CN115446662B - 一种基于ceemdan-iftc-psr的刀具振动信号处理方法 - Google Patents
一种基于ceemdan-iftc-psr的刀具振动信号处理方法 Download PDFInfo
- Publication number
- CN115446662B CN115446662B CN202210873176.2A CN202210873176A CN115446662B CN 115446662 B CN115446662 B CN 115446662B CN 202210873176 A CN202210873176 A CN 202210873176A CN 115446662 B CN115446662 B CN 115446662B
- Authority
- CN
- China
- Prior art keywords
- frequency
- vibration signal
- imf
- components
- cutter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
- B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
- B23Q17/0971—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining by measuring mechanical vibrations of parts of the machine
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于CEEMDAN‑IFTC‑PSR的刀具振动信号处理方法,首先,针对实际数控加工过程中刀具产生的振动信号出现零值、局部无数据、存在离群点、数量级相差数倍等情况进行信号预处理;然后,对每个预处理后的振动信号数据文件,分解为若干固有模态函数分量,并运用t检验的方法进一步明确哪些是高频分量、低频分量。接着,将所有样本的高频IMF分量放入高频IMFs分量池,低频IMF分量放入低频IMF分量池,并重构融合成n个样本子集Yn(t),其中包含高频数据Yn,1(t)和低频数据Yn,2(t)。最后,将Yn(t)中的高频数据Yn,1(t)运用相空间重构成Zn,1(t),低频数据Yn,2(t)重构为Zn,2(t),从而提取出数控加工刀具剩余使用寿命退化高相关性的特征,并为后续刀具剩余使用寿命预测提供坚实的基础。
Description
技术领域
本发明涉及振动信号处理技术领域,更具体地,涉及一种基于CEEMDAN-IFTC-PSR的刀具振动信号处理方法。
背景技术
在数控机床切削铣削等实际加工场景中,刀具的状态是影响加工产品质量好坏的最关键的一环。在实际数控加工过程中产生的振动信号信息量丰富,能全面的包含各种状态信息和完整的使用寿命退化规律,但也因其振动信号信息量较大的原因,目前对于刀具振动信号的处理,不够精细化,有时候甚至偏向于经验化。目前,信号处理的方式包括时域分析、频域分析和时频域分析。时域分析方法是直接基于采样数据进行分析,由于实际获取的振动信号大多通过传感器以预设的采样频率进行采样,所以获得的信号可以看作一个离散时间序列。频域分析方法是信号处理领域常用的方法,相较于传统的时域分析方法,频域分析方法最大的优势在于能将信号基于频率进行分解,获取一系列频率分量。时频域分析提供了时间域与频率域的联合分布信息,描述了信号频率随时间变化的关系。
公告号为CN109781244B的中国发明专利公开了一种数控机床刀具振动信号检测***及检测方法,包括振动信号采集装置、数据处理模块和分析判断模块;所述振动信号采集装置固定于数控机床刀台上,用于检测刀具振动信息并输出相应的检测信号至数据处理模块;所述数据处理模块用于对所述检测信号进行差分放大处理后输出待分析数据至分析判断模块;所述分析判断模块用于根据预先存储的数据类别对当前采集的待分析数据进行判断分类,当判断为异常振动数据类别时输出预警信号。上述技术方案对接收到的检测信号进行差分放大处理后输出待分析数据,基于预先训练识别的数据类别实现对刀具振动信号的故障检测及预警。然而,刀具加工状态的多变导致振动信号呈现非平稳、非线性的特征,且振动信号中的噪声成分通常具有多元、复杂的特性。因此单纯使用单一信号处理技术无法实现对刀具原始振动信号的精确分析。
发明内容
本发明的目的在于针对现有技术中的不足,提供一种基于CEEMDAN-IFTC-PSR的刀具振动信号处理方法,对刀具原始振动信号进行分解,实现对刀具原始振动信号的精确分析,可间接节约企业加工时间成本和物料成本,预测机床刀具剩余使用寿命。
