基于K-star算法的面铣刀故障诊断方法及其实验研究

工程科学与技术，国际期刊19（2016）1543完整文章基于K-star算法和振动信号C.K. Madhusudana，Hemantha Kumar，S.Narendranath印度卡纳塔克邦国立理工学院，邮编：575025阿提奇莱因福奥文章历史记录：2016年3月14日收到2016年5月13日修订2016年5月13日接受2016年5月30日在线发布保留字：面铣故障诊断机器学习直方图特征决策树K星算法A B S T R A C T提出了一种基于直方图特征和K-star算法的机器学习方法，用于面铣刀故障诊断。在加工42CrMo4合金钢过程中，采集了刀具在正常和不同故障状态下的振动信号。从采集的信号中提取直方图特征决策树用于从所有提取的特征中选择显著特征，并且这些选择的特征用作分类器的输入K-star算法被用作分类器，并且模型的输出被用来学习和分类面铣刀的不同条件。实验结果表明，K-star算法具有较好的分类准确率，在94%~ 96%之间，具有较好的直方图特征，可以用于故障诊断。©2016 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍刀具是金属切削加工中必不可少的部件。在连续加工过程中，由于刀具磨损/破损，切削刀具性能会发生劣化。工具失效降低了产品的质量并改变了产品的尺寸。刀具健康状况是制造业中的一个关键参数。因此，需要一种在线工具状态监测（TCM）系统，该系统通过使用某些参数的连续监测来提供过程的更好的健康状态，特别是切削工具。该TCM系统通过降低维护成本和节省空闲时间来保证更高的生产率。Byrne等人[6]对TCM系统的需求进行了深入研究，TCM系统用于优化刀具使用、减少非生产时间、刀具破损检测、提高工艺稳定性等。刀具状态监测技术包括刀具磨损的直接测量和间接测量。切削刃的直接测量提供了关于切削刀具物理劣化LoCasto等人[24]采用电荷耦合器件（CCD）相机进行刀具磨损测量。Park等人[31]采用直接测量方法，光学传感技术，计算机视觉系统*通讯作者。电子邮件地址：hemanta76@gmail.com（H. Kumar）。由Karabuk大学负责进行同行审查Ryabov等人[35]使用激光位移传感器在线测量铣削过程中的刀具几何形状。Prasad和Ramamoorthy[32]使用立体视觉方法研究并预测了车削过程中的刀具磨损，例如凹坑磨损和后刀面磨损。这些直接测量仅在某些条件下提供高精度的优点，但它们尚未证明在技术上或经济上非常有吸引力。目前，间接测量更适合在线过程应用。间接测量基于切削过程的测量数据与刀具条件之间的关系。采集切削力信号[26，17，7]、振动信号[29]、声发射信号[43]、电流/功率信号[2，37]等加工过程数据，并从数据中提取相关特征。然后，使用这些提取的特征和人工智能技术诊断的工具条件。然而，非常少的间接方法适用于工业应用，因为测量的信号将是非平稳和随机的性质。TCM系统中涉及两个主要步骤，第一个是从模糊/噪声数据中提取特征，第二个是使用这些提取的特征对过程/切削刀具的状况进行诊断/分类。信号的特征，如统计特征、直方图特征、经验模式分解（EMD）特征、离散小波变换（DWT）特征等，以及人工智能技术，如人工神经网络（ANN）[22，16]、支持向量机（SVM）[27，41]、贝叶斯网络[28，40]、模糊神经网络[23]、隐马尔可夫http://dx.doi.org/10.1016/j.jestch.2016.05.0092215-0986/©2016 Karabuk University.出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestch1544C.K. Madhusudana等人/工程科学与技术，国际期刊19（2016）1543模型[13]、决策树[12]等在当前的工业和制造业研究领域中可以看到。因此，有必要研究信号的性质及其与刀具状态的关系，特别是对于像面铣这样的间歇切削过程。Dutta等人[9]研究并比较了基于模糊的神经网络与标准的反向传播神经网络在使用振动和切削力信号的面铣过程中用于刀具状态监测的性能。