基于隱Markov模型切削過(guò)程監(jiān)測(cè)系統(tǒng)研究.pdf

1、機(jī)械加工過(guò)程中，刀具因切削而產(chǎn)生磨損，通過(guò)停機(jī)檢查或者依靠經(jīng)驗(yàn)來(lái)判斷刀具磨損情況已不能適應(yīng)機(jī)械加工自動(dòng)化、智能化發(fā)展的需求。如何有效地監(jiān)測(cè)刀具磨損狀況已成為各國(guó)研究的熱點(diǎn)。本研究以鉆床工作臺(tái)面的振動(dòng)信號(hào)為監(jiān)測(cè)信號(hào)，采用多種特征提取方法和多種量化編碼技術(shù)，并結(jié)合時(shí)間動(dòng)態(tài)序列的概率模型一隱Markov模型(HMM)，來(lái)對(duì)切削過(guò)程進(jìn)行監(jiān)測(cè)研究。 介紹了HMM的三個(gè)基本算法，以及在實(shí)際應(yīng)用中算法的修正和模型初始參數(shù)的確定方法，并列出HM

2、M的常見(jiàn)結(jié)構(gòu)。討論HMM進(jìn)行刀具磨損監(jiān)測(cè)的工作原理。 分析對(duì)比多種特征提取方法，選擇能夠明顯區(qū)分刀具磨損變化的均方根值和峰值指標(biāo)、小波包分解、AR模型這三種特征提取方法。在此基礎(chǔ)上，對(duì)特征值參數(shù)進(jìn)行LBG算法和SOFM神經(jīng)網(wǎng)絡(luò)這兩種方法的量化編碼。 以HMM為識(shí)別模型，在上述特征提取和量化編碼的基礎(chǔ)上，對(duì)刀具磨損監(jiān)測(cè)系統(tǒng)進(jìn)行多方案的研究。結(jié)果表明：每種方案下HMM都具有較好的識(shí)別能力，特別是對(duì)磨損的刀具正確識(shí)別率均在95