本发明的目的通过以下技术方案实现:
一种基于CEEMDAN-IFTC-PSR的刀具振动信号处理方法,其特征在于,包括以下步骤:
S1.基于信息物理***(Cyber-Physical System,CPS)框架收集的三轴传感器振动信号,并对振动信号进行预处理,生成刀具振动信号样本集;
S2.对刀具振动信号样本集进行CEEMDAN分解生成IMF分量,运用t检验方法各IMF分量均值并判别IMF分量是高频分量还是低频分量;
S3.基于区分出的高频分量和低频分量提出一种Improved Fine-to-CoarseReconstruction(IFTC)算法重构融合从分量池中随机选取出的分量进行融合,得到n个样本子集Yn(t),其中包含高频数据Yn,1(t)和低频数据Yn,2(t);
S4.运用C-C方法计算得到Phase Space Reconstruction(PSR)参数相关因子,并将Yn(t)中的高频数据Yn,1(t)运用相空间重构成Zn,1(t),低频数据Yn,2(t)重构为Zn,2(t)。
进一步地,步骤S1包括以下步骤:
S11.利用CPS***中的X、Y、Z三轴振动传感器收集刀具加工过程中振动信号;
S12.对该刀具振动信号进行数据预处理,得到刀具从开始进行正常加工程序,直到刀具寿命终止时完整的振动信号已处理文件;
S13.将该完整的振动信号文件,依照五分钟内采集到的振动信号为一个切片,将其切分成k个样本,每个样本中含有X、Y、Z轴三维振动信号即对应标签得到的振动信号样本集,即
Xorigin=[A1,A2,A3,…,Ak] (1)
Ak=[Vibration_x,Vibration_y,Vibration_z,label] (2)
其中,Xorigin为刀具的振动信号样本集,Ak为对应样本,Vibration_x为刀具在x轴的振动信号,Vibration_y为刀具在y轴的振动信号,Vibration_z为刀具在z轴的振动信号,label为对应样本在整个刀具寿命标签。
进一步地,步骤S12中数据预处理包括对缺失值进行***片段平均值、对离群异常值利用3σ准则对其进行修正。
进一步地,对数量级相差巨大的情况,对其进行纯线性变化使其变换后的结果按比例伸缩到[0,1]之间。
进一步地,步骤S13中将刀具振动信号样本集Xorigin中样本Ak所采集振动信号的时间段的中值,再统一除以刀具总寿命,得磨损比,以磨损比作为振动信号样本的寿命标签label。
进一步地,步骤S2将刀具振动信号样本集Xorigin中样本Ak,分解为2n个IMF分量,并通过t统计量检验各IMF分量的均值与零的绝对值,绝对值小的n个IMF分量为高频IMF分量,其余n个分量为低频IMF分量。
优选地,所述IMF分量的数量为6个,绝对值小的3个IMF分量为高频IMF分量,其余分量为低频IMF分量。
进一步地,步骤S3中所述IFTC算法,包括以下步骤:
S31.将所有的高频IMF分量和低频贴上与其样本数据一致的RUL标签,然后,将所有已经贴好RUL标签的低频IMF分量放入低频IMF分量池中,高频IMF分量放入高频IMF池中;
S32.从高频或低频IMF池中随机抽取若干高频或低频IMF分量,并分别计算若干高频或低频IMF分量的能量特征并归一化能量特征数据;
S33.计算所有被抽取出的高频IMF分量和低频IMF分量的总能量E;
S34.根据各IMF分量能量计算除以总能量E得到该IMF分量权值pi,故有,p1+p2+…+pi=1,用于避免幅值能量小的IMF分量被幅值能量大的IMF分量湮没;
S35.融合重构IMF分量。根据若干高频IMF分量各自的权重进行数据融合得到高频数据Y1,1(t)。
进一步地,所述IMF分量能量计算公式如下,
其中,J为IMF分量数据点数;cij为第i个IMF分量中各点的幅值;
进一步地,所述低频数据Y1,2(t)的计算方法与高频数据Y1,1(t)相同。
与现有技术相比,本发明的有益效果如下:
本发明针对真实数控加工过程中加工刀具的工作状态频繁改变导致振动信号呈现非平稳、非线性的特征,且振动信号中的噪声成分通常具有多元、复杂的问题,利用CEEMDAN对刀具原始振动信号进行分解,使分解后信号的重构误差接近于0。
本发明中的提出的IFTC算法能够有效地区分出高频IMF分量与低频IMF分量,并结合IMF分量中的能量确定融合权重。并将融合后的数据,用相空间重构技术在高维展开,还原其隐含的刀具寿命退化规律,可有效节约企业加工时间成本和物料成本,预测机床刀具剩余使用寿命。
本发明综合考虑了实际数控加工过程中产生的刀具振动信号的非平稳、非线性、噪声多元且复杂的特性,针对性地提出CEEMDAN-IFTC-PSR刀具振动信号处理方法,对于实际数控加工过程中产生的振动信号具有较好的处理效果。
附图说明
