1、作為《國家戰(zhàn)略性新興產(chǎn)業(yè)發(fā)展“十二五”規(guī)劃》中重點(diǎn)發(fā)展方向之一的智能制造裝備是一種深度融合了智能技術(shù)的產(chǎn)物。作為智能信息系統(tǒng)“神經(jīng)末梢”的傳感器類型和數(shù)目隨著制造系統(tǒng)的日趨復(fù)雜而急劇增多，不同類型、個(gè)數(shù)和空間組合的傳感器網(wǎng)絡(luò)雖然提供了充足的數(shù)據(jù)，但是由于制造過程本身的復(fù)雜性，變量間信號(hào)傳遞關(guān)系的耦合性，以及傳感器安裝位置受限等，如何合理選擇傳感器類型、判斷傳感器安裝位置優(yōu)劣以及分析傳感器布置與系統(tǒng)監(jiān)測(cè)性能之間的關(guān)系成為制造過程狀態(tài)監(jiān)測(cè)的

2、關(guān)鍵。作為一種特例，表面質(zhì)量監(jiān)測(cè)是確保工件表面質(zhì)量的重要手段，但是傳統(tǒng)的監(jiān)測(cè)方法較少考慮傳感器所拾取信息的關(guān)聯(lián)性，從而使其難以反映切削過程中工件表面形貌形成的全面狀態(tài)信息。由于傳感器網(wǎng)絡(luò)所采集到的狀態(tài)信息中存在著冗余性和互補(bǔ)性，因此有必要對(duì)這些信息做進(jìn)一步更為有效的融合處理，從而得到更加準(zhǔn)確可靠的表面質(zhì)量監(jiān)測(cè)結(jié)果。論文主要工作如下:
　　(1)在考慮到傳感器和故障不同程度量化特征的基礎(chǔ)上，對(duì)切削過程狀態(tài)監(jiān)測(cè)的同類和異類傳感器布置方

3、法進(jìn)行了探討。對(duì)于同類傳感器布置，通過將遺傳算法的搜索過程描述為一個(gè)有限狀態(tài)的馬爾科夫鏈用于循環(huán)次數(shù)估計(jì)，設(shè)定自適應(yīng)交叉算子并采用變?nèi)后w策略，給出了一種新的自適應(yīng)進(jìn)化算法用于多目標(biāo)和約束條件下的傳感器布置優(yōu)化;對(duì)于異類傳感器布置，首先基于所構(gòu)建的連續(xù)多工步信息傳遞模型推導(dǎo)出了相關(guān)參數(shù)用來表征不同測(cè)點(diǎn)傳感器的監(jiān)測(cè)能力，其次將傳感器和故障特性進(jìn)行了量化表示，并基于屬性層次模型構(gòu)建了傳感器，故障以及系統(tǒng)檢測(cè)能力之間的因果關(guān)系，設(shè)定了優(yōu)化目標(biāo)和

4、約束條件，最后采用兩種不同的智能算法進(jìn)行了優(yōu)化比較分析，為后續(xù)優(yōu)化算法選擇提供了理論指導(dǎo)。
　　(2)針對(duì)復(fù)雜的單工位多工步制造過程狀態(tài)監(jiān)測(cè)，提出了一種新的異類傳感器布置方法。首先建立了單工位多工步故障信息流模型，并據(jù)此給出了相關(guān)特征參數(shù)用于指導(dǎo)傳感器初始布置。其次為了對(duì)監(jiān)測(cè)系統(tǒng)進(jìn)行可靠性評(píng)估和表征系統(tǒng)本身的不確定程度，推導(dǎo)并定義了一個(gè)平穩(wěn)因子用來表征傳感器-故障對(duì)對(duì)于監(jiān)測(cè)系統(tǒng)穩(wěn)定性的影響?；诖?，提出了一個(gè)量化因果圖模型用來模擬

