铣削过程的约束型智能控制研究

本文通过设计并实现一个铣削力模糊自适应控制系统ＦＡＣ探讨了铣削过程的约束型智能控制问题。联机运行结果表明：ＦＡＣ系统可行，在线智能控制铣削力的效果较满意，通过在线调节工作台进给速度来智能控制铣削力可以实现粗加工阶段的生产率最大化。

铣削加工过程多目标优化专家系统

建立了铣削加工多目标优化专家系统，采用带宽容约束方法的多目标优化问题求解控制机，利用Ｂｏｌｔｚｍａｎｎ神经网络进行优化求解。通过神经网络和专家系统的集成，为切削加工的多目标优化提供了一种新方法。

知识经济时代机床工业发展刍议

分析了知识经济时代的特点与知识经济环境下机床工业面对的机遇、挑战和发展走势 。

小波神经网络的参数初始化研究

随机产生的初始参数往往使小波神经网络的学习次数大幅度地增加,甚至不收敛.为了加快网络的学习速度,本研究提出了一种将小波网络的初始参数设置和小波类型、小波时频参数和学习样本等联系起来的小波神经网络的初始参数设置方法.学习实例结果表明,按照这一方法不但可以获得高几率的优秀初始参数,而且能大大加快小波网络的后续学习速度.

奇异性信号检测时小波基的选择

奇异性信号往往带有一些重要信息，小波是奇异性检测的一种有力工具．本文研究了几种常用小波对不同奇异性信号的检测效果，通过对比分析，对不同的奇异性信号，推荐出了优先选用的小波基，并实际应用于刀具磨损时切削力信号的分析．

奇异值差分谱理论及其在车床主轴箱故障诊断中的应用

证明采用Hankel矩阵时奇异值分解(Singular value decomposition,SVD)可以将信号分解为一系列分量信号的简单线性叠加,为了确定其中的有用分量个数,提出奇异值差分谱的概念。差分谱可以有效地描述有用分量和噪声分量的奇异值性质差异,根据差分谱峰值位置可实现对有用分量个数的确定。研究结果表明,当差分谱最大峰值位于第一个坐标时,则表明原始信号存在较大的直流分量,此时根据第二最大峰值位置可以确定有用分量的个数,否则就根据最大峰值位置来确定分量个数。利用差分谱进一步研究Hankel矩阵的结构对SVD降噪效果的影响,指出矩阵列数和噪声去除量存在抛物线状的对称关系。利用基于差分谱的SVD方法对车削力信号进行处理,结果有效地分离出由于主轴箱故障齿轮的振动而引起的调制信号,并根据此信号可靠地定位了故障齿轮。

基于高斯函数的小波系及其快速算法

系统地探讨了由高斯函数各阶导数所构成的小波系及其性质 ,计算表明其第n阶导数具有n阶消失矩 .文中以高斯函数为尺度函数 ,讨论了高通滤波器和低通滤波器的特殊关系 ,并给出了以高斯函数 1到 6阶导数作为小波时快速算法所需要的滤波器系数 .

信号有效奇异值的数量规律及其在特征提取中的应用

针对信号的有效奇异值选择问题,发现了有效奇异值和信号频率个数之间存在重要联系,研究结果表明有效奇异值数量由信号中的频率个数决定,而与频率大小及其幅值无关,只要信号所构造矩阵的维数大于信号中频率个数的两倍,则每一个频率成分产生两个有效奇异值。研究了噪声干扰下有效奇异值的分布规律,发现随着矩阵维数的增加,有效奇异值受噪声的影响逐渐变小,而噪声产生的奇异值则会被分离到有效奇异值之后。基于每一个频率成分产生两个奇异值这一特性,提出利用SVD提取由一个或多个特征频率构成的特征信号时域波形,并将这一方法用于轴承和转子振动的波形特征提取,其效果优于小波变换。

