基于多模型決策融合的刀具磨損狀態(tài)監(jiān)測(cè)系統(tǒng)關(guān)鍵技術(shù)研究.pdf

1、刀具狀態(tài)監(jiān)測(cè)技術(shù)是先進(jìn)制造技術(shù)的重要組成部分，是在現(xiàn)代傳感器技術(shù)、計(jì)算機(jī)技術(shù)、信號(hào)處理技術(shù)和人工智能技術(shù)基礎(chǔ)上發(fā)展起來(lái)的新興技術(shù)。迄今為止，多個(gè)國(guó)家的研究單位已對(duì)刀具狀態(tài)監(jiān)測(cè)技術(shù)開(kāi)展了深入的研究并取得了大量的研究成果，但是仍然存在很多亟需解決的問(wèn)題。本文針對(duì)這些問(wèn)題進(jìn)行了一系列研究。首先，本文針對(duì)刀具監(jiān)測(cè)信號(hào)中的噪聲污染問(wèn)題，提出了基于單參數(shù)對(duì)數(shù)基小波包閾值濾波算法的信號(hào)降噪方法。其次，研究了刀具狀態(tài)監(jiān)測(cè)的特征提取與特征融合技術(shù)，并提出

2、了基于分步主元量分析(PPCA)的特征融和方法。最后，針對(duì)刀具多磨損量識(shí)別問(wèn)題，本文采用了支持向量機(jī)(SVM)和三級(jí)集成人工神經(jīng)網(wǎng)絡(luò)識(shí)別模型，并在此基礎(chǔ)上采用改進(jìn)型D-S證據(jù)論進(jìn)行決策級(jí)融合，進(jìn)一步提高了刀具狀態(tài)監(jiān)測(cè)系統(tǒng)的性能。主要研究?jī)?nèi)容摘要如下：
　　(1)總結(jié)并研究了實(shí)際加工生產(chǎn)中常見(jiàn)的刀具磨損現(xiàn)象，在對(duì)比多種刀具磨損狀態(tài)的監(jiān)測(cè)方法之后，采用了通過(guò)監(jiān)測(cè)刀具背刀面磨損量來(lái)衡量刀具磨損狀態(tài)的監(jiān)測(cè)方法。監(jiān)測(cè)系統(tǒng)硬件平臺(tái)搭建中傳感器

3、的選型，采用了三維力傳感器和三維振動(dòng)加速度傳感器相結(jié)合的方案。實(shí)驗(yàn)結(jié)果表明這種多傳感器數(shù)據(jù)級(jí)融合的監(jiān)測(cè)方案提高刀具磨損狀態(tài)識(shí)別系統(tǒng)的精確度。
　　(2)在信號(hào)預(yù)處理過(guò)程中，進(jìn)行了趨勢(shì)項(xiàng)消除、零均值化與小波降噪處理。為了克服小波濾波算法中的經(jīng)典閾值濾波算法所存在的缺點(diǎn)，增加閾值函數(shù)的非線性性，本文在構(gòu)造閾值函數(shù)過(guò)程中引入非線性分量，提出基于單參數(shù)對(duì)數(shù)基小波包閾值濾波的濾波算法。通過(guò)仿真實(shí)驗(yàn)和刀具監(jiān)測(cè)信號(hào)濾波實(shí)驗(yàn)都證明了改進(jìn)的小波閾值

4、濾波算法的有效性和可靠性。
　　(3)在特征提取環(huán)節(jié)，本文采用了時(shí)域、頻域、時(shí)頻域、分形幾何等多種方法進(jìn)行信號(hào)特征提取。信號(hào)分形盒維數(shù)是建立在分形幾何學(xué)上的算法，目前在刀具磨損狀態(tài)監(jiān)測(cè)技術(shù)中應(yīng)用得較少，本文對(duì)該方法作了深入研究，得到刀具磨損信號(hào)的分形盒維數(shù)特征，并驗(yàn)證了其有效性。本文還對(duì)小波包分析方法在刀具磨損狀態(tài)監(jiān)測(cè)系統(tǒng)中的應(yīng)用進(jìn)行了深入研究，提出了基于統(tǒng)計(jì)學(xué)理論的小波子帶能量特征，并通過(guò)實(shí)驗(yàn)證明了該類特征在刀具磨損狀態(tài)監(jiān)測(cè)中的

5、有效性。最后提取的特征值有：絕對(duì)值總和、最大值、極值距離、標(biāo)準(zhǔn)差、絕對(duì)平均值、方差、平方根均值、峭度、歪度、自乘均值、頻率幅值和、頻率最大值、信號(hào)分形盒維數(shù)、小波子帶能量、子帶能量比、子帶能量比率差。
　　(4)針對(duì)刀具磨損狀態(tài)特征空間高維數(shù)引起的計(jì)算開(kāi)銷過(guò)大的問(wèn)題，本文對(duì)主元量分析(PCA)算法進(jìn)行了改進(jìn)，提出了分部主元量分析(PPCA)算法，成功地實(shí)現(xiàn)了特征優(yōu)化。實(shí)驗(yàn)結(jié)果表明，分部主元量分析算法有效地避免目標(biāo)模式識(shí)別特征之間的

6、干擾，使得重構(gòu)特征空間更有利于神經(jīng)網(wǎng)絡(luò)的快速收斂，提高了系統(tǒng)識(shí)別精度。
　　(5)本文針對(duì)高維輸入輸出映射求解難的問(wèn)題，提出了三級(jí)集成人工神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)相融合的識(shí)別模型。由于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)在對(duì)大模式空間進(jìn)行識(shí)別時(shí)網(wǎng)絡(luò)訓(xùn)練無(wú)法正確收斂，本文提出了三級(jí)神經(jīng)網(wǎng)絡(luò)模型，并在刀具狀態(tài)識(shí)別中成功應(yīng)用。本文還建立了基于支持向量機(jī)的識(shí)別模型，并將這兩類具有不同數(shù)學(xué)特性的智能監(jiān)測(cè)模型進(jìn)行決策融合，實(shí)現(xiàn)對(duì)刀具磨損狀態(tài)的精確識(shí)別。本文第六章、第七章

7、詳細(xì)地討論單模型識(shí)別的效果和綜合兩者之后的效果。
　　在多模型決策級(jí)融合過(guò)程中，針對(duì)如何評(píng)判SVM的識(shí)別精度問(wèn)題，通常的做法是將樣本與目標(biāo)空間循環(huán)劃分，進(jìn)行交叉檢驗(yàn)(Cross Validation)，但該方法對(duì)于本文所涉及的實(shí)驗(yàn)方案卻不適用，這是因?yàn)榻徊鏅z驗(yàn)在多模式輸出少樣本數(shù)據(jù)的情況下意義不大，因此本文提出了計(jì)算預(yù)測(cè)分類與目標(biāo)分類標(biāo)簽距離均值的方法，有效的解決了該問(wèn)題。
　　在決策級(jí)融合過(guò)程中采用改進(jìn)的D-S證據(jù)論。以兩