CN112884027A - 一种基于模式识别的切削过程实时状态监测方法及装置 - Google Patents

一种基于模式识别的切削过程实时状态监测方法及装置 Download PDF

Info

Publication number
CN112884027A
CN112884027A CN202110143862.XA CN202110143862A CN112884027A CN 112884027 A CN112884027 A CN 112884027A CN 202110143862 A CN202110143862 A CN 202110143862A CN 112884027 A CN112884027 A CN 112884027A
Authority
CN
China
Prior art keywords
real
time
mode
data
cutting process
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.)
Granted
Application number
CN202110143862.XA
Other languages
English (en)
Other versions
CN112884027B (zh
Inventor
戴伟
梁奎
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.)
Beihang University
Original Assignee
Beihang 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 Beihang University filed Critical Beihang University
Priority to CN202110143862.XA priority Critical patent/CN112884027B/zh
Publication of CN112884027A publication Critical patent/CN112884027A/zh
Application granted granted Critical
Publication of CN112884027B publication Critical patent/CN112884027B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供了一种基于模式识别的切削过程实时状态监测方法，包括：过程动态信号的采集；过程动态信号预处理及特征提取；典型模式生成；实时信息模式归类；及实时异常状态监测及应对。本发明还提供了一种设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行根据本发明的基于模式识别的切削过程实时状态监测方法。