结果表明，该方法计算速度快，适用于在线TCM系统。Baek等人[3]开发了数字信号处理器板，使用自回归（AR）和基于频带能量的方法来监测面铣刀的破损和切屑状况。结果表明，所研制的处理器对切削过程的监测具有很高的可靠性，AR模型在故障诊断中比带能量模型更准确。Kuljanic和Sortino[21]通过分析操作过程中切削力信号的特征，提出了刀具磨损指标;面铣中的归一化切削力（NCF）指标和扭矩力距离（TFD）指标。他们得出的结论是，TFD指标优于NCF，因为在TFD指标中，不需要确定未磨损刀具的切削力，而只需确定实际平均扭矩和平均切削力即可。Ghosh等人[14]使用人工神经网络技术将不同信号（如切削力、振动、主轴电流和声音信号）与端面铣削过程中的刀具磨损相关联。他们用实验室和工业现场验证了所提出的方法。Hsueh和Yang[15]使用切削力信号将SVM技术用于面铣刀破损预测。Mhalsekar等人[25]使用递归定量分析（RQA）研究了端面铣削过程中的振动信号，以监测刀片的后刀面磨损。他们的结论是，RQA参数，如熵，百分比laminarity，捕获时间和百分比复发是有用的功能，用于检测刀具后刀面磨损。控制系统也在刀具的状态监测中发挥作用。Rubio等人[33]开发了一个由基于专家规则的切削参数选择模块组成的系统，以实现多目标，如刀具寿命、材料去除率、工件表面粗糙度和铣削过程的稳定性。Rubio等人[34]使用分数阶保持方法对铣削力控制时域特征，如统计和直方图fea，在TCM系统中，将这些特征用于对机床部件/刀具的故障诊断许多研究者利用这些时域特征对中医系统进行了Sugumaran等人[38]采用统计特征、决策树和近似SVM技术对滚动轴承进行故障诊断。Alonso和Sal- gado[1]在TCM系统中使用了新技术来检测采用统计特征、神经网络、奇异谱分析和聚类分析等方法对车削过程中的刀具磨损进行了研究Elangovan等人。[10]通过使用振动信号的车削操作中的直方图和统计特征研究了朴素贝叶斯和贝叶斯网络分类器的性能。他们得出 结 论 ， 统 计 特 征 比 使 用 直 方 图 特征 产 生 更 高 的 分 类 准 确 性 。Sugumaran和Ramachandran[39]采用基于模糊的分类器，使用直方图特征和决策树技术诊断滚子轴承状况。Wang等人[42]通过从切削力信号中提取时域和频域中的统计参数，使用分布式高斯ARTMAP（自适应共振理论映射）网络对不同铣削刀具条件进行分类。Sakthivel等人[36]通过振动信号的统计特征，将主成分分析（PCA）和决策树相结合，在单块离心泵故障诊断中取得了良好的分类效果。Painuli等人[30]使用振动信号的统计特征研究了单点切削刀具的不同条件。Gangadhar等人。[11]使用统计特征以 及 利 用 振 动 信 号 对 刀 具 状 态 进 行 分 类 的 决 策 树 技 术 。Jegadeeshwaran 和 Sugu- maran[20] 采 用 克 隆 选 择 分 类 算 法（CSCA），使用振动信号的统计特征对液压制动系统进行状态监测。在上述文献中，已经进行了使用不同诊断技术的机器元件/切削刀具的状态监测。在当前的状态监测研究领域中，存在着统计、小波变换、经 验 模 态 分 解 （ EMD ） 等 特 征 提 取 方 法 ， 以 及 人 工 神 经 网 络（ANN）、支持向量机（SVM）、朴素贝叶斯（Naive Bayes）、决策树（Decision Tree）等分类器，各有其优缺点。一个好的诊断工具将减少对刀具磨损的误判。它提供了一个快速和正确的决定有关的条件切削刀具。直方图法和K星分类器的简单性使它们在故障诊断中具有很强的应用前景。K-star分类器在某些应用中取得了可观的结果，例如内燃机的失火检测[4]和车削刀具条件的分类[30]。为了探索K-star算法在铣刀故障诊断中应用的可能性，扩大其适用范围，提出了K-star模型与直方图法相结合的方法。针对铣削加工过程中的直方图特征和K-star算法作为分类器的研究在文献中未见报道。本研究的目的是评估分类器的性能与直方图特征提取的振动信号在端面铣削过程中，可以适用于开发一个在线TCM系统的端面铣削。