一种基于小波去噪的零件磨损状态识别方法技术

本发明专利技术公开了一种基于小波去噪的零件磨损状态识别方法，属于信号去噪技术领域，使用一种介于硬、软阈值之间的阈值函数，该阈值函数具有连续性、渐进性、恒定差值等性质，并且在临界阈值处增添平滑过渡函数，该函数可以很好的保留更多的有用信号，改善阈值函数的性能，从而提高信噪比，减小均方误差，取得更好的去噪效果。本发明专利技术提供的一种基于小波去噪的零件磨损状态识别方法处理后的振动信号波形相对平滑，附加振荡较少，图像信号连续性更好，特征提取效果更好，通过图像信号与振动信号的配合，避免单一信号对磨损状态判断造成的误差，识别到的数据信息更完整，得到的分析结果更精确。本发明专利技术作用效果显著，适于广泛推广。适于广泛推广。适于广泛推广。

【技术实现步骤摘要】
一种基于小波去噪的零件磨损状态识别方法


[0001]本专利技术涉及信号去噪
，特别涉及，一种基于小波去噪的零件磨损状态识别方法。

技术介绍

[0002]随着数控技术、加工中心等自动化技术的发展，车削加工已经成为机械制造业中最重要的一种工艺方法，而刀具是车削加工系统中最容易发生磨损和失效的部件，刀具在切削过程中的振动情况会随磨损状况发生变化，由于外界噪声、车床自身噪声等各种外部干扰源的影响，导致采集到的刀盘振动信号复杂化，从而降低信号的信噪比，影响后续特征的提取和模式识别的研究。
[0003]目前针对信号去噪多采用小波变换方法，而在小波阈值去噪使用过程中存在，使用的硬阈值函数在阈值处的不连续性和软阈值函数存在一定偏差的问题。因此设计一种去噪方法解决现有技术存在的上述问题。

