22 2022-09-02 中机智能装备创新研究院(宁波)有限公司 刀具状态监测方法、装置、计算机设备及系统
CN114986258B (zh) * 2022-07-22 2024-04-16 中机智能装备创新研究院(宁波)有限公司 刀具状态监测方法、装置、计算机设备及系统

Similar Documents

Publication Publication Date Title
CN111331429A (zh) 基于小波包能量分析的刀具磨损状态监测方法及装置
Benkedjouh et al. Tool wear condition monitoring based on continuous wavelet transform and blind source separation
CN110647943B (zh) 基于演化数据聚类分析的切削刀具磨损监测方法
Liu et al. Fuzzy pattern recognition of AE signals for grinding burn
CN112557038A (zh) 多重降噪处理的轴承早期故障诊断方法
Gao et al. A Walsh transform-based Teager energy operator demodulation method to detect faults in axial piston pumps
Patra Acoustic emission based tool condition monitoring system in drilling
CN113375939B (zh) 基于svd和vmd的机械件故障诊断方法
CN106112697A (zh) 一种基于3σ准则的铣削颤振自动报警阈值设定方法
Haj Mohamad et al. Rolling element bearing diagnostics using extended phase space topology
Jin et al. An image recognition method for gear fault diagnosis in the manufacturing line of short filament fibres
Xi et al. Analysis of tool wear condition based on logarithm energy entropy and wavelet packet transformation
Chen et al. Fusion Fault Diagnosis Approach to Rolling Bearing with Vibrational and Acoustic Emission Signals.
Xu et al. Rolling bearing fault feature extraction via improved SSD and a singular-value energy autocorrelation coefficient spectrum
Massol et al. An exTS based neuro-fuzzy algorithm for prognostics and tool condition monitoring
Rameshkumar et al. Machine learning models for predicting grinding wheel conditions using acoustic emission features
CN113188651B (zh) 基于imf-psd谱线的振动信号特征提取与刀具磨损值预测方法
CN110160778A (zh) 基于序贯假设检验的齿轮箱故障状态识别方法
Zhao et al. Tool wear monitoring based on an improved convolutional neural network
Chen et al. Recovery of undersampled force measurement from high-speed milling process using approximate sparsity in frequency domain
Gui et al. Unsupervised detection of tool breakage: A novel approach based on time and sensor domain data analysis
Kumar et al. Comparison of denoising schemes and dimensionality reduction techniques for fault diagnosis of rolling element bearing using wavelet transform
Pourmostaghimi et al. Vibration based Assessment of Tool Wear in Hard Turning using Wavelet Packet Transform and Neural Networks.
CN113639985A (zh) 一种基于优化故障特征频谱的机械故障诊断与状态监测方法
Shen et al. Real-time estimation of machine cutting tool wear

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

Application publication date: 20200626

WD01 Invention patent application deemed withdrawn after publication