在端面铣削加工TCM系统的设计中，其目标可以概括为获得一个有效的、高效的、具有最小响应时间的分类器。在这项研究中，四个不同的条件（健康，后刀面磨损，破损和崩刃）的面铣刀被考虑。尝试使用从振动信号中提取的直方图特征，并使用决策树从提取的特征集中选择显著特征。采用K星算法作为分类器对面铣刀进行故障诊断。该方法对面铣刀的分类具有较好的效果。第2节介绍了实验装置和程序。在第3节中解释了称为直方图方法的信号处理方法，然后在第4节中解释了特征约简技术。采用的分类工具在这项工作中，第5节介绍了。关于面铣刀故障诊断的结果和讨论可以在第6节中看到，第7节总结了所提出的方法的贡献。2. 实验装置使用通用铣床[3M（AU）G全自动进给]进行实验，所选加工参数如表1所示。本研究使用直径为80 mm的面铣刀（6个硬质合金刀片，三菱制造：SEMT 13 T3 AGSN-VP 15 TF）和42 CrMo 4钢合金的工件材料。实验装置包括通用铣床与数据采集系统，如图所示。1.一、表1端面铣削工艺试验条件。实验条件工作材料42 CrMo 4/1.1225钢合金刀片材料Carbide切割速度128 m/min进给速度0.12 mm/刀片切割深度0.5 mm刀具的故障状态侧面磨损、破损和崩刃润滑干燥C.K. Madhusudana等人/工程科学与技术，国际期刊19（2016）15431545端面铣削工具工件插入DAQ系统加速计Fig. 1. 面铣刀试验装置的故障诊断。实验进行了四个不同的条件下的面铣刀，即;(a) 健康.(b) 侧翼穿。(c) 切割头端断裂（断裂）。(d) 切削刃尖附近前刀面上的碎屑（碎屑）。在刀具的健康状态下，所有六个刀片都是新的/未磨损的刀片（图2（a）），而在六个刀片中的故障状态下，一个是侧面磨损（图2（b））或断裂（图2（b））。 2（c））或切片（图 2（d）），其余5个为健康衬垫，已考虑进行分析。 振动信号是使用安装在主轴外壳上的三轴IEPE加速度计（MEAS 7132A）采集的。采用美国国家仪器公司的DAQ 9234数据采集系统，以25.6kHz的采样频率采集传感器输出的加速度信号，并利用LabVIEW软件对信号进行最初，进行粗加工以去除工件的氧化层和不平整。在开始数据采集之前，该过程保持运行2或3分钟以稳定机器振动。为了避免随机振动，最初的几个信号不被考虑。采集了端铣刀在健康状态和不同故障状态下的振动信号。总共采集了200个样本，其中50个样本来自工具的每种条件，时间间隔为1 s，采样频率为25.6千赫兹。图3示出了对于面铣刀的不同条件（例如，健康、后刀面）磨损、破损和碎裂。与工具的健康状态相比，与故障状态对应的加速度幅值显示出略微变化。利用时间序列图进行故障诊断是相当困难的。通常，传统的数据处理是在时域或频域中计算的，并且不适合于分析非平稳信号。因此，需要一种基于机器学习方法的用于分析信号并诊断铣削刀具中的故障的人工智能技术。机器学习是一种科学方法，可以诊断性地检查可以从数据中学习的算法的构建和研究。这些算法基于输入建立模型，并使用它来做出决策或预测，而不是只遵循明确的编程指令。用于面铣刀故障诊断的机器学习系统流程图如图所示。 四、3. 直方图特征观察与所有类别的铣削刀具有关的时域图，可以注意到加速度幅度随类别而变化直方图是显示图中变化范围的更好的图形通过使用可以用作集合特征的信号的仓来分析这些变化图5示出了面铣刀的不同条件（健康、后刀面磨损、破损和碎裂）的直方图。从与被分析的铣削刀具的所有条件振幅(a) 健康（b）侧翼磨损（c）破损（d）碎裂图二. 面铣刀刀片的不同条件。1546C.K. Madhusudana等人/工程科学与技术，国际期刊19（2016）15432520151050-5-10-15-20-252520151050-5-10-15-20-250.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.02520151050-5-10-15-20-25时间（秒）2520151050-5-10-15-20-25时间（秒）0.0 0.2 0.4 0.6 0.81.0时间（秒）0.0 0.2 0.4 0.6 0.8 1.0时间（秒）图三. 不同刀具条件下的时间序列图（a）健康，（b）后刀面磨损，（c）破损和（d）崩刃。