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.pdf

1、刀具狀態(tài)監(jiān)測技術(shù)是先進制造技術(shù)的重要組成部分，是在現(xiàn)代傳感器技術(shù)、計算機技術(shù)、信號處理技術(shù)和人工智能技術(shù)基礎(chǔ)上發(fā)展起來的新興技術(shù)。迄今為止，多個國家的研究單位已對刀具狀態(tài)監(jiān)測技術(shù)開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題。本文針對這些問題進行了一系列研究。首先，本文針對刀具監(jiān)測信號中的噪聲污染問題，提出了基于單參數(shù)對數(shù)基小波包閾值濾波算法的信號降噪方法。其次，研究了刀具狀態(tài)監(jiān)測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，針對刀具多磨損量識別問題，本文采用了支持向量機(SVM)和三級集成人工神經(jīng)網(wǎng)絡(luò)識別模型，并在此基礎(chǔ)上采用改進型D-S證據(jù)論進行決策級融合，進一步提高了刀具狀態(tài)監(jiān)測系統(tǒng)的性能。主要研究內(nèi)容摘要如下：
　　(1)總結(jié)并研究了實際加工生產(chǎn)中常見的刀具磨損現(xiàn)象，在對比多種刀具磨損狀態(tài)的監(jiān)測方法之后，采用了通過監(jiān)測刀具背刀面磨損量來衡量刀具磨損狀態(tài)的監(jiān)測方法。監(jiān)測系統(tǒng)硬件平臺搭建中傳感器

3、的選型，采用了三維力傳感器和三維振動加速度傳感器相結(jié)合的方案。實驗結(jié)果表明這種多傳感器數(shù)據(jù)級融合的監(jiān)測方案提高刀具磨損狀態(tài)識別系統(tǒng)的精確度。
　　(2)在信號預處理過程中，進行了趨勢項消除、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，增加閾值函數(shù)的非線性性，本文在構(gòu)造閾值函數(shù)過程中引入非線性分量，提出基于單參數(shù)對數(shù)基小波包閾值濾波的濾波算法。通過仿真實驗和刀具監(jiān)測信號濾波實驗都證明了改進的小波閾值

4、濾波算法的有效性和可靠性。
　　(3)在特征提取環(huán)節(jié)，本文采用了時域、頻域、時頻域、分形幾何等多種方法進行信號特征提取。信號分形盒維數(shù)是建立在分形幾何學上的算法，目前在刀具磨損狀態(tài)監(jiān)測技術(shù)中應用得較少，本文對該方法作了深入研究，得到刀具磨損信號的分形盒維數(shù)特征，并驗證了其有效性。本文還對小波包分析方法在刀具磨損狀態(tài)監(jiān)測系統(tǒng)中的應用進行了深入研究，提出了基于統(tǒng)計學理論的小波子帶能量特征，并通過實驗證明了該類特征在刀具磨損狀態(tài)監(jiān)測中的

5、有效性。最后提取的特征值有：絕對值總和、最大值、極值距離、標準差、絕對平均值、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)針對刀具磨損狀態(tài)特征空間高維數(shù)引起的計算開銷過大的問題，本文對主元量分析(PCA)算法進行了改進，提出了分部主元量分析(PPCA)算法，成功地實現(xiàn)了特征優(yōu)化。實驗結(jié)果表明，分部主元量分析算法有效地避免目標模式識別特征之間的

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)識別精度。
　　(5)本文針對高維輸入輸出映射求解難的問題，提出了三級集成人工神經(jīng)網(wǎng)絡(luò)與支持向量機相融合的識別模型。由于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)在對大模式空間進行識別時網(wǎng)絡(luò)訓練無法正確收斂，本文提出了三級神經(jīng)網(wǎng)絡(luò)模型，并在刀具狀態(tài)識別中成功應用。本文還建立了基于支持向量機的識別模型，并將這兩類具有不同數(shù)學特性的智能監(jiān)測模型進行決策融合，實現(xiàn)對刀具磨損狀態(tài)的精確識別。本文第六章、第七章

7、詳細地討論單模型識別的效果和綜合兩者之后的效果。
　　在多模型決策級融合過程中，針對如何評判SVM的識別精度問題，通常的做法是將樣本與目標空間循環(huán)劃分，進行交叉檢驗(Cross Validation)，但該方法對于本文所涉及的實驗方案卻不適用，這是因為交叉檢驗在多模式輸出少樣本數(shù)據(jù)的情況下意義不大，因此本文提出了計算預測分類與目標分類標簽距離均值的方法，有效的解決了該問題。
　　在決策級融合過程中采用改進的D-S證據(jù)論。以兩