多分辨奇异值分解理论及其在信号处理和故障诊断中的应用

提出多分辨奇异值分解(Multi-resolution singular value decomposition,MRSVD)的概念,基于矩阵二分递推构造原理,利用奇异值分解(Singular value decomposition,SVD)获得具有不同分辨率的近似和细节信号,以多分辨率来展现信号不同层次的概貌和细部特征。给出MRSVD的分解和重构算法,并从理论上证明这种分解方式的多分辨分析特性。研究结果表明,MRSVD可以精确地检测出信号中的奇异点位置,克服小波检测时的奇异点偏移缺陷,并具有优良的消噪能力,可实现零相移消噪,此外还具有微弱故障特征提取能力,在对一个轴承振动信号的处理中,提取到其中隐藏的周期性冲击特征,实现对轴承损伤的准确诊断。相应地与小波变换结果进行比较,证明MRSVD在信号处理和故障诊断领域是一种很有应用前景的方法。

矩阵构造对奇异值分解信号处理效果的影响

一维信号一般可以构造两种矩阵,第一种矩阵是通过对信号的连续截断来构造的,第二种则为重构吸引子矩阵.文中从理论上证明了在这两种矩阵方式下,奇异值分解都可以将信号表示为一系列分量信号的线性叠加,但是第一种矩阵获得的分量信号是彼此正交的,而第二种矩阵获得的分量信号则不具有正交性.两种矩阵的结构都可以利用分量信号信息量的变化趋势来合理地确定.对一个铣削力信号的处理结果表明,第一种矩阵分离出了机床主轴旋转基频完整的时域波形,分辨出了两个频率很接近的信号分量,发现了信号中隐含的调幅现象;而第二种矩阵则揭示了切削过程中由于材料颗粒不均匀和间隙而产生的对刀具的微弱冲击现象.

基于小波—奇异值分解差分谱的弱故障特征提取方法

对于一些复杂信号中的弱故障特征信息,以往的两种小波—奇异值分解(Singular value decompositiom,SVD)组合模式的特征提取效果不佳,从小波的频率窗特性出发分析了出现这种问题的原因,进而对复杂信号的奇异值分布规律进行研究,据此提出一种新的小波-SVD差分谱组合模式。对原始信号做小波分解得到一系列细节信号后,不再将这些信号简单地排列成矩阵,而是利用每个细节信号构造特定结构的Hankel矩阵,再通过SVD对每个矩阵做正交化分解,并利用奇异值差分谱来选择特征奇异值进行SVD重构,由此实现对弱故障特征信息的提取。对一个轴承振动信号的处理结果证实该方法对复杂信号中的弱故障特征信息具有优良的提取效果,其获得的故障特征波形非常清晰,克服了以往小波-SVD组合模式对弱故障特征提取效果不佳的缺陷。

小波包分析在轴承早期故障诊断中的应用

为了识别轴承早期损伤引起的故障信号 ,利用小波包对轴承的振动信号进行处理。小波包分析的实质是对小波分解的结果作进一步细分 ,因而具有比小波分解高得多的频域分辨能力。文中用小波包分析了两个存在早期轻微损伤的轴承的振动信号 ,并比较了自然序、Gray序以及移频算法的处理结果。这些分析结果表明 ,小波包分析能够有效地将隐藏在正常振动信号之中的早期弱故障信号提取出来 。

内积型和卷积型小波变换对信号处理效果的研究

内积型和卷积型小波变换是小波变换的两种定义形式,由于其迭代算法不同,因而对同一信号有不同的处理效果。以对一个轴承振动信号的处理为例,详细分析了这两种小波变换形式的频带分离效果和对信号中故障特征的提取效果,结果表明,卷积型小波变换对信号的处理效果要优于内积型,不仅其频带分离效果比内积型优越,而且它所提取的故障特征信息也比内积型小波变换要明显得多。最后对比较结果从理论上给予了解释。

基于奇异值曲率谱的有效奇异值选择

为了实现有效奇异值的自动选择,提出了奇异值曲率谱方法.首先分析了Hankel矩阵方式下理想信号和噪声信号的奇异值特点,发现理想信号的奇异值曲线存在一个很大的转折点,噪声信号的奇异值曲线则很平坦.然后提出了奇异值曲率谱的概念,并利用它来描述含噪信号奇异值曲线的转折点情况,分析了曲率谱计算时需注意的问题.研究结果表明,根据曲率谱的最大峰值位置可以确定有效奇异值个数:如果奇异值曲线在曲率谱最大峰值的位置坐标k处是凸出的,则有效奇异值的个数为k;如果奇异值曲线在k处是凹进的,则有效奇异值的个数为k-1.利用此方法来确定轴承振动信号的有效奇异值,提取到了由于滚道损伤而引起的调制现象,据此可靠地判断出了滚道剥落坑总数.