范围（振动信号的最大值到最小值）被划分为多个子范围，称为箱，其表示直方图的x对位于相应箱上的信号的数据点的数量进行计数，并表示直方图的y轴。这里的目标是调查其数据点对于特定类别相同但不同于其他类别的箱这些值对于特定类别的铣削刀具可能非常小，但对于另一类铣削刀具可能非常料箱的宽度应固定，以使料箱的高度对于不同类别的铣刀是不同的。它不需要对所有宽度的箱都是真的，但是它们中的至少一些应该遵循该标准，使得它可以用作用于对各种条件（类别）进行分类的特征。4. 决策树（J48算法）决策树技术用于使用树结构算法将数据分类为离散形式[5]。J48技术在医学、工程、市场调查统计等领域有着广泛的应用。决策树的主要目的是说明数据中包含的结构信息。标准树用J48算法表示，它由一个根节点、若干个叶子节点、若干个结点和若干个分枝组成。树的每个分支表示从根到叶的节点链，每个节点表示一个属性（或特征）。的存在树中的特征给出了关于相关联特征的显著性的信息。下面解释用于制作决策树并将其用于特征选择的过程特征集被视为算法的输入，相应的输出是决策树。它由表示类标签的叶子节点和与类相关的其余节点组成。树的分支展示所生成的特征节点的每个预测值。使用决策树对特征向量进行分类，从树根到叶子节点在树中的每个决策节点中，可以选择基于估计标准的最有用的特征下面解释基于调用信息增益和熵减少的概念的标准识别的有用特征4.1. 信息增益与熵约减信息增益被定义为通过基于特征对样本进行划分而预期的熵减少。熵被定义为实例集合中存在的无序的度量。通过增加信息，它减少了不确定性。信息增益是对原始系统和加入信息后系统的熵进行比较。特征“A”对一组示例“S”的信息增益（S，A（（（加速度（g）（加速度（g）加速度（g）加速度（g）●●●●●C.K. Madhusudana等人/工程科学与技术，国际期刊19（2016）15431547X;5. K星分级机K-star算法使用基于通过在所有可能的变换之间随机选择而将实例变换为另一实例的概率的熵度量。以熵值作为评价指标距离有很多用处。在真实的、符号的、缺少值的属性中方法的一致性使得它很重要。基于实例的符号属性算法缺乏实际价值的特征，因此缺乏统一的理论基础。因此，在处理符号属性时，采用了一种特别的方式来处理实值特征的成功方法。分类器处理缺失值也会带来类似的问题。通常，缺失值被视为一个单独的值，被认为是最大的差异，代替平均值，否则就被忽略。在本研究中，一个名为WEKA（怀卡托环境知识分析）的工具基于熵的分类器是解决这些问题的一种方法。关于K-star分类器的详细说明可以参考[8]《易经》云：“天之道也，地之道也。对于每个类别，一组选定的直方图特征被用作K星模型的输入。K-star分类器的结果基于10折交叉验证进行映射。第6.3节解释了基于选定特征的面铣刀的详细分类。6. 结果和讨论见图4。 面铣刀故障诊断流程图。增益S A熵SjSvj熵S1v2值AjSj其中， S v={s2 S|A（s）=v}）。注意等式中的第一项。（1）是原始集合“S”的熵由第二项描述的期望熵是由样本的分数加权的每个子集' S v '的熵的直接和。|SV|/|S|属于“S v”的因此，增益（S，A）是由知道特征“A”的值引起的熵的预期减少熵由下式给出，C熵值S_（？）-Pilogi-1其中，‘在这项研究中，直方图特征提取的振动信号，共200个样本（每类50个样本），从实验中收集，并作为输入的决策树算法。该算法给出了一组显著的特征，提供了更多的关于面铣刀条件的信息。决策树的构造和关于特征选择的解释可以在第6.2节中看到。通过振动信号，利用直方图特征、决策树和K星分类器对面铣刀进行故障诊断。共200个样本，其中50个样本属于所有类别（工具状况），考虑用于分析。6.1. 直方图特征按照第3节中提到的用于提取直方图特征的标准，基于与所有条件相关的信号的最大值和最小值来选择箱宽度和箱范围，并且每个箱被视为特征。从振动信号中提取了20组不同的直方图特征。每组特征被视为分类器的输入，并对分类器的结果进行分析。图6示出了针对不同直方图特征集合的K星模型的分类精度。如图6所示，K星模型对于30组和40组直方图特征都产生了约96.5%的最大分类准确度。