Description

一种基于模式识别的切削过程实时状态监测方法及装置
技术领域
本发明涉及一种基于模式识别的切削过程实时状态监测方法，具体地涉及通过对制造过程进行多源信号采集并进行信号处理以及生成模型，及根据诊断结果选取不同的应对策略的切削过程实施状态监测方法及执行该方法的装置。
背景技术
近年来，在工业领域与信息技术领域发生了深刻的变革，以识别和跟踪技术(RFID)、物理无线通信技术、工业硬件控制技术、智能成像系统等为代表的相关技术使得作为信息化与工业化高度融合产物的工业物联网得到了长足发展。在制造领域，物联网技术通过基于RFID技术与智能传感器的信息感知，可实现制造过程的生产过程控制，以帮助企业更好地掌握与利用资源。基于此，传统制造方式正逐步向智能制造过渡。
而在智能制造领域而言，开发合适的状态监测方法对任务场景进行监测对减少加工故障、保证制造质量有着重要的意义。以生产环节的状态监测为例，加工过程中出现的各种不稳定因素和失误，不止会影响自动化生产，还会造成经济损失和浪费很多辅助时间。在制造过程中，目前主要基于信号处理和数据挖掘算法实现对状态的监测，但传统方式对数据的处理存在局限性，在实际加工中常采集多源信号进行状态监测，虽能保证精度，但海量的数据却给设备的算力带来了负担。此外在实时状态监测方面多采用构造固定阈值的方式进行故障的监测，但这种方式对识别中间异常状态以及突发故障具有较大的欠缺，无法提前识别异常状态，进而主动配置和优化过程状态监测资源。
因此，构建更适合工业物联网时代的状态监测方法，提高未来企业的状态监测效率与效果具有较强的现实意义。基于此，本发明的实施方式提供了一种基于模式识别的切削过程实时状态监测方法。
发明内容
在智能制造领域，合适的状态监测方法对任务场景进行监测对减少加工故障、保证制造质量有着重要的影响。但在传统制造领域的状态监测方式中对数据的处理存在局限性，对多源数据处理依赖于计算机算力，同时对识别中间异常状态以及突发故障具有较大的欠缺，无法实现提前识别异常状态并主动配置和优化过程应对资源。基于此，本发明提供了一种基于模式识别的切削过程实时状态监测方法，通过对制造过程进行多源信号采集并使用信号处理技术提取特征，再使用改进的聚类算法得到状态模式，然后基于多层SVM(Support Vector Machine,支持向量机)分类模型，融合多源数据，进行切削过程实时状态模式的判别，可根据诊断结果选取不同的应对策略。这种方法构造了切削过程的多种故障模式，这种方式不精确求解某时刻的被监控量解决了传统方式中对数据的限制，同时用多层SVM分类模型实现实时状态的判别，弥补了基于阈值的方式中面对突发故障的不足，为制造过程的正常高效运行提供相应的技术依据。
根据本发明的一个实施方式提供了一种基于模式识别的切削过程实时状态监测方法，包括：步骤一，过程动态信号的采集；步骤二，过程信号预处理及特征提取；步骤三，典型模式生成；步骤四，实时信息模式归类；步骤五，实时异常状态监测及应对。
可选地，在另一个实施方式中，所述过程动态信号的采集步骤包括根据制造过程的实际运转状况，合理布置相应的P台传感器，利用多源传感器，进行在线多源时序数据采集，得到多源时序信号数据Yi。
可选地，在另一个实施方式中，所述过程信号预处理及特征提取步骤包括收集步骤一制造过程所产生信号数据Yi进行预处理，首先对信号数据进行数据清洗及降噪处理，然后对处理后的数据进行特征提取，并进行特征选择并将其做归一化处理以及标准化处理，再使用PCA算法进行降维，最后得到特征记为F。
可选地，在另一个实施方式中，所述典型模式生成步骤包括多次重复步骤一、二得到样本充足的样本集合，使用聚类算法使用簇内距离和作为评价标准把磨损数据分为m类，将其设置为m种磨损模式，记为M＝{M1,M2,…,Mm}。然后测试每种模式下的敏感窗口，将每种模式得到所对应的敏感窗口记为W＝{W1,W2,…,Wm}。
可选地，在另一个实施方式中，所述实时信息模式归类步骤包括重复步骤一、二，进行实时信号数据收集与特征提取，并使用多层SVM分类模型实现步骤三中实时窗口内信号数据的状态归类，得到实时窗口内各模式M的概率，选取比例最大的模式M设定为当前切削过程的实时磨损模式。
可选地，在另一个实施方式中，所述实时异常状态监测及应对步骤包括重复步骤一、三、四，使用步骤四中的方式，针对步骤四中所识别的状态，为不同的模式分别设置不同的监测和应对策略，进而对切削过程进行调节。
根据本发明的一个实施方式提供的一种基于模式识别的切削过程实时状态监测方法，包括如下步骤：
步骤一：过程动态信号的采集，
根据制造过程的实际运转状况，合理布置相应的P台传感器，利用多源传感器，进行在线多源时序数据采集，得到多源时序数据Yi；
步骤二：过程信号预处理及特征获取，
收集步骤一制造过程所产生信号数据Yi进行预处理，首先对信号数据进行数据清洗及降噪处理，然后对处理后的数据进行特征提取，并进行特征选择并将其做归一化处理以及标准化处理，再使用PCA算法进行降维，最后得到特征记为F；
步骤三：典型模式生成，
多次重复步骤一、二得到样本充足的样本集合，使用聚类算法使用簇内距离和作为评价标准把磨损数据分为m类，将其设置为m种磨损模式，记为M＝{M1,M2,…,Mm}。然后测试每种模式下的敏感窗口，将每种模式得到所对应的敏感窗口记为W＝{W1,W2,…,Wm}；
步骤四：实时信息模式归类，
重复步骤一、二，进行实时信号数据收集与特征提取，并使用多层SVM分类模型实现步骤三中实时窗口内信号数据的状态归类，得到实时窗口内各模式M的概率，选取比例最大的模式M设定为当前切削过程的实时磨损模式；
步骤五：实时异常状态监测及应对，
重复步骤一、三、四，使用步骤四中的方式，针对步骤四中所识别的状态，为不同的模式分别设置不同的监测和应对策略，进而对切削过程进行调节。
根据本发明的实施方式提供的一种基于模式识别的切削过程实时状态监测方法及装置至少包括以下优点。本发明的一个实施方式提供了一种设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行本发明的一种基于模式识别的切削过程实时状态监测方法。