基于粗集理论的模糊神经网络建模方法研究

智能控制研究发展到了模糊神经网络阶段 ,其中 5层模糊神经网络结构的物理含义清晰 ,而 Max- Min模糊神经网络反应快 ,实时性强。在分析两者优缺点的基础上 ,提出了基于粗糙集构建模糊神经网络的方法 ,并通过比较 3种方法对同一个事例的建模 ,说明了基于粗糙集方法的优点。

基于奇异值分解的铣削力信号处理与铣床状态信息分离

利用连续截断信号构造矩阵,通过奇异值分解可以将信号表示为一系列分量信号的简单线性叠加,证明了各分量之间是两两正交的,且具有零相位偏移特性。根据分量信号的信息量可以确定合理的矩阵结构。对铣削力信号的处理实例表明,奇异值分解方法分离出机床主轴旋转基频近乎完整的时域波形,分辨出两个频率很接近的信号分量,发现信号中隐藏的调幅现象,证实机床的爬行并确定爬行频率。最后与小波变换的结果进行比较,表明这一方法对铣削力信号的分离效果优于小波变换。

基于SVD的奇异性信号检测原理及其应用

研究了Hankel矩阵方式下SVD的信号分解原理,证明了利用SVD可将原始信号分解为一系列分量信号的简单线性叠加。发现在Hankel矩阵方式下,从第二个SVD分量开始的各分量具有奇异性检测能力。指出与小波相比,SVD的奇异性检测具有两个特点,一是各分量的消失矩阶数逐次增加,第n个SVD分量具有n-1阶消失矩,因而各分量可以检测出具有不同奇异性指数的奇异点;二是所有SVD分量中指示奇异点位置的脉冲宽度始终保持不变,而且这个宽度由所构造的Hankel矩阵的列数决定。最后将这一方法应用于铣削力信号中的奇异性检测,揭示了由于刀具磨损或者工件材料颗粒不均匀和间隙而产生的对刀具的微弱冲击现象。

卷积型小波包变换及其快速算法

经典的小波包变换会使分解序列的长度递减,这在某些领域并不是很有利。为了解决这一问题,本文提出了卷积型小波包变换算法,利用这种变换,不管信号被小波包分解多少层,分解得到的各频道序列长度始终与原始信号一致。文中推导了卷积型小波包的正变换和逆变换的快速算法,并以对一个实际信号的处理为例,与经典的小波包分析结果进行了比较,它们的效果是一致的,但是卷积型小波包却免去了重构这一过程的手续。

大型矩阵奇异值分解的多次分割双向收缩QR算法

针对传统QR(Quadrature Right-triangle)算法在处理某些大型矩阵的奇异值分解时不收敛的本质原因,提出双向收缩、多次分割的解决对策.研究了对奇异值分解精度有重要影响的从左至右、从下至上的非零元素直线驱逐算法,提出了矩阵分割时子方阵首、末行的搜索算法,进而实现了针对大型矩阵奇异值分解的多次分割、双向收缩QR算法.通过实例比较了不分割与多次分割时算法收敛速度的差异,证实了多次分割双向收缩QR算法具有迭代次数少、迭代过程无停滞、收敛迅速等优点,解决了传统QR算法处理某些大型矩阵的SVD时不收敛的问题,对任何大型矩阵都可实现快速SVD运算.

短时傅里叶变换的时频聚集性度量准则研究

为了使短时傅里叶变换(short time Fourier transform,简称STFT)获得良好的时频聚集性,必须根据信号的具体特点来选择窗长。分析了现有窗长选择准则的选择机理及其优缺点,发现归一化3阶Renyi熵准则与Stankovic准则一般只会取到窗长选择范围的最大值,并分析了出现这种问题的原因,而其他准则得到的也不是最优的窗长。提出了一种新的基于对数窗能量的窗长选择准则。对数窗能量与窗长是一种非线性关系,这显著区别于普通窗能量随窗长线性增长的特性,且其增长速度与窗型无关,并在短窗和长窗具有不同的增长速度,因而能够在短窗和长窗之间取得良好的折衷。提供了仿真信号和实际信号的处理实例,其结果证明对数窗能量准则使STFT获得了良好的时频聚集性,效果优于现有的窗长选择准则。