图1为本发明实施例所述的一种基于CEEMDAN-IFTC-PSR刀具振动信号处理方法流程图;
图2为本发明实施例中提供的振动信号样本Ai的CEEMDAN分解结果图;
图3为本发明实施例中提供的振动信号样本Ai分解后的各IMF分量均值图;
图4为本发明实施例中提供的验证数据中高频与低频数据在不同PSR参数下的各项性能对比图;
图5为本发明实施例中提供的测试数据中高频与低频数据在不同PSR参数下的各项性能对比图;
图6为本发明实施例中提供的基于CEEMDAN-IFTC-PSR方法的模型的预测结果和实际结果对比示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
如图1所示,本实施例提供一种基于CEEMDAN-IFTC-PSR的刀具振动信号处理方法,包括以下步骤:
S1.基于信息物理***(Cyber-Physical System,CPS)框架收集的三轴传感器振动信号,并对振动信号进行预处理,生成刀具振动信号样本集;
S2.对刀具振动信号样本集进行CEEMDAN分解生成IMF分量,运用t检验方法各IMF分量均值并判别IMF分量是高频分量还是低频分量;
S3.基于区分出的高频分量和低频分量提出一种Improved Fine-to-CoarseReconstruction(IFTC)算法重构融合从分量池中随机选取出的分量进行融合,得到n个样本子集Yn(t),其中包含高频数据Yn,1(t)和低频数据Yn,2(t);
S4.运用C-C方法计算得到Phase Space Reconstruction(PSR)参数相关因子,并将Yn(t)中的高频数据Yn,1(t)运用相空间重构成Zn,1(t),低频数据Yn,2(t)重构为Zn,2(t)。
实施例2
本实施例参照实施例1,提供一种基于CEEMDAN-IFTC-PSR的刀具振动信号处理方法,包括以下步骤:
S1.基于信息物理***(Cyber-Physical System,CPS)框架收集的三轴传感器振动信号,并对振动信号进行预处理,生成刀具振动信号样本集,具体步骤如下:
S11.利用CPS***中的X、Y、Z三轴振动传感器收集刀具加工过程中振动信号;
S12.对该刀具振动信号进行数据预处理,预处理包括对缺失值进行***片段平均值、对离群异常值利用3σ准则对其进行修正,对数量级相差巨大的情况,对其进行纯线性变化使其变换后的结果按比例伸缩到[0,1]之间,得到刀具从开始进行正常加工程序,直到刀具寿命终止时完整的振动信号已处理文件,;
S13.将该完整的振动信号文件,依照五分钟内采集到的振动信号为一个切片,将其切分成k个样本,每个样本中含有X、Y、Z轴三维振动信号即对应标签得到的振动信号样本集,即,
Xorigin=[A1,A2,A3,…,Ak] (1)
Ak=[Vibration_x,Vibration_y,Vibration_z,label] (2)
其中,Xorigin为刀具的振动信号样本集,Ak为对应样本,Vibration_x为刀具在x轴的振动信号,Vibration_y为刀具在y轴的振动信号,Vibration_z为刀具在z轴的振动信号,label为对应样本在整个刀具寿命标签,具体地,将刀具振动信号样本集Xorigin中样本Ak所采集振动信号的时间段的中值,再统一除以刀具总寿命,得磨损比,以磨损比作为振动信号样本的寿命标签label;
S2.对刀具振动信号样本集进行CEEMDAN分解生成IMF分量,运用t检验方法各IMF分量均值并判别IMF分量是高频分量还是低频分量;
S3.基于区分出的高频分量和低频分量提出一种Improved Fine-to-CoarseReconstruction(IFTC)算法重构融合从分量池中随机选取出的分量进行融合,得到n个样本子集Yn(t),其中包含高频数据Yn,1(t)和低频数据Yn,2(t);
S4.运用C-C方法计算得到Phase Space Reconstruction(PSR)参数相关因子,并将Yn(t)中的高频数据Yn,1(t)运用相空间重构成Zn,1(t),低频数据Yn,2(t)重构为Zn,2(t)。
实施例3
本实施例参照实施例2,提供一种基于CEEMDAN-IFTC-PSR的刀具振动信号处理方法,包括以下步骤:
S1.基于信息物理***(Cyber-Physical System,CPS)框架收集的三轴传感器振动信号,并对振动信号进行预处理,生成刀具振动信号样本集,具体步骤如下:
S11.利用CPS***中的X、Y、Z三轴振动传感器收集刀具加工过程中振动信号;
S12.对该刀具振动信号进行数据预处理,预处理包括对缺失值进行***片段平均值、对离群异常值利用3σ准则对其进行修正,对数量级相差巨大的情况,对其进行纯线性变化使其变换后的结果按比例伸缩到[0,1]之间,得到刀具从开始进行正常加工程序,直到刀具寿命终止时完整的振动信号已处理文件,;