技术实现思路

[0004]针对上述缺陷，本专利技术解决的技术问题在于，提供一种基于小波去噪的零件磨损状态识别方法，以解决现在技术所存在的小波阈值去噪过程中，硬阈值函数在阈值处存在不连续性和软阈值函数存在一定偏差的问题。
[0005]本专利技术提供了一种基于小波去噪的零件磨损状态识别方法，包括：
[0006]步骤1、对采集的含噪振动信号进行奇异值分解，得到含噪振动信号的正交分量R
i
，含噪振动信号表示为X＝R1+R2+...+R
i
+...+R
h
，其中0<i<h，h为含噪振动信号正交分量的个数；
[0007]步骤2、对各个含噪振动信号的正交分量R
i
分别进行小波阈值去噪，得到去噪后的正交分量R
i
’
；
[0008]步骤3、将去噪后的各个正交分量进行线性叠加，得到去噪后的振动信号X
’
；
[0009]步骤4、对采集的含噪图像信号Y进行小波去噪处理，得到去噪后的图像信号Y
’
，得到去噪后的零件状态信号；
[0010]步骤5、获取大量零件不同磨损状态的数据样本，创建磨损状态判断模型；
[0011]步骤6、将去噪后的零件状态信号输入磨损状态判断模型，获取对应的磨损状态信息。
[0012]优选地，所述步骤1的具体步骤包括：
[0013]步骤1.1、含噪振动信号X的长度为N，离散时间序列为X＝(x1，x2，
…
，x
N
)取两个正整数l和t，将X序列截取l段长度为t个点的连续序列，构建l
×
t阶分解矩阵B；
[0014]步骤1.2、将分解矩阵B奇异值分解，得到
[0015]步骤1.3、将矩阵的各行首尾相连得到一维序列信号X
i
＝{X
i1
，X
i2
，...，X
ir
}。
[0016]优选地，所述步骤2的具体步骤包括：
[0017]步骤2.1、选取合适的小波基函数和小波分解层数S，得到一组小波系数ω；
[0018]步骤2.2、对小波分解高频系数进行阈值量化处理，获得估计小波系数
[0019]步骤2.3、由阈值量化处理后的第1层到第S层的高频小波系数ω和第S层的低频小波系数实行小波逆变换，得到估计信号R
i
’
。
[0020]优选地，所述步骤4的具体步骤包括：
[0021]步骤4.1、对采集的含噪图像信号进行小波分解；
[0022]步骤4.2、对分解后的图像信号进行阈值和阈值函数量化处理；
[0023]步骤4.3、对处理后的图像信号进行图像重构，得到去噪后的图像信号。
[0024]优选地，所述步骤5的具体步骤包括：
[0025]步骤5.1、获取大量零件不同磨损状态的数据样本，将不同磨损状态区分成多个状态，通过刀具不同磨损状态出现时的数据变化情况，选取证据信号；
[0026]步骤5.2、基于获取的证据信号创建磨损状态判断模型；
[0027]步骤5.3、将大量的原始数据样本的集合导入磨损状态判断模型，引入神经网络通过大量的历史数据对磨损状态判断模型进行训练，得到训练好的磨损状态判断模型。
[0028]优选地，所述步骤6的具体步骤包括：
[0029]步骤6.1、基于磨损状态判断模型中的证据信号对零件状态信号进行比对，获取信号对应的信度值，根据信度值分配各个信号所对应的权重；
[0030]步骤6.2、根据各个信号获得的权重数据进行数据融合，获取修正后的零件状态评估数据；
[0031]步骤6.3、根据修正后的零件状态评估数据匹配对应磨损状态的阈值数据，得到对应的磨损状态信息。
[0032]优选地，所述步骤1.1中分解矩阵B表示为：
[0033][0034]优选地，所述步骤2.2的具体步骤包括根据阈值的量化准则，对第1层到第S层的每一层高频系数，选用去噪阈值函数对小波系数进行修正，得到估计小波系数，其中去噪阈值函数表达式为：
[0035]其中，ω为原始振动信号的小波系数，为去噪后的振动信号的小波估计系数，λ为振动信号的阈值参数。
[0036]优选地，所述步骤4.2中使用的阈值函数表示为：
[0037][0038]其中，为图像信号的阈值参数，M
×
N为图像大小，为调节因子，δ为高斯方差，a、b、m、u均为正数的可调参数，ω2为原始图像信号的小波系数，为去噪后的图像信号的小波估计系数。
[0039]优选地，所述步骤6.2中修正后的零件状态评估数据表示为：
[0040]M＝X
’
C1+Y
’
C2，其中，C1为修正后的振动信号获得的权重，C2为修正后的图像信号获得的权重。
[0041]由上述方案可知，本专利技术提供的一种基于小波去噪的零件磨损状态识别方法使用一种介于硬、软阈值之间的阈值函数，该阈值函数具有连续性、渐进性、恒定差值等性质，并且在临界阈值处增添平滑过渡函数，该函数可以很好的保留更多的有用信号，改善阈值函数的性能，从而提高信噪比，减小均方误差，取得更好的去噪效果。本专利技术处理后的振动信号波形相对平滑，附加振荡较少，图像信号连续性更好，特征提取效果更好，可以实时获取较为精确的刀具磨损状态信息，通过图像信号与振动信号的配合，避免单一信号对磨损状态判断造成的误差，识别到的数据信息更完整，得到的分析结果更精确，解决现在技术所存在的小波阈值去噪过程中，硬阈值函数在阈值处存在不连续性和软阈值函数存在一定偏差的问题，作用效果显著，适于广泛推广。
附图说明
[0042]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0043]图1为本专利技术实施例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小波去噪的零件磨损状态识别方法，其特征在于，包括：步骤1、对采集的含噪振动信号进行奇异值分解，得到含噪振动信号的正交分量R
i
，含噪振动信号表示为X＝R1+R2+...+R
i
+
…
+R
h
，其中0<i<h，h为含噪振动信号正交分量的个数；步骤2、对各个含噪振动信号的正交分量R
i
分别进行小波阈值去噪，得到去噪后的正交分量R
i
’
；步骤3、将去噪后的各个正交分量进行线性叠加，得到去噪后的振动信号X
’
；步骤4、对采集的含噪图像信号Y进行小波去噪处理，得到去噪后的图像信号Y
’
，得到去噪后的零件状态信号；步骤5、获取大量零件不同磨损状态的数据样本，创建磨损状态判断模型；步骤6、将去噪后的零件状态信号输入磨损状态判断模型，获取对应的磨损状态信息。2.根据权利要求1所述的一种基于小波去噪的零件磨损状态识别方法，其特征在于，所述步骤1的具体步骤包括：步骤1.1、含噪振动信号X的长度为N，离散时间序列为X＝(x1，x2，
…
，
N
)，取两个正整数l和t，将X序列截取l段长度为t个点的连续序列，构建l
×
t阶分解矩阵B；步骤1.2、将分解矩阵B奇异值分解，得到步骤1.3、将矩阵的各行首尾相连得到一维序列信号X
i
＝{X
i1
，X
i2
，...，X
ir
}。3.根据权利要求2所述的一种基于小波去噪的零件磨损状态识别方法，其特征在于，所述步骤2的具体步骤包括：步骤2.1、选取合适的小波基函数和小波分解层数S，得到一组小波系数ω；步骤2.2、对小波分解高频系数进行阈值量化处理，获得估计小波系数步骤2.3、由阈值量化处理后的第1层到第S层的高频小波系数ω和第S层的低频小波系数实行小波逆变换，得到估计信号R
i
’
。4.根据权利要求3所述的一种基于小波去噪的零件磨损状态识别方法，其特征在于，所述步骤4的具体步骤包括：步骤4.1、对采集的含噪图像信号...

【专利技术属性】
技术研发人员：陈红丹，
申请(专利权)人：陈红丹，
类型：发明
国别省市：