本发明的实施方式所提供的一种基于模式识别的切削过程实时状态监测方法及装置解决了传统制造领域的状态监测方法中所存在的对数据过大的处理方法具有较大欠缺，限制了设备状态检测与健康诊断技术在现场的应用的问题。本发明的实施方式提供了一种基于模式识别的切削过程实时状态监测方法，这种方法构造了切削过程的多种故障模式，这种方式不精确求解某时刻的被监控量从而解决了传统方式中对数据的限制，并且利用分类算法将实时状态划分为具体模式，节约了过程算力和设备依赖性，为制造过程的高效运行提供可靠的技术依据。
本发明的实施方式解决了传统制造领域的状态监测方法中所存在的，基于阈值判断故障的方式对识别中间异常状态以及突发故障具有较大的欠缺，无法实现提前识别异常状态并主动配置和优化过程应对资源的问题。本发明的实施方式提供了一种基于模式识别的切削过程实时状态监测方法，这种方法用多层SVM分类模型可融合多源数据实现切削过程实时状态模式的判别，并根据诊断结果选取不同的应对策略，弥补了基于阈值的方式中的不足。
本发明的实施方式提供了一种基于模式识别的切削过程实时状态监测方法及装置，这是一种指导性的制造过程状态监测技术，该方法在实际应用中具有一定的开放性，其依据解决了工业物联网时代状态监测面临数据量大和故障监测中面临的问题，更加符合工业物联网时代的智能制造领域的实际状态监测方法需要。
通过参考附图和以下说明，本发明的其它装置、设备、系统、方法、特征和优点将是明显的。包括在本说明书中的所有的另外的这种系统、方法、特征和优点都在本发明的范围内，且由所附权利要求保护。
附图说明
通过以下对优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。通过参考附图可更好地理解本发明。
结合附图以及下面的详细描述，可更容易理解本发明的前述特征，其中：
图1示出了出了根据本发明的实施方式的一种基于模式识别的切削过程实时状态监测方法的流程图；
图2示出了应用根据本发明的一个实施方式提供的一种基于模式识别的切削过程实时状态监测方法的示例性实施例中的小波降噪效果示意图；
图3示出了应用根据本发明的实施方式提供的一种基于模式识别的切削过程实时状态监测方法的示例性实施例中所得的主成分特征贡献率统计图；
图4示出了应用根据本发明的实施方式提供的一种基于模式识别的切削过程实时状态监测方法的示例性实施例中的聚类算法所得刀具磨损模式图；
图5示出了应用根据本发明的实施方式提供的一种基于模式识别的切削过程实时状态监测方法的示例性实施例中的一个基于多层SVM分类模型针对单信号进行模式识别的结构图；
图6示出了应用根据本发明的实施方式提供的一种基于模式识别的切削过程实时状态监测方法的示例性实施例中的一个基于多层SVM分类模型对多源信号融合进行状态实时监测的结构图；
图7示出了应用根据本发明的实施方式提供的一种基于模式识别的切削过程实时状态监测方法的一个示例中刀具磨损值与磨损模式对应效果图。
图中序号、符号、代号说明如下：
D：PCA降维所得主成分方差的贡献率；
F：PCA降维所得的主成分；
M1,M2,…,Mm：刀具的磨损模式；
W1,W2,…,Wm：刀具的磨损模式M的敏感窗口；
SVM：支持向量机分类模型；
h：输出模式向量的大小；
p：各种模式的概率向量；
q：级联后模式的概率向量。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
需要注意的是，除非另有说明，本发明使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
下面将参照附图更详细地描述本发明的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本发明，而不应被这里阐述的实施方式所限制。相反，提供本实施方式是为了能够更透彻地理解本发明，并且能够将本公开的范围完整的传达给本领域技术人员。
需要注意的是，除非另有说明，本发明使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
根据本发明的一个实施方式提供了一种基于模式识别的切削过程实时状态监测方法及装置，该方法包括：过程动态信号的采集；过程信号预处理及特征提取；典型模式生成；实时信息模式归类；以及实时异常状态监测及应对。
根据本发明的另一个实施方式提供了一种基于模式识别的切削过程实时状态监测方法，包括：步骤一，过程动态信号的采集；步骤二，过程动态信号预处理及特征提取；步骤三，典型模式生成；步骤四，实时信息模式归类；步骤五，实时异常状态监测及应对。
可选地，在另一个实施方式中，所述步骤一包括根据制造过程的实际运转状况，合理布置相应的P台传感器，利用多源传感器，进行在线多源时序数据采集，得到多源时序信号数据Yi。
可选地，在另一个实施方式中，所述步骤二包括收集步骤一制造过程所产生信号数据Yi进行预处理，首先对信号数据进行数据清洗及降噪处理，然后对处理后的数据进行特征提取，并进行特征选择并将其做归一化处理以及标准化处理，再使用PCA算法进行降维，最后得到特征记为F。
可选地，在另一个实施方式中，所述步骤三包括多次重复步骤一、二得到样本充足的样本集合，使用聚类算法使用簇内距离和作为评价标准把磨损数据分为m类，将其设置为m种磨损模式，记为M＝{M1,M2,…,Mm}。然后测试每种模式下的敏感窗口，将每种模式得到所对应的敏感窗口记为W＝{W1,W2,…,Wm}。
可选地，在另一个实施方式中，所述步骤四包括重复步骤一、二，进行实时信号数据收集与特征提取，并使用多层SVM分类模型实现步骤三中实时窗口内信号数据的状态归类，得到实时窗口内各模式M的概率，选取比例最大的模式M设定为当前切削过程的实时磨损模式。
可选地，在另一个实施方式中，所述步骤五包括重复步骤一、三、四，使用步骤四中的方式，针对步骤四中所识别的状态，为不同的模式分别设置不同的监测和应对策略，进而对切削过程进行调节。
图1示出了根据本发明的实施方式的根据本发明的一种基于模式识别的切削过程实时状态监测方法流程。以下结合图1对本发明的一个实施方式提出的一种基于模式识别的切削过程实时状态监测方法进行说明。该方法的一个实施方式包括以下实施步骤。
步骤一：过程动态信号的采集，
根据制造过程的实际运转状况，合理布置相应的P台传感器，利用多源传感器，进行在线多源时序数据采集，得到多源时序数据Yi；
步骤二：过程信号预处理及特征提取，