S13.将该完整的振动信号文件,依照五分钟内采集到的振动信号为一个切片,将其切分成k个样本,每个样本中含有X、Y、Z轴三维振动信号即对应标签得到的振动信号样本集,即,
Xorigin=[A1,A2,A3,…,Ak] (1)
Ak=[Vibration_x,Vibration_y,Vibration_z,label] (2)
其中,Xorigin为刀具的振动信号样本集,Ak为对应样本,Vibration_x为刀具在x轴的振动信号,Vibration_y为刀具在y轴的振动信号,Vibration_z为刀具在z轴的振动信号,label为对应样本在整个刀具寿命标签,具体地,将刀具振动信号样本集Xorigin中样本Ak所采集振动信号的时间段的中值,再统一除以刀具总寿命,得磨损比,以磨损比作为振动信号样本的寿命标签label;
S2.对刀具振动信号样本集进行CEEMDAN分解生成IMF分量,运用t检验方法各IMF分量均值并判别IMF分量是高频分量还是低频分量;具体地,将刀具振动信号样本集Xorigin中样本Ak,分解为2n个IMF分量,并通过t统计量检验各IMF分量的均值与零的绝对值,绝对值小的n个IMF分量为高频IMF分量,其余n个分量为低频IMF分量;本实施例中,IMF分量的数量为6个,绝对值小的3个IMF分量为高频IMF分量,其余分量为低频IMF分量;
S3.基于区分出的高频分量和低频分量提出一种Improved Fine-to-CoarseReconstruction(IFTC)算法重构融合从分量池中随机选取出的分量进行融合,得到n个样本子集Yn(t),其中包含高频数据Yn,1(t)和低频数据Yn,2(t),具体地,IFTC算法,包括以下步骤:
S31.将所有的高频IMF分量和低频贴上与其样本数据一致的RUL标签,然后,将所有已经贴好RUL标签的低频IMF分量放入低频IMF分量池中,高频IMF分量放入高频IMF池中;
S32.从高频或低频IMF池中随机抽取若干高频或低频IMF分量,并分别计算若干高频或低频IMF分量的能量特征并归一化能量特征数据,IMF分量能量计算公式如下,
其中,J为IMF分量数据点数;cij为第i个IMF分量中各点的幅值;
S33.计算所有被抽取出的高频IMF分量和低频IMF分量的总能量E;
S34.根据各IMF分量能量计算除以总能量E得到该IMF分量权值pi,故有,p1+p2+…+pi=1。用于避免幅值能量小的IMF分量被幅值能量大的IMF分量湮没;
S35.融合重构IMF分量。根据若干高频IMF分量各自的权重进行数据融合得到高频数据Y1,1(t),低频数据Y_1,2(t)的计算方法与高频数据Y_1,1(t)相同;
S4.运用C-C方法计算得到Phase Space Reconstruction(PSR)参数相关因子,并将Yn(t)中的高频数据Yn,1(t)运用相空间重构成Zn,1(t),低频数据Yn,2(t)重构为Zn,2(t)。
本发明的有益效果如下:
本发明针对真实数控加工过程中加工刀具的工作状态频繁改变导致振动信号呈现非平稳、非线性的特征,且振动信号中的噪声成分通常具有多元、复杂的问题,利用CEEMDAN对刀具原始振动信号进行分解,使分解后信号的重构误差接近于0。
本发明中的提出的IFTC算法能够有效地区分出高频IMF分量与低频IMF分量,并结合IMF分量中的能量确定融合权重。并将融合后的数据,用相空间重构技术在高维展开,还原其隐含的刀具寿命退化规律,可有效节约企业加工时间成本和物料成本,预测机床刀具剩余使用寿命。
本发明综合考虑了实际数控加工过程中产生的刀具振动信号的非平稳、非线性、噪声多元且复杂的特性,针对性地提出CEEMDAN-IFTC-PSR刀具振动信号处理方法,对于实际数控加工过程中产生的振动信号具有较好的处理效果。
需要说明,若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后……),则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,若本发明实施例中有涉及“第一”、“第二”等的描述,则该“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
Claims (6)
1.一种基于CEEMDAN-IFTC-PSR的刀具振动信号处理方法,其特征在于,包括以下步骤:
S1.基于信息物理***(Cyber-Physical System,CPS)框架收集的三轴传感器振动信号,并对振动信号进行预处理,生成刀具振动信号样本集;