在此基础上，该模型的分类准确率达到94%和96%的不同组的功能（为50，60，. . ，100个特征）。表2描绘了一组三十个直方图特征（f1在该表中，特征f1、f2、f3、f4、f27、f28、f29和f30在所有条件下均设置为零值面铣刀的工作原理。所提取的特征值中的一些对于铣削刀具的不同条件具有显著差异。选择这些特征是有效分类的重要任务，手动完成需要更多的专业知识;然而，特征的有效性并不能得到保证。通过使用合适的算法，选择最佳特征，也可以产生更好的分类精度。决策树技术是故障诊断领域中一种常用的特征选择方法。正常和故障面铣刀状况（加速度信号）直方图特征提取测试数据集模型是经过训没是面铣刀状态诊断（正常、后刀面磨损、破损和崩刃）K-star训练K-star的培训训练数据集使用决策树进行特征选择（J48算法）数据采集系统（NI DAQ-9234）1548C.K. Madhusudana等人/工程科学与技术，国际期刊19（2016）1543800070006000500040003000200010000-15-10-5 0 5 1015斌800070006000500040003000200010000-15-10-5 0 5 10 15斌(a) 健康（b）侧翼磨损800070006000500040003000200010000-15-10-5 0 5 1015斌800070006000500040003000200010000-15-10-5 0 5 10 15斌(c)破损（d）碎裂图五. 面铣刀不同条件下的直方图。1009692888480020 40 60 80 100直方图特征6.2. 基于决策树的所有提取的特征都被视为决策树的输入，用于选择最佳特征，这有助于提高诊断工具的分类准确性决策树的输出被形成为如图1所示的树形结构。7.第一次会议。决策树已被构造为一组的30个直方图特征，以这样的方式，当特征f21大于69和f23大于13，它被分类为“健康”的当特征f21大于69且f23小于或等于13时，则将其分类为“侧面磨损”状况，并且当特征f 21达到小于或等于69时，从树中选择特征f6、f8、f9、f17、f21、f22和f23作为重要特征，并且将这些特征用作分类器的输入6.3. 使用K-star见图6。不同直方图特征集的K星分类精度。在这项研究中，K-star算法被用来作为一个分类器来区分面铣刀的状态。考虑了50个样本最大精度分类准确率（%）频率频率频率频率C.K. Madhusudana等人/工程科学与技术，国际期刊19（2016）15431549表2直方图特征。端面铣削样品直方图特征工具no.条件F5F6F7F8女性9F10F11F12F13F14F15F16F17F18F19F20F21F22F23F24女性25F26健康124154212032383317342915412648204159288117759904902369225144021525471483938891593279240814956417428291731977508263120421673侧面磨损122113378237693142328634383514645663047175381933514351132002018226724662914822780443652154688300916868243371243312100断裂10011037114357101124144755672754042842126047414244620002014103214539498824464898646953792795125953117855151000削片1001419773491047238948496613542229841236445139187100020002199431710322450485666095416292912604701231940000见图7。 一组30个直方图特征的决策树。对于工具的每个条件（对于4类200个样品）。这些数据被分为两个：训练数据集和测试数据集。65%的样本（每个类别33个样本）用作训练集，剩余35%的样本（每个类别17个样本）用于测试模型。K-star模型对训练数据集的分类效率为100%，对测试数据集的分类效率为92.7%。