收集步骤一制造过程所产生信号数据Yi进行预处理，首先对信号数据进行数据清洗及降噪处理，然后对处理后的数据进行特征提取，并进行特征选择并将其做归一化处理以及标准化处理，依据刀具磨损值，计算相关系数，再使用PCA算法进行降维，最后得到特征记为F；
步骤三：典型模式生成，
多次重复步骤一、二得到样本充足的样本集合，使用聚类算法使用簇内距离和作为评价标准将磨损数据分为m类，将其设置为m种磨损模式，记为M＝{M1,M2,…,Mm}。然后测试每种模式下的敏感窗口，将每种模式得到所对应的敏感窗口记为W＝{W1,W2,…,Wm}；
步骤四：实时信息模式归类，
重复步骤一、二，进行实时信号数据收集与特征提取，并使用多层SVM分类模型实现步骤三中实时窗口内信号数据的状态归类，得到实时窗口内各模式M的概率，选取比例最大的模式M设定为当前切削过程的实时磨损模式；
步骤五：实时异常状态监测及应对，
重复步骤一、三、四，使用步骤四中的方式，针对步骤四中所识别的状态，为不同的模式分别设置不同的监测和应对策略，进而对切削过程进行调节。
可选地，在步骤一中所述的“多源时序数据”，可以是指通过不同的传感器在线采集到的可以反映制造过程当前状态的监测信号，包括但不限于如温度信号、振动信号、电流信号、声发射信号等。
可选地，在步骤二中所述的“特征提取”，可以是指将原始信号数据进行处理构造可反映原始状态指标的过程，包括但不限于常见的时域、频域、时频域等信号特征。
其中，在步骤二中所述的“数据清洗”，可以是指对传感器收集到的信号数据进行识别并剔除离群点、填写缺失值等一系列操作。
其中，在步骤二中所述的“降噪处理”，可以是指使用小波变换、Hilbert-Huang变换(希尔伯特黄变换)、经验模态分解等方法排除信号数据中掩盖有效信息的无效成分的过程。
其中，步骤二中所描述的“相关系数”，可以是指考察某个特征和刀具磨损量之间的相关程度的值，相关系数的绝对值越大，相关性越强。比如常见的Pearson(皮尔逊)相关系数，对于变量X、Y，其计算相关系数的方法如下:
Figure BDA0002929195190000071
其中，步骤二中所描述的“归一化”，主要是指将样本的特征值转换到同一量纲下的一种操作，其实质是一种线性变换，可提升后面求解模型的收敛速度。可使用线性函数归一化的方式，这种方法是把数据映射到[0,1]之间，其计算方法如下：
Figure BDA0002929195190000081
该方法实现对原始数据的等比例缩放，其中Xnorm为归一化后的数据，X为原始数据，Xmax、Xmin分别为原始数据集的最大值和最小值。
其中，步骤二中所描述的“标准化”，主要是指将数据按照比例进行缩放，将数据落入小的区间以使得不同变量可以进行平等分析和比较。其具体作法如下：
Figure BDA0002929195190000082
式中，xi表示特征在第i时刻的观测值，μ为特征xi的均值，σ为标准差，xzi为xi的标准化值。
其中，步骤二中所描述的“PCA算法”是指主成分分析方法PCA(PrincipalComponent Analysis)，这是一种数据降维算法，其在此运用可将信息损失控制在合理的范围内，可以节省大量的时间和成本，降低算法的计算开销。其主要思想是将n维特征映射到k维上，这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k维特征。主要步骤是从原始的空间中顺序地找一组相互正交的坐标轴，新的坐标轴的选择与数据本身是密切相关的。其中，第一个新坐标轴选择是原始数据中方差最大的方向，第二个新坐标轴选取是与第一个坐标轴正交的平面中使得方差最大的，第三个轴是与第1、2个轴正交的平面中方差最大的。依次类推，可以得到n个这样的坐标轴。
通过这种方式获得的新的坐标轴，大部分方差都包含在前面k个坐标轴中，后面的坐标轴所含的方差几乎为0。于是可以忽略余下的坐标轴，只保留前面k个含有绝大部分方差的坐标轴。事实上，这相当于只保留包含绝大部分方差的维度特征，而忽略包含方差几乎为0的特征维度，进而实现对数据特征的降维处理。对于k值的选取可以用贡献率D来衡量，其计算公式如下，
Figure BDA0002929195190000083
其中，p为所有主成分的个数，λi为第i个主成分的方差，D为k个主成分所代表的数据的方差的占所有主成分的比例，可以选择合适的D值进行k值的确定。
其中，步骤三中所描述的“磨损模式”，可以是指依据聚类算法所划分得到的反映刀具磨损程度的种类。
其中，步骤三中所描述的“聚类算法”，可以是指数据挖掘中用于数据分类的方法，这里使用的是基于PSO(粒子群算法)改进的K均值聚类算法(K-means clusteringalgorithm)。这种方法极大改善了传统K-means聚类方法受到初始化聚类中心影响而陷入局部最优解的缺陷。
其中，K均值聚类算法是由J.Macqueen于1967年提出的一种经典聚类算法，该算法以k为参数，把n个数据对象分成k个簇。其基本步骤是随机地选择k个数据对象，每个数据对象代表一个簇中心，即选择k个初始中心，对剩余的每个对象根据其与各簇中心的相似度(距离)，将它赋给与其最相似的簇中心对应的簇，然后重新计算每个簇中所有对象的平均值，作为新的簇中心。不断重复以上这个过程，直到准则函数收敛也就是簇中心不发生明显的变化或者达到最大的迭代次数时即可终止。通常采用将每个点到最近簇中心的距离的平方和作为准则函数即，
Figure BDA0002929195190000091
其中，k是簇的个数，ci是第i个簇的中心点，dist(ci,x)为x到ci的距离。
其中，粒子群算法(Particle Swarm Optimization,PSO)是指由肯尼迪(J.Kennedy)和埃伯哈特(R.C.Eberhart)提出的基于群体智能的元启发式算法，其思想是每个粒子代表一个潜在的解决方案，它根据自己本身的经验和邻居的经验来更新位置。PSO算法使用一组个体并行搜索。群体中的个体或粒子，通过其当前速度、以前的自身经验和所有邻居的经验接近最佳位置。PSO算法具有三个主要成分，粒子的认知成分以及粒子的位置和速度。在可能存在多于一个解决方案的问题空间中，搜寻问题的最优解，一个粒子表示一个单独解决方案。粒子的学习来自两个方面，一个来自粒子自己本身，称为“自我学习”部分，另一个是整个粒子群体，被称为“社会学习”部分。自我学习由单个粒子最佳值(pBest)表示，社会学习由全局最佳值(gBest)表示。pBest解决方案是单个粒子的最优解，gBest值是整个群体获得的最优解。种群使用参数pBest和gBest来引导粒子。
