砂轮磨损的智能监测的研究（附录程序）.docVIP

需源代码。程序等全套设计联系q Q 174320523 1 砂轮磨损状态的智能监测的系统研究及方法 1.1多传感器信息融合方法 从操作人员综合运用视觉、听觉、嗅觉器官的联合作用，成功识别刀具状态的例子得到启发，为使智能系统成功工作，必须使用多传感器信息。利用多传感器信息可以给监测系统提供更高准确性、可靠性，可以扩宽监测系统有效范围，可以提供丰富信息来源。经过集成与融合的多传感器信息能完善地、精确地反映切削过程特征，而单一传感器只能获得切削过程特征的部分信息。经过集成与融合的多传感器信息具有以下4个方面特点：（1）信息的冗余性；（2）信息的互补性；（3）信息的实时性；（4）信息的低成本性。 用于多传感器信息集成的方法有许多，其个最简单的方法是让每个传感器的信息单独输入到系统控制器中。如果每个传感器所提供的信息反映的是环境中完全不同的方面，那么这种方法最适合。该方法的主要优点是增大了所传感的环境范围。如果传感器所能够传感到的环境内容出现重叠，以及可能出现信息的冗余、矛盾与相关，甚至出现其中的某个传感器影响其它传感器的工作，则来自不同传感器的信息就必须在多种表达层次上实现融合，在这种情况下，传感器融合能使系统获得更高质量的信息，这是任何单独工作的单个传感器所无法直接得到的。 在许多多传感器的数据系统中，处理输入信息的数量和速率已超过操作人员的能力。此外，数据的复杂性(如多维测量)和测量中的模糊性也都超出了人们对数据的关联和分类能力。这就要求各单独的融合处理方法全部或部分地实现自动化，以从大量的原始信息中获得精确的、易于理解的信息。就自动系统的应用来说，自动信息融合可以使人类从重复的劳动中解脱出来。因此，模拟人的融合处理方法，以提高处理速度、容量或改善处理精度是研究多传感器信息融合的重要原因。 多传感器集成与融合技术实际上是一种多源信息的综合技术，通过对来自不同传感器(信息源)的数据信息进行分析和综合，可以获得被测对象及其性质的最佳一致估计。 多传感器融合(Multi-sensor fusion)是指在多传感器集成过程中，将传感器的信息合并成统一的综合信息的任何一个具体阶段。它强调的是数据的转换和合并的具体方法与步骤。图1-1所示的组网结构为多传感器集成与信息融合的一般模式。信息融合在图中的各节点上进行，而整个结构是一个多传感器集成的实例。 图1--1 多传感器融合的一般模式 从图1--1中可以看到，几个传感器组合成一体为整个系统提供信息。前两个传感器的输出xl和x2在左下边的节点小进行融合后形成新的信息，用x1，2表示，第三个传感器的输出x 3又在下一个节点与x1，2融合，结果表示为x1，2，3，依此类推。系统所有传感器的输出以类似的方式融合成一个结构。从系统方框到每一节点的虚线，表示信息融合过程中有可能与系统进行信息交互。大多数多传感器集成结构的共同之处在于当信息向上移动时，信息的表示形式由低级向高级变换，即在结构的最低一级，原始数据进人传感器，并转换为信号信息。经过一系列信息融合之后，信号逐渐变为更加抽象的数字或者符号。 多种传感器信息融合与决策方法，在制造过程监控中最有效的是利用人工神经网络。有人在智能刀具状态监测系统中使用了声发射信息与切削力两种信息，它们对刀具磨损有不同的影响：声发射主要对于切削区的摩擦与塑性变形等微观活动极为敏感，而切削力功率谱主要对于由后刀面磨损引起的刀具工件振动宏观影响敏感。这就有助于提供较高质量的信号特征给模式分类器―—人工神经网络，使得对刀具磨损的识别决策具有更高的可靠性，参考文献[14]中在智能刀具状态监测系统中用声发射、切削力、主电机电流等多传感器信息；参与文献[13]中使用了声发射、切削力的3个分力、刀尖温度等多传感器信息。 基于研究对象的相似性以及原理的一致性，本论文的用的多传感器信息融合的智能砂轮状态监测系统的基本结构框图，见图1-2 1.2信号处理与特征提取 由于来自传感器的原始信号呈随机性、低信噪比，必须进行预处理才能用于特征提取。实践证明信号的高信噪比、高质量非常重要。因为神经网络输入特征中混有噪声将引起神经网络的学习能力下降，结果影响系统性能下降，参考文献[14]提出两种信号处理方法。 方法一：应用多回归时间序列模型。参考文献[14]报道，声发射信号标量自回归系数，在车削加工状态范围内对刀具磨损具有很好的灵敏度，这样自回归系数矩阵被作为表征刀具状态的参数。 方法二：应用传感器信号的功率谱分析。声发射和切削力信号的某些频率成分的功率谱密度对刀具磨损显示出灵敏度，所以这些频率分量可以用作为刀具磨损检测的特征信号。 由于使用高维输入向量给神经网络，要求大量的训练样本和一个过大的神经网络，而这样做未必能改善系统的性能，所以高维输入不切实际，因此仅使用那些对刀具磨损显示足够的灵敏