機(jī)械加工刀具直接影響加工成品質(zhì)量,實(shí)時(shí)監(jiān)測刀具磨損狀態(tài)對(duì)保障加工過程穩(wěn)定與產(chǎn)品質(zhì)量一致性有重要意義。本文以高速銑削刀具為研究對(duì)象,建立基于隱馬爾可夫及其擴(kuò)展模型的刀具磨損狀態(tài)在線識(shí)別與剩余使用壽命預(yù)測系統(tǒng),重點(diǎn)研究信號(hào)特征提取與篩選、狀態(tài)識(shí)別建模、剩余使用壽命預(yù)測建模環(huán)節(jié)的原理與方法,并在所述識(shí)別與預(yù)測模型基礎(chǔ)上設(shè)計(jì)刀具磨損狀態(tài)在線識(shí)別與剩余使用壽命預(yù)測原型系統(tǒng)。具體研究工作如下:特征提取與篩選環(huán)節(jié),研究多傳感信號(hào)特征提取方法,分別從時(shí)域、頻域、時(shí)頻域三個(gè)方面提取多種信號(hào)特征量,并采用皮爾遜相關(guān)分析、近似冗余特征分析完成特征篩選,保證特征量的有效性。狀態(tài)識(shí)別建模環(huán)節(jié),利用隱馬爾可夫模型對(duì)時(shí)序數(shù)據(jù)的學(xué)習(xí)能力,建立基于混合高斯隱馬爾可夫模型（Gaussian Mixture Hidden Markov Model,GMHMM）的刀具磨損狀態(tài)識(shí)別模型,并以天牛須算法優(yōu)化粒子群算法得到的天牛須粒子群算法（Beetle antennae-Swarm Optimization,BSO）優(yōu)化模型求解初值,有效避免求解陷入局部最優(yōu)的問題,完成基于BSO-GMHMMs模型的狀態(tài)識(shí)別建模。壽命預(yù)測環(huán)節(jié),研... 

【文章來源】：華中科技大學(xué)湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：77 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 課題來源
    1.2 研究背景與意義
    1.3 國內(nèi)外研究現(xiàn)狀
    1.4 文章主要內(nèi)容及組織結(jié)構(gòu)
2 銑削刀具多傳感信號(hào)的采集與特征提取篩選技術(shù)
    2.1 刀具智能狀態(tài)監(jiān)測系統(tǒng)框架
    2.2 銑削刀具多傳感信號(hào)采集實(shí)驗(yàn)平臺(tái)
    2.3 狀態(tài)響應(yīng)信號(hào)預(yù)處理
    2.4 多傳感信號(hào)的特征提取方法
    2.5 基于近似冗余分析的特征篩選方法
    2.6 本章小結(jié)
3 基于BSO-GMHMMS模型的刀具磨損狀態(tài)在線識(shí)別
    3.1 混合高斯隱馬爾可夫模型基本原理
    3.2 天牛須粒子群算法(BSO)原理
    3.3 基于BSO-GMHMMS的刀具磨損狀態(tài)在線識(shí)別模型
    3.4 刀具狀態(tài)識(shí)別結(jié)果及分析
    3.5 本章小結(jié)
4 基于DD-HSMM模型的刀具剩余使用壽命在線預(yù)測
    4.1 基于時(shí)變轉(zhuǎn)移概率的隱半馬爾可夫模型原理
    4.2 基于DD-HSMM的刀具剩余使用壽命在線預(yù)測模型
    4.3 預(yù)測結(jié)果與分析
    4.4 本章小結(jié)
5 刀具磨損狀態(tài)在線識(shí)別與壽命預(yù)測原型系統(tǒng)設(shè)計(jì)
    5.1 系統(tǒng)結(jié)構(gòu)框架
    5.2 系統(tǒng)工作流程
    5.3 系統(tǒng)功能界面
    5.4 本章小結(jié)
6 總結(jié)與展望
    6.1 全文總結(jié)
    6.2 研究展望
致謝
參考文獻(xiàn)


【參考文獻(xiàn)】：
期刊論文
[1]基于天牛須搜索的粒子群優(yōu)化算法求解投資組合問題[J]. 陳婷婷,殷賀,江紅莉,王露.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2019(02)
[2]基于LSTM-Attention神經(jīng)網(wǎng)絡(luò)的文本特征提取方法[J]. 趙勤魯,蔡曉東,李波,呂璐.  現(xiàn)代電子技術(shù). 2018(08)
[3]刀具狀態(tài)智能監(jiān)測研究進(jìn)展[J]. 王國鋒,李志猛,董毅.  航空制造技術(shù). 2018(06)
[4]CEEMD和小波半軟閾值相結(jié)合的滾動(dòng)軸承降噪[J]. 王亞萍,匡宇麒,葛江華,許迪,孫永國.  振動(dòng).測試與診斷. 2018(01)
[5]大數(shù)據(jù)下機(jī)械智能故障診斷的機(jī)遇與挑戰(zhàn)[J]. 雷亞國,賈峰,孔德同,林京,邢賽博.  機(jī)械工程學(xué)報(bào). 2018(05)
[6]基于HMM的機(jī)械設(shè)備運(yùn)行狀態(tài)評(píng)估與故障預(yù)測研究綜述[J]. 季云,王恒,朱龍彪,黃希.  機(jī)械強(qiáng)度. 2017(03)
[7]基于信息融合的刀具剩余壽命在線預(yù)測方法[J]. 吳軍,蘇永衡,朱永猛,鄧超.  華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(04)
[8]基于冗余分析的特征選擇算法[J]. 仇利克,郭忠文,劉青,劉穎健,仇志金.  北京郵電大學(xué)學(xué)報(bào). 2017(01)
[9]基于隱馬爾可夫模型的汽輪機(jī)故障診斷方法研究[J]. 王曉峰,夏靜,韓捷,雷文平.  中國工程機(jī)械學(xué)報(bào). 2016(06)
[10]解析“工業(yè)互聯(lián)網(wǎng)”與“工業(yè)4.0”及其對(duì)中國制造業(yè)發(fā)展的啟示[J]. 延建林,孔德婧.  中國工程科學(xué). 2015(07)

博士論文
[1]基于聲場空間分布特征的機(jī)械故障診斷方法及其應(yīng)用研究[D]. 魯文波.上海交通大學(xué) 2012
[2]基于多模型決策融合的刀具磨損狀態(tài)監(jiān)測系統(tǒng)關(guān)鍵技術(shù)研究[D]. 陳侃.西南交通大學(xué) 2012

碩士論文
[1]基于時(shí)頻圖像和卷積神經(jīng)網(wǎng)絡(luò)的尾水管渦帶狀態(tài)識(shí)別[D]. 洪禮聰.武漢大學(xué) 2018
[2]基于深度學(xué)習(xí)的刀具磨損狀態(tài)監(jiān)測技術(shù)的研究[D]. 林楊.中國科學(xué)技術(shù)大學(xué) 2017
[3]復(fù)雜系統(tǒng)的故障檢測和診斷研究[D]. 陳治佐.上海交通大學(xué) 2013
[4]切削加工過程中刀具磨損智能監(jiān)測與切削力預(yù)測技術(shù)研究[D]. 黃遂.西南交通大學(xué) 2010



本文編號(hào)：3468626