S11.利用CPS***中的X、Y、Z三轴振动传感器收集刀具加工过程中振动信号;
S12.对该刀具振动信号进行数据预处理,包括对缺失值进行***片段平均值、对离群异常值利用3σ准则对其进行修正,对数量级相差巨大的情况,对其进行纯线性变化使其变换后的结果按比例伸缩到[0,1]之间,得到刀具从开始进行正常加工程序,直到刀具寿命终止时完整的振动信号已处理文件;
S13.将该完整的振动信号文件,依照五分钟内采集到的振动信号为一个切片,将其切分成k个样本,每个样本中含有X、Y、Z轴三维振动信号即对应标签得到的振动信号样本集,即,
Xorigin=[A1,A2,A3,…,Ak] (1)
Ak=[Vibration_x,Vibration_y,Vibration_z,label] (2)
其中,Xorigin为刀具的振动信号样本集,Ak为对应样本,Vibration_x为刀具在x轴的振动信号,Vibration_y为刀具在y轴的振动信号,Vibration_z为刀具在z轴的振动信号,label为对应样本在整个刀具寿命标签;
将刀具振动信号样本集Xorigin中样本Ak所采集振动信号的时间段的中值,再统一除以刀具总寿命,得磨损比,以磨损比作为振动信号样本的寿命标签label;
S2.对刀具振动信号样本集进行CEEMDAN分解生成IMF分量,运用t检验方法各IMF分量均值并判别IMF分量是高频分量还是低频分量;
S3.基于区分出的高频分量和低频分量提出一种Improved Fine-to-CoarseReconstruction(IFTC)算法重构融合从分量池中随机选取出的分量进行融合,得到n个样本子集Yn(t),其中包含高频数据Yn,1(t)和低频数据Yn,2(t);
S4.运用C-C方法计算得到Phase Space Reconstruction(PSR)参数相关因子,并将Yn(t)中的高频数据Yn,1(t)运用相空间重构成Zn,1(t),低频数据Yn,2(t)重构为Zn,2(t)。
2.根据权利要求1所述的基于CEEMDAN-IFTC-PSR的刀具振动信号处理方法,其特征在于,步骤S2将刀具振动信号样本集Xorigin中样本Ak,分解为2n个IMF分量,并通过t统计量检验各IMF分量的均值与零的绝对值,绝对值小的n个IMF分量为高频IMF分量,其余n个分量为低频IMF分量。
3.根据权利要求2所述的基于CEEMDAN-IFTC-PSR的刀具振动信号处理方法,其特征在于,所述IMF分量的数量为6个,绝对值小的3个IMF分量为高频IMF分量,其余分量为低频IMF分量。
4.根据权利要求1所述的基于CEEMDAN-IFTC-PSR的刀具振动信号处理方法,其特征在于,步骤S3中所述IFTC算法,包括以下步骤:
S31.将所有的高频IMF分量和低频贴上与其样本数据一致的RUL标签,然后,将所有已经贴好RUL标签的低频IMF分量放入低频IMF分量池中,高频IMF分量放入高频IMF池中;
S32.从高频或低频IMF池中随机抽取若干高频或低频IMF分量,并分别计算若干高频或低频IMF分量的能量特征并归一化能量特征数据;
S33.计算所有被抽取出的高频IMF分量和低频IMF分量的总能量E;
S34.根据各IMF分量能量计算除以总能量E得到该IMF分量权值pi,故有,p1+p2+…+pi=1,用于避免幅值能量小的IMF分量被幅值能量大的IMF分量湮没;
S35.融合重构IMF分量,根据若干高频IMF分量各自的权重进行数据融合得到高频数据Y1,1(t)。
5.根据权利要求4所述的基于CEEMDAN-IFTC-PSR的刀具振动信号处理方法,其特征在于,所述IMF分量能量计算公式如下,
其中,J为IMF分量数据点数;cij为第i个IMF分量中各点的幅值。
6.根据权利要求5所述的基于CEEMDAN-IFTC-PSR的刀具振动信号处理方法,其特征在于,所述低频数据Y1,2(t)的计算方法与高频数据Y1,1(t)相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210873176.2A CN115446662B (zh) | 2022-07-22 | 2022-07-22 | 一种基于ceemdan-iftc-psr的刀具振动信号处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210873176.2A CN115446662B (zh) | 2022-07-22 | 2022-07-22 | 一种基于ceemdan-iftc-psr的刀具振动信号处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115446662A CN115446662A (zh) | 2022-12-09 |