对于一个含有n个粒子的种群，第i个粒子的位置表示为xi＝{xi1,xi2,…,xin},其中n为种群粒子总数。D维空间中的粒子速度表示为vi＝{vi1,vi2,…,vid}。标准PSO算法根据下列公式来更新每个粒子的速度和位置:
vi(t+1)＝ω·vi(t)+c1·r1(pBesti(t)-xi(t))+c2·r2(gBesti(t)-xi(t))
xi(t+1)＝xi(t)+vi(t+1)
其中vi(t)表示第i个粒子的当前速度，vi(t+1)表示粒子从当前位置移向新位置的速度，xi(t)表示第i个粒子的当前位置，xi(t+1)表示粒子从当前位置移向的新位置,粒子速度范围为{Vmin,Vmax},c1和c2为两个加速常数，r1和r2则是在(0,1)之间的随机数，pBesti(t)和gBesti(t)分别是第i个粒子目前为止的最佳位置和整个粒子群的最佳位置，t为迭代数，ω为惯性权重。
然后计算每个粒子的适应度，其计算方法如下所示，
Figure BDA0002929195190000101
Figure BDA0002929195190000102
其中n为样本对象总个数，m为聚类中心的类数，Ck代表第k类聚类中心的位置，xim为样本i到第m个聚类中心的距离，d(i,j)为数据对象样本i与样本j之间的相异度，表示两个样本之间的相似度的大小。
当得到了粒子的更佳位置时，计算pBesti(t)和gBesti(t)并更新替换。当终止条件满足时，算法停止。
其中，步骤三中所描述的“簇内距离和”，主要指簇内数据对象与类中心之间的距离。
Figure BDA0002929195190000103
其中xp表示第p个数据对象，cj表示第j个类簇的聚类中心，d表示每个数据对象特征个数,xpi-cji为样本i的簇内距离，D(xp·cj)为簇内距离和。D(xp·cj)的值越小，聚类效果越好。
其中，步骤三中所描述的“多层SVM分类模型”，主要指使用多个的支持向量机(support vector machines,SVM)进行模式识别的模型，训练时依次把某个类别的样本归为一类，其他剩余的样本归为另一类，这样k个类别的样本就构造出了k个SVM，分类时将未知样本分类为具有最大分类函数值的那类。对于本模型，SVM的输入为特征F，输出是磨损模式M。
其中，这里的SVM是一种用于二分类而设计的模型，其基本思路是求解能够正确划分训练数据集并且几何间隔最大的分离超平面，该过程可转换为求解凸二次规划的最优化算法。对于该模型，最重要的是选取适当的核函数K(x,z)和惩罚参数C，核函数K(x,z)表示空间中任一点x到某一核函数中心z欧氏距离的单调函数，其可将原始数据转化到高维度特征空间，而惩罚系数可以决定模型拟合的好坏。对于模型而言，输入训练数据集T＝{(x1,y1),(x2,y2),…,(xn,yn)}，其中xi，xj∈Rn,yi,yj∈{+1,-1}，yi,yj为类标记，当等于+1时为正例，为-1时为负例，Rn表示N维欧式空间。i＝1,2,3,…,N，输出则为分离超平面wTx+b＝0和分类决策函数f(x)。其中，ω和x都是n维列向量，x为平面上的点，ω为平面上的法向量，决定了超平面的方向，b是一个实数，代表超平面到原点的距离。在该实施方式中，特征维度是远低于样本数量的，因此该实施方式采用高斯核函数，其为，
Figure BDA0002929195190000111
其中σ>0为高斯核的带宽，对应的SVM是高斯径向基函数分类器。在此情况下，分类决策函数为，
Figure BDA0002929195190000112
其中
Figure BDA0002929195190000113
为拉格朗日乘子最优解，
Figure BDA0002929195190000114
为训练样本从超平面到原点距离的最优解。
其中，步骤三中所描述的“敏感窗口”，主要指使用分类模型在不同尺寸大小的观测窗口下去识别样本中的所有数据对每种磨损模式监测效果最好的窗口大小。设置窗口大小为W，窗口的滑动步长设置为S(S＝1,2,3…W)。在本实施方式中，其过程为在Wi下用分类模型完成对所有的数据的识别之后，令Wi+1＝Wi+Wk，Wk为每次窗口增加值，再用分类模型在新的Wi下对所有数据再进行一次识别，直到W达到设定的最大值。例如，一个样本中有1000个数据需要识别，W的范围设定为10到1000，S设定为1，因此当W为10的时候，这1000个数据将会被分类模型识别991次，当W为20的时候将识别981次，以此类推，直到W＝1000时只识别一次。然后在所有尺寸的观测窗口下用分类模型完成样本中所有数据的识别之后，计算每种尺寸的观测窗口下每种磨损模式的出现比例，选择模式出现比例最高时对应的W作为敏感窗口。
其中，步骤四中所描述的“模式归类”，主要指使用SVM多分类模型将实时刀具磨损状态识别为某一模式的过程。主要指使用SVM多分类模型将实时刀具磨损状态识别为某一模式的过程。其具体过程如附图5，6所示，首先，对于实时采集的多源信号L，每种信号包含n维的原始特征数据，m种不同尺寸的观测窗口，在监测过程中，随着观测窗口的滑动，样本数据的磨损模式M可以通过SVM模型计算出来，每种SVM模型的输出将被级联成为一个h维的向量，h的数量取决于最大尺寸的观测窗口。例如，如果有三种观测窗口，它们的观测窗口尺寸分别为2，4，6(即每次处理的数据量是2个，4个，6个)，假设一个信号样本中有100个数据需要识别，观测窗口的移动步长为1；在这三种观测窗口下，利用SVM模型对5种M同时进行识别计算。这样能够获得一个95维的M输出向量。基于此，统计每种M出现的概率，得到一个p维的向量，p指可能出现的M的种类，然后再级联选择比例最大的M作为当前的模式。
其中，步骤五中所描述的“应对”的策略，可以是在切削过程中设备所采取处理措施或者算力的配置调节策略，例如监测的单次采样量、采样间隔，停工检查、更换刀具等。
根据本发明的一个实施案例，提供了一种基于模式识别的切削过程实时状态监测方法。在实际切削过程中刀具的磨损程度会对最终产品表面粗糙度造成较大的影响，需要利用本发明所提到的方法对其切削过程中刀具的状态进行监测。
