论文部分内容阅读
本研究选取对刀具切削状态敏感的切削力、振动等物理信号作为监测依据,系统研究敏感信号的拾取、调理、数据采集、消噪、特征提取、特征融合以及基于融合特征的刀具状态识别等问题。针对刀具状态检测信号的非平稳特性以及夹杂的干扰噪声给特征提取和状态识别带来的困难,本文采用正交小波变换对刀具状态检测信号进行消噪,提出基于正交小波变换域内系数相关性的消噪方法。针对采样序列包含过多冗余信息和不相关信息的特点,本文采用低阶统计方法对采样序列的时域参数与频谱随刀具切削状态的变化规律进行分析,从中提取刀具状态的低阶统计特征;针对采样序列中的非高斯成分对刀具切削状态敏感的特性,本文采用高阶统计方法对采样序列的高阶累积量与双谱随刀具切削状态的变化规律进行分析,从中提取刀具状态的高阶统计特征;针对采样序列的局部非平稳特性,本文采用小波方法对采样序列的各个小波重构分量随刀具切削状态的变化规律进行分析,从中提取刀具状态的小波特征。针对特征分类性能和稳定性的差异,本文采用BP神经网络方法对上述特征进行评价和选择,挑选出刀具切削状态的基础特征。针对单一特征存在较大分类盲区且只提供有限刀具状态信息的局限性,本文采用统计分析、线性主元分析以及互信息熵分析等方法对基础特征进行融合,即充分利用多个基础特征包含的刀具状态信息,把多个基础特征包含的冗余信息和互补信息依据融合准则来进行合理组合,使刀具状态的融合特征能够更加全面、准确地描述刀具切削状态状况。针对不同刀具状态类别特征样本存在重叠区域造成的分类困难,本文提出了基于模糊判决的刀具状态识别模型和方法;针对特征判决边界存在一定的非线性特性,本文提出了基于BP神经网络的刀具状态识别模型和方法;再对上述两种识别模型进行决策层融合研究,提出了基于分类器融合的刀具状态识别模型和方法。通过对上述两种基于不同特征的识别模型的融合,刀具状态识别的效率和准确率显著提高。实验结果表明基于特征融合的刀具工况监测方法具有抗干扰能力强,监测精度高,可靠性好和识别正确率高的优点。