Indira等人。[19，18]提出了在机器学习方法领域区分故障条件所需的最小样本数（每个类少于10个）。然而，每类50个样本用于分类面铣刀条件，以获得统计上稳定的分类精度。K-star模型基于10重交叉验证测试模式映射了铣刀的分类。分类器的输出是混淆矩阵，其示出了面铣刀的不同条件的分类。振动信号的给定直方图特征集（30个特征）的混淆矩阵如表3所示。从混淆矩阵中可以看出，对角元素表示正确分类的实例（样本），而非对角元素表示错误分类的实例。为‘healthy’ condition of the milling tool, all 50 instances were cor-rectly 而在“破损”情况下50例中有43例被正确分类为表4显示了按类别划分的K-star模型的详细准确性，其中真阳性率（TP率）和假阳性率（FP率）表示判断模型质量的重要性;对于良好的分类，TP率表示对于给定的振动信号，健康状况的TP率为1，这表明所有50个实例都被正确地分类为健康。在破损条件的情况下，TP率约为0.86，这表明50个实例中有43个被正确分类为破损，而7个破损实例被错误分类为碎裂，这由碎裂条件下的FP率0.047等表示。K-star算法对30个直方图特征集的7个实例进行了错误分类，总体分类准确率为96.5%。最终，可以注意到100%（50个实例）的健康实例表3K星混淆矩阵表4详细的K星精度分类。一BCD类TP率FP率精度召回F-测度ROC面积类50000健康101111健康05000b-侧面磨损101111后刀面磨损00437c-断裂0.86010.860.9250.992断裂00050d-Chipping10.0470.87710.9350.993碎裂1550C.K. Madhusudana等人/工程科学与技术，国际期刊19（2016）1543正确分类，而没有故障状况的实例被表示为健康状况。这可以被接受为分类器的相当好的性能。同样从图6中的观察，不同特征集合（50，60，.. . 100个特征）的识别率达到94%~ 96%，可用于故障诊断。因此，建议将K星技术用于面铣刀的故障诊断。7. 结论提出了一种基于机器学习技术的面铣刀振动故障诊断方法。从铣刀健康状态和不同故障状态（后刀面磨损、破损和崩刃）下的振动信号中提取直方图特征 通过决策树技术选择显著特征，并使用K-star算法对工具进行分类。实验证明，对于给定的实验条件和工件42 CrMo 4钢，K-star模型在端铣加工中的应用，分类精度可达94%~ 96%。在使用直方图技术的信号处理的情况下，它已达到捕获不同振动模式的目的。此外，K星分类器能够以最小的响应时间（约小于0.01 s）评估工具状态，这对于自动化制造系统是非常必要的。因此，K-star算法是一种有效的技术，可以在实际应用中推广利用采集到的振动信号提取直方图特征，对端面铣削过程TCM系统进行了仿真研究确认作者感谢系统设计中心（CSD）的贡献：NITK Surathkal的卓越中心，涉及技术设备/产品服务/实验设施的发布。SOLVE成员的技术支持：虚拟实验室@NITKSurathkal（www.solve.nitk.ac.in）深表感谢。作者还感谢博士提供的帮助诉Sugumaran，副教授，VIT大学，钦奈。引用[1] F.J.阿隆索，D. R.张文，刀具磨损检测中振动信号的结构分析，机械工程。系统信号处理 22（3）（2008）735-748。[2] Y.陈文，基于进给驱动电流的铣削力和刀具破损预测，北京大学学报，2001。 Eng. 印第安纳 114（4）（1992）386-392。[3] D.K. Baek，T.J. Ko，H.S. Kim，使用数字信号处理器实时监控铣削操作中的刀具破损，J. Mater。过程100（1）（2000）266-272。[4] A. Bahri，V. Sugumaran，S.B. Devasenapati，使用Kstar算法进行内燃机失火检测，2013年。arXiv预印本arXiv：1310.3717。.[5] L. Breiman，J.H. Freidman，R.A.林志玲，分类与回归树，台北市，台北市，1998。[6] G. Byrne，D.多恩费尔德岛稻崎湾Ketteler，W.