基于扩展隐马尔可夫模型的刀具磨损识别与寿命预测研究
发布时间：2021-10-31 18:23
机械加工刀具直接影响加工成品质量,实时监测刀具磨损状态对保障加工过程稳定与产品质量一致性有重要意义。本文以高速铣削刀具为研究对象,建立基于隐马尔可夫及其扩展模型的刀具磨损状态在线识别与剩余使用寿命预测系统,重点研究信号特征提取与筛选、状态识别建模、剩余使用寿命预测建模环节的原理与方法,并在所述识别与预测模型基础上设计刀具磨损状态在线识别与剩余使用寿命预测原型系统。具体研究工作如下:特征提取与筛选环节,研究多传感信号特征提取方法,分别从时域、频域、时频域三个方面提取多种信号特征量,并采用皮尔逊相关分析、近似冗余特征分析完成特征筛选,保证特征量的有效性。状态识别建模环节,利用隐马尔可夫模型对时序数据的学习能力,建立基于混合高斯隐马尔可夫模型（Gaussian Mixture Hidden Markov Model,GMHMM）的刀具磨损状态识别模型,并以天牛须算法优化粒子群算法得到的天牛须粒子群算法（Beetle antennae-Swarm Optimization,BSO）优化模型求解初值,有效避免求解陷入局部最优的问题,完成基于BSO-GMHMMs模型的状态识别建模。寿命预测环节,研...
【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校
【文章页数】：77 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
1 绪论
1.1 课题来源
1.2 研究背景与意义
1.3 国内外研究现状
1.4 文章主要内容及组织结构
2 铣削刀具多传感信号的采集与特征提取筛选技术
2.1 刀具智能状态监测系统框架
2.2 铣削刀具多传感信号采集实验平台
2.3 状态响应信号预处理
2.4 多传感信号的特征提取方法
2.5 基于近似冗余分析的特征筛选方法
2.6 本章小结
3 基于BSO-GMHMMS模型的刀具磨损状态在线识别
3.1 混合高斯隐马尔可夫模型基本原理
3.2 天牛须粒子群算法(BSO)原理
3.3 基于BSO-GMHMMS的刀具磨损状态在线识别模型
3.4 刀具状态识别结果及分析
3.5 本章小结
4 基于DD-HSMM模型的刀具剩余使用寿命在线预测
4.1 基于时变转移概率的隐半马尔可夫模型原理
4.2 基于DD-HSMM的刀具剩余使用寿命在线预测模型
4.3 预测结果与分析
4.4 本章小结
5 刀具磨损状态在线识别与寿命预测原型系统设计
5.1 系统结构框架
5.2 系统工作流程
5.3 系统功能界面
5.4 本章小结
6 总结与展望
6.1 全文总结
6.2 研究展望
致谢
参考文献
【参考文献】：
期刊论文
[1]基于天牛须搜索的粒子群优化算法求解投资组合问题[J]. 陈婷婷,殷贺,江红莉,王露. 计算机系统应用. 2019(02)
[2]基于LSTM-Attention神经网络的文本特征提取方法[J]. 赵勤鲁,蔡晓东,李波,吕璐. 现代电子技术. 2018(08)
[3]刀具状态智能监测研究进展[J]. 王国锋,李志猛,董毅. 航空制造技术. 2018(06)
[4]CEEMD和小波半软阈值相结合的滚动轴承降噪[J]. 王亚萍,匡宇麒,葛江华,许迪,孙永国. 振动.测试与诊断. 2018(01)
[5]大数据下机械智能故障诊断的机遇与挑战[J]. 雷亚国,贾峰,孔德同,林京,邢赛博. 机械工程学报. 2018(05)
[6]基于HMM的机械设备运行状态评估与故障预测研究综述[J]. 季云,王恒,朱龙彪,黄希. 机械强度. 2017(03)
[7]基于信息融合的刀具剩余寿命在线预测方法[J]. 吴军,苏永衡,朱永猛,邓超. 华中科技大学学报(自然科学版). 2017(04)
[8]基于冗余分析的特征选择算法[J]. 仇利克,郭忠文,刘青,刘颖健,仇志金. 北京邮电大学学报. 2017(01)
[9]基于隐马尔可夫模型的汽轮机故障诊断方法研究[J]. 王晓峰,夏静,韩捷,雷文平. 中国工程机械学报. 2016(06)
[10]解析“工业互联网”与“工业4.0”及其对中国制造业发展的启示[J]. 延建林,孔德婧. 中国工程科学. 2015(07)
博士论文
[1]基于声场空间分布特征的机械故障诊断方法及其应用研究[D]. 鲁文波.上海交通大学 2012