在应用根据本发明的实施方式的一个示例性实例中，基于2010年国际PHM数据挑战竞赛中的铣刀磨损实验方法来验证所提出方法的性能，实验采用高速数控铣床进行干铣操作，将工件表面加工成60°的斜面。刀具相关参数信息见表1。
表1PHM2010竞赛实验参数列表
参数 取值 参数 取值
机床型号 Roders Tech RFM 760 径向切削深度 0.125mm
工件材料 镍基超合金718 轴向切削深度 0.2mm
刀具 3齿球鼻铣刀 传感器数量 3
主轴转速 10,400RPM 传感通道数量 7
进给速率 1555mm/min 采样频率 50kH
该示例性实验中使用了1个三向测力计、3个单向加速度计和1个声发射共三类传感器7个传感通道。其中，1个Kistler(奇石乐)三向测力计安装在工件和加工台之间，用以测量以电荷形式存在的切削力，然后通过Kistler电荷放大器将其转换为电压。3个Kistler压电式加速度计安装在工件上，分别测量切削过程中工件在X、Y和Z方向的振动，AE传感器(声发射传感器)安装在工件侧面，监测切削过程中产生的高频应力波，连续采样频率为50kHz，在完成每个表面后，使用莱卡MZ 12显微镜离线测量每个单独凹槽的相应侧面磨损。
以下将结合附图对将本发明的实施方式的方法应用在切削加工过程刀具磨损状态监测中的示例性实例进行说明。该示例性实例包括以下步骤。
步骤一：过程动态信号的采集，根据制造过程的实际运转状况，合理布置相应的传感器，包括加速度、振动、声发射三类，然后分别采集刀具X、Y、Z三个方向上的切屑力信号，X、Y、Z三个方向上的振动信号以及一个声发射信号，每次径向切削0.125mm，轴向切削0.2mm为一次完整加工过程，收集7个传感器通道的数据记为Yi。
本领域技术人员应理解，以上是根据本发明的实施方式中的试验数据获取方法，在此仅举例说明根据本发明的实施方式的实施步骤而不应作为对本发明的任何限制。
步骤二：过程信号预处理及特征提取，对步骤一所收集到数据Yi进行预处理，首先对信号数据进行数据清洗及降噪处理，这里使用的是小波阈值降噪的方法，小波选用层数为5的哈尔小波(Haar wavelet)，阈值使用启发式阈值，其可以根据小波第一层分解的噪声，对阈值进行调节，用随机生成白噪声测试该方法的有效性，其降噪效果如图2所示，从图可见其具有较好的降噪能力。然后对处理后的数据进行特征提取，这里提取17个时域特征、4个频域特征、10个时频域特征。其中17个时域特征包含了时域常见的有量纲特征指标和无量纲指标，4个频域特征为重心频率、平均频率、均方根频率以及频率标准差，10个时频域特征为8个小波尺度熵、1个小波能量熵、1个小波奇异熵。并将其做归一化处理，然后依据刀具磨损值，计算Pearson相关系数ρX,Y，进行特征选择，设定强相关判定标准为±0.85，最终选择其中高相关性的11个特征，然后使用PCA对特征进行降维，把按方差对主成分进行排序，设定贡献率大于95％，选择出主成分如图3所示，把最终所得的特征集记为F。
步骤三：典型模式生成，使用刀具的历史磨损数据并用聚类算法进行磨损数据的划分，使用簇内距离和作为评价标准，最终把磨损数据分为5类如图4所示，将其设置为5种磨损模式记为M＝{M1,M2,…,M5}。然后使用SVM多分类模型测试每种模式下的敏感窗口大小，将得到每种模式所对应的敏感窗口大小记为W＝{W1,W2,…,W5}。
本领域技术人员应理解，以上是根据本发明的实施方式中的试验数据所得到的结果，并不排除存在设置其他更合适的磨损模式划分标准，在此仅举例说明根据本发明的实施方式的实施步骤而不应作为对本发明的任何限制。
步骤四：实时信息模式归类，重复步骤一、二，进行实时信号数据收集与特征提取，并使用SVM多分类模型实现步骤三中实时窗口内信号数据的状态归类，SVM的输入是降维后的特征F，输出是5种磨损模式{M1,M2,…,M5}中的一种。如图5所示，对于某信号一段，通过窗口不断平移识别出实时窗口内的状态，进而得到该段信号实时窗口内各磨损模式的概率，然后将采集的多源信号按同样的方法进行融合，用分类器选取比例最大的磨损模式设定为当前切削过程的实时磨损模式，该实时信息模式归类结构如图6所示。
步骤五：实时异常状态监测及应对，重复步骤一、二、使用步骤四中的方式，对实时信息进行模式归类，经过与统计磨损值比对，发现各模式对应的磨损值大致为图7所示，由图可知刀具各模式的磨损程度为M1<M2<M3<M4<M5，截取对应磨损值下采集的信号数据使用上述方法进行判断可验证状态监测的可行性。在实际使用时，可设计识别磨损值达到M4进入预警状态，当识别磨损值达到M5停止作业，进行更换刀具操作。使用该方式可实现保证切削过程刀具磨损状态处于较优的程度，保证加工正常进行。
本领域技术人员应理解，以上是根据本发明的实施方式中的试验数据所得到的结果，并不排除存在设置其他更为妥帖针对不同磨损模式的应对措施，在此仅举例说明根据本发明的实施方式的实施步骤而不应作为对本发明的任何限制。
本发明的实施方式还提供了一种装置，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行根据本发明的实施方式的一种基于模式识别的切削过程实时状态监测方法。
需要说明的是，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、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外，前述仅说明了一些实施方式，可进行改变、修改、增加和/或变化而不偏离所公开的实施方式的范围和实质，该实施方式是示意性的而不是限制性的。此外，所说明的实施方式涉及当前考虑为最实用和最优选的实施方式，其应理解为实施方式不应限于所公开的实施方式，相反地，旨在覆盖包括在该实施方式的实质和范围内的不同的修改和等同设置。此外，上述说明的多种实施方式可与其它实施方式共同应用，如，一个实施方式的方面可与另一个实施方式的方面结合而实现再另一个实施方式。另外，任何给定组件的各独立特征或构件可构成另外的实施方式。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (8)

1.一种基于模式识别的切削过程实时状态监测方法，其特征在于，该方法包括：
步骤一，过程动态信号的采集；
步骤二，过程动态信号预处理及特征提取；
步骤三，典型模式生成；
步骤四，实时信息模式归类；以及
步骤五，实时异常状态监测及应对。
2.如权利要求1所述的基于模式识别的切削过程实时状态监测方法，其特征在于，所述步骤一包括:
根据制造过程的实际运转状况，合理布置相应的P台传感器，利用多源传感器，进行在线多源时序数据采集，得到作为过程动态信号的多源时序信号数据Yi。
3.如权利要求2所述的基于模式识别的切削过程实时状态监测方法，其特征在于，所述步骤二包括：
收集步骤一制造过程所产生的信号数据Yi进行预处理，首先对该信号数据Yi进行数据清洗及降噪处理，然后对处理后的数据进行特征提取，并进行特征选择以及将其做归一化处理以及标准化处理，再使用PCA算法进行降维，最后得到的特征记为F。
4.如权利要求3所述的基于模式识别的切削过程实时状态监测方法，其特征在于，所述步骤三包括：
多次重复步骤一、二得到样本充足的样本集合，使用聚类算法使用簇内距离和作为评价标准把磨损数据分为m类，将其设置为m种磨损模式，记为M＝{M1,M2,…,Mm}，然后测试每种模式下的敏感窗口，将每种模式得到所对应的敏感窗口记为W＝{W1,W2,…,Wm}。
5.如权利要求4所述的基于模式识别的切削过程实时状态监测方法，其特征在于，所述步骤四包括：
重复步骤一、二，进行实时的过程动态信号数据收集与特征提取，并使用多层SVM分类模型实现步骤三中实时窗口内信号数据的状态归类，得到实时窗口内各磨损模式M的概率，选取比例最大的模式M设定为当前切削过程的实时磨损模式。
6.如权利要求5所述的基于模式识别的切削过程实时状态监测方法，其特征在于，所述步骤五包括：
重复步骤一、三、四，使用步骤四中的方式，针对步骤四中所识别的状态，为不同的模式分别设置不同的监测和应对策略，进而对切削过程进行调节。
7.一种基于模式识别的切削过程实时状态监测方法，其特征在于，该方法包括：
步骤一：过程动态信号的采集，根据制造过程的实际运转状况，合理布置相应的P台传感器，利用多源传感器，进行在线多源时序数据采集，得到多源时序数据Yi；
步骤二：过程信号预处理及特征提取，收集步骤一制造过程所产生信号数据Yi进行预处理，首先对信号数据进行数据清洗及降噪处理，然后对处理后的数据进行特征提取，并进行特征选择并将其做归一化处理以及标准化处理，依据刀具磨损值，计算相关系数，再使用PCA算法进行降维，最后得到特征记为F；
步骤三：典型模式生成，多次重复步骤一、二得到样本充足的样本集合，使用聚类算法使用簇内距离和作为评价标准将磨损数据分为m类，将其设置为m种磨损模式，记为M＝{M1,M2,…,Mm}，然后测试每种模式下的敏感窗口，将每种模式得到所对应的敏感窗口记为W＝{W1,W2,…,Wm}；
步骤四：实时信息模式归类，重复步骤一、二，进行实时信号数据收集与特征提取，并使用多层SVM分类模型实现步骤三中所述实时窗口内信号数据的状态归类，得到所述实时窗口内的各磨损模式M的概率，选取比例最大的模式M设定为当前切削过程的实时磨损模式；
步骤五：实时异常状态监测及应对，重复步骤一、三、四，使用步骤四中的方式，针对步骤四中所识别的状态，为不同的模式分别设置不同的监测和应对策略，对切削过程进行调节。
8.一种装置，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行如权利要求1-7中任一项所述的基于模式识别的切削过程实时状态监测方法。
CN202110143862.XA 2021-02-02 2021-02-02 一种基于模式识别的切削过程实时状态监测方法及装置 Active CN112884027B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110143862.XA CN112884027B (zh) 2021-02-02 2021-02-02 一种基于模式识别的切削过程实时状态监测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110143862.XA CN112884027B (zh) 2021-02-02 2021-02-02 一种基于模式识别的切削过程实时状态监测方法及装置