柯尼希河陈晓，刀具状态监测技术的研究现状及工业应用，北京：机械工业出版社。44（2）（1995）541-567。[7] X.Q.（交叉队列）陈惠忠李，镍基合金加工中在线刀具状态监测和控制的刀具磨损观测器模型的开发，国际先进技术杂志。制造技术45（7 -8）（2009）786-800。[8] J.G. Cleary，L.E.Trigg，K⁄：一个使用熵距离度量的基于实例的学习器，在第12届国际机器学习会议论文集，第5卷，1995年，pp. 108比114[9] R.K.杜塔河，西-地Paul，A.B.张文，基于神经网络的数控铣削加工刀具状态监测，北京：机械工业出版社，2001。 Res. 38（13）（2000）2989-3010。[10] M. Elangovan，K.I.拉马钱德兰河谷苏古马兰，基于统计和直方图特征的单点硬质合金刀具状态监测贝 叶斯 分类 器 的研究，专家系统。Appl.37（3）（2010）2059-2065。[11] N. Gangadhar，H.库马尔，S。 陈文，基于决策树的单点切削刀具状态监测，北京，2001。 震动Anal. 3（1）（2015）34-43.[12] N. Gangadhar，H.库马尔，S。张文龙，单点切削刀具的故障诊断与故障诊断，中国机械工业出版社，2001。Mater. Sci. 5（2014）1434-1441。[13] O. Geramifard，J.X.徐俊华Zhou，X.李，物理分段隐马尔可夫模型方法用于连续工具状态监测：诊断和故障，IEEE Trans. 印第安纳告知。 8（4）（2012）964-973。[14] N. Ghosh，Y.B. Ravi，A. Patra，S. Mukhopadhyay，S.保罗，A.R. Mohanty，A.B. 陈晓，基于神经网络的数控铣削刀具磨损预测，机械系统，信号处理。21（1）（2007）466- 479。[15] Y.W. 薛振英杨，使用支持向量机预测面铣中的刀具破损，国际先进制造技术杂志37（9 -10）（2008）872-880。[16] P.B. Huang，C.C.妈，C.H.郭，一种PNN自学习刀具破损检测系统在端铣操作，应用。软计算 37（2015）114-124。[17] S.N. Huang，K.K.Tan，Y.S.黄智文De Silva，H.L.吴，W.W.谭，基于切削力监测的刀具磨损检测与故障诊断，Int.J.Mach。工具制造47（3）（2007）444-451。[18] 英迪拉河瓦桑塔库马里河 李文，汽车液压制动系统故障诊断中最小样本量的确定，北京：机械工业出版社，2001。国际技术杂志18（1）（2015）59-69。[19] 英迪拉河Vasanthakumari，V. Sugumaran，使用功率分析的机器学习故障诊断方法中振动信号的最小样本大小确定，专家系统。Appl.37（12）（2010）8650-8658。[20] R. Jegadeeshwaran，V. Sugumaran，采用克隆选择分类算法（CSCA）-统计学习方法的制动器故障诊断，Eng. Sci. 国际技术杂志18（1）（2015）14-23。[21] E. Kuljanic，M. Sortino，TWEM，一种基于切削力的方法- 监 控面 铣中 的刀 具磨损，Int. J. 马赫 工具手册45（1）（2005）29-34。[22] E. Kuljanic，G. Totis，M.李文，多传感器智能铣削颤振检测系统的研制，机械系统，信号处理。23（5）（2009）1704-1718。[23] X. Li，B.S.Lim，J.H.Zhou，S.Huang，S.J.Phua，K.C.M.J.肖干铣削加工中刀具磨损估计的模糊神经网络模型，2001年。 Conf. 预测健康管理。Soc. （ 2009）1-11。[24] S. LoCasto， E. LoValvo ，F. Micari ，V.F. 锐思 ，计 算机 视觉测 量刀 具磨损，C.S.M.E. 机甲Eng. Forum 3（1990）59-63.[25] S.D. Mhalsekar，S.S. Rao，K.V. Gangadharan，用于检测端面铣削中的后刀面磨损的递归量化分析的可行性研究，Eng. Sci. Technol. Int. J. 2（5）（2010）23-38。