CN115446662B true CN115446662B (zh) | 2023-10-10 |
Family
ID=84297271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210873176.2A Active CN115446662B (zh) | 2022-07-22 | 2022-07-22 | 一种基于ceemdan-iftc-psr的刀具振动信号处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115446662B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4060716A (en) * | 1975-05-19 | 1977-11-29 | Rockwell International Corporation | Method and apparatus for automatic abnormal events monitor in operating plants |
CN109784310A (zh) * | 2019-02-02 | 2019-05-21 | 福州大学 | 基于ceemdan及加权时频熵的配电开关机械故障特征提取方法 |
JP2021091091A (ja) * | 2021-03-18 | 2021-06-17 | 国立大学法人東海国立大学機構 | 切削装置 |
CN113780056A (zh) * | 2021-07-22 | 2021-12-10 | 山东科技大学 | 基于振动信号的滚动轴承故障诊断方法 |
CN114004091A (zh) * | 2021-11-03 | 2022-02-01 | 兰州理工大学 | 一种基于CEEMDAN-BNs的风力变桨距***故障诊断方法 |
CN114176596A (zh) * | 2021-12-28 | 2022-03-15 | 合肥工业大学 | 一种改进经验模态分解排列熵的心磁信号去噪方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8873813B2 (en) * | 2012-09-17 | 2014-10-28 | Z Advanced Computing, Inc. | Application of Z-webs and Z-factors to analytics, search engine, learning, recognition, natural language, and other utilities |
CN110303380B (zh) * | 2019-07-05 | 2021-04-16 | 重庆邮电大学 | 一种数控机床刀具剩余寿命预测方法 |
-
2022
- 2022-07-22 CN CN202210873176.2A patent/CN115446662B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4060716A (en) * | 1975-05-19 | 1977-11-29 | Rockwell International Corporation | Method and apparatus for automatic abnormal events monitor in operating plants |
CN109784310A (zh) * | 2019-02-02 | 2019-05-21 | 福州大学 | 基于ceemdan及加权时频熵的配电开关机械故障特征提取方法 |
JP2021091091A (ja) * | 2021-03-18 | 2021-06-17 | 国立大学法人東海国立大学機構 | 切削装置 |
CN113780056A (zh) * | 2021-07-22 | 2021-12-10 | 山东科技大学 | 基于振动信号的滚动轴承故障诊断方法 |
CN114004091A (zh) * | 2021-11-03 | 2022-02-01 | 兰州理工大学 | 一种基于CEEMDAN-BNs的风力变桨距***故障诊断方法 |
CN114176596A (zh) * | 2021-12-28 | 2022-03-15 | 合肥工业大学 | 一种改进经验模态分解排列熵的心磁信号去噪方法 |
Non-Patent Citations (3)
Title |
---|
