[发明专利]一种基于小波去噪和希尔伯特-黄变换的刀具磨损监测方法

权利要求书

1.一种基于小波去噪和希尔伯特-黄变换的刀具磨损监测方法，其特征在于：采用以

下步骤：

步骤1：采集若干组同一类型刀具在运行过程中三个时间段的振动信号，三个时间段分别对应刀具的初期磨损、正常磨损和严重磨损；三个时间段的采样时间相同；不同组同一类型刀具的运行过程中的切削参数不同；对采集的不同组的振动信号进行如下处理，得到振动信号的IMF分量：

步骤1.1：采用小波阈值去噪方法对采集的振动信号s_d(t)进行处理，得到阈值去噪后的估计信号x_d(t)；d取1，2，3，分别对应初期磨损、正常磨损和严重磨损三个时间段；

步骤1.2：对信号x_d(t)进行EMD分解：确定信号x_d(t)所有的极大值点与极小值点，分别拟合极大值点以及极小值点，得到信号的上包络线和下包络线；计算得到上包络线和下包络线的平均曲线；

步骤1.3：根据步骤1.2得到的平均曲线，采用筛分原理将信号x_d(t)分解并得到有限个本征模函数IMF和残余函数RES：

xd(t)=Σi=1nIIMFdi(t)+rnd(t)]]>

其中为第i个本征模函数，为残余函数，n为本征模函数的个数；

步骤2：对不同组的三个时间段振动信号的每个本征模函数IMF进行HHT变换，分别得到不同组的三个时间段振动信号的希尔伯特时频幅值谱，对希尔伯特时频幅值谱进行时间上的积分得到对应的希尔伯特边际谱；

步骤3：以一个时间段振动信号中K个与磨损相关的本征模函数IMF的振幅均值以及对应的希尔伯特边际谱最大幅值点作为特征向量；选择M组初期磨损时间段的特征向量、M组正常磨损时间段的特征向量、M组严重磨损时间段的特征向量组成神经网络的输入矢量P，构建神经网络的输出矢量T反映刀具初期磨损、正常磨损、严重磨损三种状态，建立神经网络分类器；

其中本征模函数IMF的振幅均值采用以下公式得到：

EIMFdi‾=Σk=1fid|cid(k)|fid]]>

其中为第i个本征模函数的采样点个数，表示第i个本征模函数的第k个分量；所述与磨损相关的本征模函数IMF指满足公式和的本征模函数IMF；

步骤4：采集待监测刀具的振动信号，并进行如下处理：

步骤4.1：采用小波阈值去噪方法对待监测刀具的振动信号进行处理，得到阈值去噪后的待监测估计信号；

步骤4.2：对待监测估计信号进行EMD分解；并采用筛分原理将待监测估计信号分解得到有限个本征模函数IMF和残余函数RES；

步骤4.3：对待监测估计信号的每个本征模函数IMF进行HHT变换，得到对应的希尔伯特时频幅值谱，对希尔伯特时频幅值谱进行时间上的积分得到对应的希尔伯特边际谱；

步骤4.4：以待监测估计信号的K个与磨损相关的本征模函数IMF的振幅均值以及对应的希尔伯特边际谱最大幅值点作为特征向量；输入到步骤3建立的神经网络分类器；得到输出矢量以判断待监测刀具的磨损状态。

2.根据权利要求1所述一种基于小波去噪和希尔伯特-黄变换的刀具磨损监测方法，

其特征在于：步骤1.2中采用三次样条分别拟合极大值点以及极小值点。