[2]基于多模型决策融合的刀具磨损状态监测系统关键技术研究[D]. 陈侃.西南交通大学 2012
硕士论文
[1]基于时频图像和卷积神经网络的尾水管涡带状态识别[D]. 洪礼聪.武汉大学 2018
[2]基于深度学习的刀具磨损状态监测技术的研究[D]. 林杨.中国科学技术大学 2017
[3]复杂系统的故障检测和诊断研究[D]. 陈治佐.上海交通大学 2013
[4]切削加工过程中刀具磨损智能监测与切削力预测技术研究[D]. 黄遂.西南交通大学 2010
本文编号：3468626
【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校
【文章页数】：77 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
1 绪论
1.1 课题来源
1.2 研究背景与意义
1.3 国内外研究现状
1.4 文章主要内容及组织结构
2 铣削刀具多传感信号的采集与特征提取筛选技术
2.1 刀具智能状态监测系统框架
2.2 铣削刀具多传感信号采集实验平台
2.3 状态响应信号预处理
2.4 多传感信号的特征提取方法
2.5 基于近似冗余分析的特征筛选方法
2.6 本章小结
3 基于BSO-GMHMMS模型的刀具磨损状态在线识别
3.1 混合高斯隐马尔可夫模型基本原理
3.2 天牛须粒子群算法(BSO)原理
3.3 基于BSO-GMHMMS的刀具磨损状态在线识别模型
3.4 刀具状态识别结果及分析
3.5 本章小结
4 基于DD-HSMM模型的刀具剩余使用寿命在线预测
4.1 基于时变转移概率的隐半马尔可夫模型原理
4.2 基于DD-HSMM的刀具剩余使用寿命在线预测模型
4.3 预测结果与分析
4.4 本章小结
5 刀具磨损状态在线识别与寿命预测原型系统设计
5.1 系统结构框架
5.2 系统工作流程
5.3 系统功能界面
5.4 本章小结
6 总结与展望
6.1 全文总结
6.2 研究展望
致谢
参考文献
【参考文献】：
期刊论文
[1]基于天牛须搜索的粒子群优化算法求解投资组合问题[J]. 陈婷婷,殷贺,江红莉,王露. 计算机系统应用. 2019(02)
[2]基于LSTM-Attention神经网络的文本特征提取方法[J]. 赵勤鲁,蔡晓东,李波,吕璐. 现代电子技术. 2018(08)
[3]刀具状态智能监测研究进展[J]. 王国锋,李志猛,董毅. 航空制造技术. 2018(06)
[4]CEEMD和小波半软阈值相结合的滚动轴承降噪[J]. 王亚萍,匡宇麒,葛江华,许迪,孙永国. 振动.测试与诊断. 2018(01)
[5]大数据下机械智能故障诊断的机遇与挑战[J]. 雷亚国,贾峰,孔德同,林京,邢赛博. 机械工程学报. 2018(05)
[6]基于HMM的机械设备运行状态评估与故障预测研究综述[J]. 季云,王恒,朱龙彪,黄希. 机械强度. 2017(03)
[7]基于信息融合的刀具剩余寿命在线预测方法[J]. 吴军,苏永衡,朱永猛,邓超. 华中科技大学学报(自然科学版). 2017(04)
[8]基于冗余分析的特征选择算法[J]. 仇利克,郭忠文,刘青,刘颖健,仇志金. 北京邮电大学学报. 2017(01)
[9]基于隐马尔可夫模型的汽轮机故障诊断方法研究[J]. 王晓峰,夏静,韩捷,雷文平. 中国工程机械学报. 2016(06)
[10]解析“工业互联网”与“工业4.0”及其对中国制造业发展的启示[J]. 延建林,孔德婧. 中国工程科学. 2015(07)
博士论文
[1]基于声场空间分布特征的机械故障诊断方法及其应用研究[D]. 鲁文波.上海交通大学 2012
[2]基于多模型决策融合的刀具磨损状态监测系统关键技术研究[D]. 陈侃.西南交通大学 2012
硕士论文
[1]基于时频图像和卷积神经网络的尾水管涡带状态识别[D]. 洪礼聪.武汉大学 2018
[2]基于深度学习的刀具磨损状态监测技术的研究[D]. 林杨.中国科学技术大学 2017
[3]复杂系统的故障检测和诊断研究[D]. 陈治佐.上海交通大学 2013
[4]切削加工过程中刀具磨损智能监测与切削力预测技术研究[D]. 黄遂.西南交通大学 2010
本文编号：3468626
本文链接：https://www.wllwen.com/kejilunwen/jiagonggongyi/3468626.html