A Novel Remaining Useful Life Prediction Method Based on CEEMDAN-IFTC-PSR and Ensemble CNN/BiLSTM Model for Cutting Tool;LANJUN WAN, etc.;IEEE Access;第第10卷卷;第2182-2195页 * |
基于CEEMDAN-PSR-KELM的大坝变形预测;周兰庭;徐长华;袁志美;卢韬;;人民黄河(06);第142-145,149页 * |
基于机器学习的设备剩余寿命预测方法综述;裴洪;胡昌华;司小胜;张建勋;庞哲楠;张鹏;;机械工程学报(08);第15-27页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115446662A (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2277039B9 (de) | Verfahren und vorrichtung zur klassifikation von schallerzeugenden prozessen | |
DE69732569T2 (de) | System zur erkennung von störungen von elektromotoren | |
CN114282579A (zh) | 基于变分模态分解和残差网络的航空轴承故障诊断方法 | |
CN104216350A (zh) | 感测数据分析***及方法 | |
CN108535635B (zh) | 一种基于eemd和hmm的模拟电路间歇故障诊断方法 | |
Isliker et al. | A test for stationarity: finding parts in time series apt for correlation dimension estimates | |
CN112100164A (zh) | 一种智能审计方法、***和可读存储介质 | |
CN111238843A (zh) | 一种基于快速谱峭度分析的风机健康评价方法 | |
Godreau et al. | Continuous improvement of HSM process by data mining | |
CN112207631B (zh) | 刀具检测模型的生成方法、检测方法、***、设备及介质 | |
CN110909710A (zh) | 一种基于s试件的自适应主轴性能劣化识别方法 | |
Zan et al. | Research on early fault diagnosis of rolling bearing based on VMD | |
CN111238816A (zh) | 一种基于稀疏分类算法的滚动轴承复合故障诊断方法 | |
CN113109051A (zh) | 基于振动数据极差序列的故障预警方法和*** | |
CN115446662B (zh) | 一种基于ceemdan-iftc-psr的刀具振动信号处理方法 | |
Xu et al. | Rolling bearing fault feature extraction via improved SSD and a singular-value energy autocorrelation coefficient spectrum | |
CN113095192A (zh) | 一种基于时域外推技术的动态载荷谱编制方法 | |
CN111079591A (zh) | 基于改进多尺度主成分分析的不良数据修复方法及*** | |
CN113590663A (zh) | 一种环境检测方法及*** | |
Zhang et al. | Monitoring nonlinear dynamical systems: a combined observer-based and local approach | |
Mezni et al. | Bearing fault detection using intrinsic mode functions statistical information | |
CN113268640B (zh) | 金属屑故障分析***和方法 | |
Mattson et al. | Damage detection and localization based on outlying residuals | |
Jugan | Advanced methods of motor testing | |
CN114637793B (zh) | 一种基于大数据分析的装备故障频发区域定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |