公开(公告)号：CN110909710A

公开(公告)日：2020-03-24

申请号：CN201911217099.X

申请日：2019-12-03

Applicant: 北京信息科技大学

Inventor： 王红军 ,  韩风霞 ,  籍永健 ,  谷玉海

IPC: G06K9/00 ,  G01M13/045

Abstract: 本发明涉及一种基于S试件的自适应主轴性能劣化识别方法，其步骤：加工S试件的同时采集保存主轴的径向振动信号；对径向振动信号按时间进行分段，对每段径向振动信号进行自适应噪声完备集合经验模式分解获得IMF分量；提取分解后信号的本征模态分量特征参数进行信号重构，计算重构信号功率谱信息熵和边际谱的重心频率；加工完成S试件后，判断S试件测量结果是否合格，获取机床主轴正常状态的特征和异常状态的特征；将加工新S试件过程中采集到的径向振动信号计算后得到的各段振动信号的PSE和SCF值分别与主轴正常和异常状态的特征进行比较，判断主轴健康状况；构建加工S试件不同加工阶段的功率谱熵曲线对主轴的劣化程度进行分类。

公开(公告)号：CN111160167A

公开(公告)日：2020-05-15

申请号：CN201911312525.8

申请日：2019-12-18

Applicant: 北京信息科技大学

Inventor： 王红军 ,  杨伟 ,  籍永健 ,  韩风霞 ,  彭宝营 ,  张翔

IPC: G06K9/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种基于S变换深度卷积神经网络的主轴故障分类识别方法，其步骤：将主轴振动信号作为振动样本信号，并将该振动样本信号分成多段预先设定长度的信号；对每段信号分别进行S变换、小波变换和短时FFT变换，得到时频谱图图像；将生成的时频谱图尺寸进行压缩，然后随机分为训练样本和测试样本，构建CNN神经网络训练集和测试集；将训练样本输入到CNN中，对CNN网络参数进行学习训练构建深度卷积神经网络模型，并将测试样本输入深度卷积神经网络中测试其分类性能；判断CNN模型是否合格，合格则得到理想CNN模型参数，否则返回重新构建CNN模型；将实际采集到的待测振动信号的S变换后的时频特征输入训练好的CNN模型，得到刻画数据类型的故障分类结果。