CN116038430B 多传感器信息融合的刀具剩余寿命预测方法 （西安理工大学）_第1页
CN116038430B 多传感器信息融合的刀具剩余寿命预测方法 （西安理工大学）_第2页
CN116038430B 多传感器信息融合的刀具剩余寿命预测方法 （西安理工大学）_第3页
CN116038430B 多传感器信息融合的刀具剩余寿命预测方法 （西安理工大学）_第4页
CN116038430B 多传感器信息融合的刀具剩余寿命预测方法 （西安理工大学）_第5页
已阅读5页，还剩22页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

多传感器信息融合的刀具剩余寿命预测方法本发明公开了多传感器信息融合的刀具剩在线更新退化模型参数以逐渐逼近刀具磨损退2波包能量这15种特征，共构建105个特征的时间序列，形成特征矩阵，用ia表示的第i列特征时序；步骤4：利用单调性评价指标，计算步骤3中得到的斯皮尔曼等级相关系数作为该种特征的单调性得分，选取单调性得分大于0.8的特征形成；；骤5基于主成分分析PCA的特征融合具体3MS维特征被降到一维；数据样本的健康指标数值为；c)表示；4",";5重要的作用，刀具磨损退化会引起刀具形状和性能发生变化从而直接影响工件质量和精预测主要是指基于深度学习理论通过自学习建立某时刻设备监测数据或所提取特征与剩习的剩余寿命预测方法需要依赖大量同类型设备在相似工况下的全寿命数据以训练满足有技术中采用单一传感器信号及深度学习方法所建立的预测模型存在泛化能力较差的问6量的斯皮尔曼等级相关系数作为该种特征的单调性得分，选取单调性得分大于0.8的特征[0019]4)若该样本值大于异常值上界或小于异常值下界，则使用估计中值xm替换该样Fi的排序。7",",yt8[0049]1)重要性采样：对于i＝1,2,…,N，从重要性概率密度函数中生成采样粒子计算粒子权值",并进行归一化；",";的预测方法可以避免依赖大量全寿命数据，且能够随着时间推进及监测数据的序贯可获，命预测领域中的一种基于多传感器信息融合及贝叶斯理论的刀具剩余寿命预测方法技术，可用于对数控机床刀具剩余寿命进行预测，解决刀具剩余寿命预测模型存在泛化能力较[0055]本发明通过采集数控机床工作过程中的切削力、振动和声发射信号作为监测信所提方法可避免基于深度学习方法需要依赖大量全寿命数据离线训练预测模型且模型对9等级相关系数作为特征单调性得分，选取单调性得分大于0.8的特征用于构建筛选特征矩[0075]1)重要性采样：对于i＝1,2,…,N，从重要性概率密度函数中生成采样粒子计算粒子权值",并进行归一化；",";[0079]本发明实施例中使用的数据集是PHM2010数据挑战赛的公开数据，数据采集自高速数控机床真实加工过程，每把全新的刀具从正常开始加工直至刀具寿命终止时停止采集。[0086]1)设置样本两边的样本数k,则窗口大小为2k+1,设定上下界系数nδ,其中设置k=[0091]4)若该样本值大于异常值上界或小于异常值下界，则使用估计中值xm替换该样[0095]基于单调性评价指标，计算(2)中得到的每一种特征时序与对应时间矢量的斯皮尔曼等级相关系数作为该种特征的单调性得分，选取单调性得分大于0.8的特征形成[0102]1)由于各通道信号监测数据量纲和量级有很大差异，因此在用PCA对筛选特征矩",",yt[0110]采用双指数模型拟合(4)得到的健康指标，建立描述刀具退化过程的双指数退化

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论