5、傳感器測(cè)量和系統(tǒng)故障集之間的因果關(guān)系。最后，以系統(tǒng)故障不可觀測(cè)性，系統(tǒng)穩(wěn)定性以及系統(tǒng)成本為優(yōu)化目標(biāo)，以系統(tǒng)可檢測(cè)性，平穩(wěn)性為約束條件，基于不同傳感器優(yōu)化布置方法的對(duì)比分析表明了該傳感器布置策略的有效性。
　　(3)針對(duì)工件表面形貌形成及其監(jiān)測(cè)信號(hào)隨機(jī)性的特點(diǎn)，將隱馬爾科夫模型(HiddenMarkov Model，HMM)和動(dòng)態(tài)貝葉斯網(wǎng)(Dynamic Bayesian Network，DBN)引入到工件表面質(zhì)量監(jiān)測(cè)中?；谲囅鬟^

6、程工件表面粗糙度和圓度(Surface Roughness and Roundness，SRR)與刀尖振動(dòng)位移幾何空間位置關(guān)系的分析，確定了監(jiān)測(cè)特征，給出了HMM用于SRR同步質(zhì)量監(jiān)測(cè)的具體步驟和理論框架，并進(jìn)行了實(shí)驗(yàn)驗(yàn)證。在詳細(xì)分析了車削振動(dòng)對(duì)工件表面形貌影響的基礎(chǔ)上，采用奇異譜和小波分析提取了刀具沿工件坐標(biāo)三個(gè)方向的振動(dòng)融合特征。并給出了一個(gè)新的DBN模型-離散和高斯混合的隱馬爾科夫模型(Discrete andGaussian M

7、ixture Hidden Markov Model，DGMHMM用于工件表面粗糙度精度等級(jí)監(jiān)測(cè)。與相關(guān)模型的實(shí)例比較分析表明，基于DGMHMM DS的決策融合識(shí)別策略能夠有效的用于工件表面質(zhì)量監(jiān)測(cè)。
　　(4)針對(duì)當(dāng)前硬車削工件表面質(zhì)量監(jiān)測(cè)研究中可能存在的樣本缺失問題，以獨(dú)立成分分析和奇異譜分析提取的多方向切削振動(dòng)融合特征為輸入，提出了基于貝葉斯推理的HMM-SVM模型用于工件表面粗糙度監(jiān)測(cè)。其利用HMM小樣本分類的優(yōu)勢(shì)，將測(cè)試

8、樣本根據(jù)國標(biāo)所評(píng)定的精度等級(jí)進(jìn)行等級(jí)分類識(shí)別，然后采用最小二乘支持向量機(jī)(LS-SVM)對(duì)工件表面粗糙度值進(jìn)行估計(jì)。為了有效解決由于HMM誤判所造成的監(jiān)測(cè)精度下降和樣本缺失情況下訓(xùn)練數(shù)據(jù)不足的問題，給出了一種五步迭代算法用于選擇和優(yōu)化訓(xùn)練集。與多元線性回歸(MLR)和LS-SVM監(jiān)測(cè)精度的比較分析表明了其有效性。
　　(5)針對(duì)當(dāng)前制造過程狀態(tài)監(jiān)測(cè)中的信號(hào)選擇、特征提取以及監(jiān)測(cè)對(duì)象單一等方面存在的缺陷和不足，將耦合隱馬爾科夫模型(

9、Coupled Hidden Markov Model，CHMM)引入到多方向傳感器數(shù)據(jù)融合的切削過程狀態(tài)監(jiān)測(cè)中，用以分析傳感器空間布置對(duì)于系統(tǒng)監(jiān)測(cè)精度的影響。在詳細(xì)分析了車削振動(dòng)對(duì)于工件表面形貌的影響以及銑削刀具磨損對(duì)于切削力影響的基礎(chǔ)上，基于奇異譜和小波分析提取了監(jiān)測(cè)特征，并采用智能算法對(duì)特征進(jìn)行了二次選擇。基于CHMM的多方向傳感器數(shù)據(jù)融合分析表明，不同測(cè)點(diǎn)傳感器布置對(duì)于系統(tǒng)監(jiān)測(cè)精度具有顯著影響，融合了三方向傳感器數(shù)據(jù)的模型具有較