Publications (2)

Publication Number Publication Date
CN112884027A true CN112884027A (zh) 2021-06-01
CN112884027B CN112884027B (zh) 2023-04-07

Family

ID=76055776

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110143862.XA Active CN112884027B (zh) 2021-02-02 2021-02-02 一种基于模式识别的切削过程实时状态监测方法及装置

Country Status (1)

Country Link
CN (1) CN112884027B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113625648A (zh) * 2021-08-27 2021-11-09 刘纪荣 一种基于rfid识别的设备运行状态确定方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107378641A (zh) * 2017-08-23 2017-11-24 东北电力大学 一种基于图像特征和lltsa算法的刀具磨损状态监测方法
CN109002847A (zh) * 2018-07-04 2018-12-14 温州大学 一种基于指标的深度信念网络的轴向柱塞泵多故障诊断方法
CN109514349A (zh) * 2018-11-12 2019-03-26 西安交通大学 基于振动信号和Stacking集成模型的刀具磨损状态监测方法
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
CN110682159A (zh) * 2019-09-25 2020-01-14 武汉誉德节能数据服务有限公司 一种刀具磨损状态识别方法及装置
CN111538311A (zh) * 2020-04-22 2020-08-14 北京航空航天大学 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置
CN111730412A (zh) * 2020-06-29 2020-10-02 常州信息职业技术学院 一种基于蚁群优化算法的支持向量机的微铣刀磨损状态监测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107378641A (zh) * 2017-08-23 2017-11-24 东北电力大学 一种基于图像特征和lltsa算法的刀具磨损状态监测方法
CN109002847A (zh) * 2018-07-04 2018-12-14 温州大学 一种基于指标的深度信念网络的轴向柱塞泵多故障诊断方法
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
CN109514349A (zh) * 2018-11-12 2019-03-26 西安交通大学 基于振动信号和Stacking集成模型的刀具磨损状态监测方法
CN110682159A (zh) * 2019-09-25 2020-01-14 武汉誉德节能数据服务有限公司 一种刀具磨损状态识别方法及装置
CN111538311A (zh) * 2020-04-22 2020-08-14 北京航空航天大学 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置
CN111730412A (zh) * 2020-06-29 2020-10-02 常州信息职业技术学院 一种基于蚁群优化算法的支持向量机的微铣刀磨损状态监测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
DAI WEI 等: "The Fault Monitoring Method Based on Vibration Signal for Crane System" *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113625648A (zh) * 2021-08-27 2021-11-09 刘纪荣 一种基于rfid识别的设备运行状态确定方法

Also Published As

Publication number Publication date
CN112884027B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
Shi et al. Using multiple-feature-spaces-based deep learning for tool condition monitoring in ultraprecision manufacturing
Madhusudana et al. Condition monitoring of face milling tool using K-star algorithm and histogram features of vibration signal
Li et al. Similarity-measured isolation forest: anomaly detection method for machine monitoring data
CN111832647A (zh) 异常流量检测系统及方法
Hui et al. Milling tool wear state recognition by vibration signal using a stacked generalization ensemble model
Gong et al. A fast anomaly diagnosis approach based on modified CNN and multisensor data fusion
Zhou Research on image-based automatic wafer surface defect detection algorithm
CN112766182B (zh) 一种拉削刀具磨损状态识别方法
Netzer et al. Intelligent anomaly detection of machine tools based on mean shift clustering
Chazhoor et al. Predictive maintenance using machine learning based classification models
Xu et al. Intelligent recognition method of turning tool wear state based on information fusion technology and BP neural network
Gao et al. Identification of cutting chatter through deep learning and classification
Liu et al. Automatically designing network-based deep transfer learning architectures based on genetic algorithm for in-situ tool condition monitoring
Li et al. An orthogonal wavelet transform-based K-nearest neighbor algorithm to detect faults in bearings
CN112884027B (zh) 一种基于模式识别的切削过程实时状态监测方法及装置
Ali et al. Performance evaluation of different algorithms for crack detection in concrete structures
Assafo et al. A TOPSIS-assisted feature selection scheme and SOM-based anomaly detection for milling tools under different operating conditions
Kim et al. AnoGAN-based anomaly filtering for intelligent edge device in smart factory
Wang et al. A hybrid approach for identification of concurrent control chart patterns
Li et al. A remaining useful life prediction method considering the dimension optimization and the iterative speed
Cheng et al. Sensor fault diagnosis method based on-grey wolf optimization-support vector machine
Iquebal et al. Artificial bee colony optimisation-based enhanced Mahalanobis Taguchi system for classification
CN111695582A (zh) 一种颤振纹理的检测方法及其装置
Li et al. Tool wear monitoring using machine learning
Mönks et al. Fuzzy-pattern-classifier training with small data sets

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