[26] M. Milfelner， F. Cus ， J. Balic，铣 削力测量 和优化的 数据采集 系统概述 ，J.Mater。过程164（2005）1281-1288。[27] V. Muralidharan，V. Sugumaran，V. Indira，基于SVM的单块离心泵故障诊断，工程科学。J. 17（3）（2014）152-157.[28] JVA内博特河Morales-Menendez，A.J.V. Guevara，C.A.王晓刚，基于贝叶斯网络的刀具磨损诊断方法，机械工程学报，2006，第1卷，第10 - 11页。 408- 413[29] S. Orhan，A.O. 呃，N。 Camu，s cu，E. Aslan，通过振动分析对35 HRC硬度的AISI D3冷作工具钢进行端铣时的刀具磨损评估，NDT &E Int。 40（2）（2007）121-126。[30] S. Painuli，M. Elangovan，V. Sugumaran，K-star算法在刀具状态监测中的应用，专家系统。Appl. 41（6）（2014）2638-2643。[31] J.J. Park，A.G. Ulsoy，使用自适应观测器和计算机视觉的在线后刀面磨损估计，第2部分：实验，J. Manuf. Sci. Eng.115（1）（1993）37- 43。[32] K.N.普拉萨德湾李文，基于神经网络的刀具磨损预测，北京：机械工业出版社，2001。过程112（1）（2001）43-52。[33] L. Rubio，M. De la Sen，A.P. Longstaff，S.基于模型的专家系统自动适应铣削力在帕累托最优多目标工作点，专家系统。Appl. 40（6）（2013）2312-2322。[34] L. Rubio，M. De la Sen，A.P. Longstaff，A.张文，基于离散时间控制的数控铣削力仿真研究，硕士论文。工程制造14（5）（2013）735-744。[35] O.里亚博夫湾Mori，N. Kasashima，K.上原，一种使用激光传感器的铣削刀具故障的过程中直接监测方法，CIRP Ann.Manuf.Technol. 45（1）（1996）97-100。[36] N.R. Sakthivel，B.B. Nair，M. Elangovan，V. Sugumaran，S.陈文，基于振动信号的单块离心泵故障诊断的降维技术比较，工程科学。 Technol. Int. J. 17（1）（2014）30-38.[37] H. Shao，H. L. Wang，X.M.赵，铣削中刀具磨损监测的切削功率模型，Int. J. 马赫 工具制造44（14）（2004）1503-1509。[38] 诉苏古马兰河谷Muralidharan，K.I.陈晓，基于决策树的滚动轴承故障诊断方法，机械工程学报，2001。21（2）（2007）930-942。[39] V. Sugumaran，K.I. Ramachandran，使用模糊分类器和直方图特征进行滚动轴承故障诊断，专注于自动规则学习，专家系统应用38（5）（2011）4901-4907。C.K. Madhusudana等人/工程科学与技术，国际期刊19（2016）15431551[40] D.A. Tobon-Mejia，K. Medjaher，N.陈晓，基于贝叶斯网络的数控机床磨损诊断与预测，机械工程学报。信号处理。28（2012）167-182。[41] K. Vernekar，H. Kumar，K.V. Gangadharan，基于决策树和支持向量机的离散小波特征齿轮故障诊断，Int. J. Cond. Monit. 5（2）（2015）23-29.[42] G. Wang，Z.Guo，Y.杨，基于力传感器的分布式高斯ARTMAP网络在线刀具磨损监测，传感器。致动器A 192（2013）111-118.[43] J.H. Zhou，C.K. Pang，Z.W. Zhong，F.L.刘文，声发射技术在刀具磨损监测中的应用，硕士论文。Meas. 60（2）（2011）547-559。