壓縮包內(nèi)含有CAD圖紙和說(shuō)明書,均可直接下載獲得文件，所見所得，電腦查看更方便。Q 197216396 或 11970985
機(jī)械故障檢測(cè)使用模糊的索引融合
Tony Boutrosa and Ming Liang
aDepartment of Mechanical Engineering, University of Ottawa, 770 King Edward Avenue, Ottawa, Ont., Canada K1N 6N5
摘要：本文報(bào)告一種簡(jiǎn)單, 有效和健壯融合方法根據(jù)模糊邏輯和Sugeno 樣式推斷方法。運(yùn)用這個(gè)方法, 四狀況監(jiān)視顯示, 被開發(fā)為瞬變和逐漸反常性的偵查, 被熔化入一個(gè)唯一全面模糊的被熔化的索引(FFI) 為可靠的機(jī)械健康評(píng)估。這種方法被測(cè)試了和成功地被確認(rèn)了在二種不同應(yīng)用：用工具加工條件監(jiān)測(cè)在碾碎的操作和負(fù)擔(dān)狀況評(píng)估。FFI 清楚地區(qū)分在正常和反常條件之間使用同樣模糊的規(guī)則基地。這一定顯示FFI 的通用性和強(qiáng)壯。當(dāng)FFI 價(jià)值總下跌在零和一個(gè)之間, 它促進(jìn)門限設(shè)置在不同的工具或機(jī)械組分的監(jiān)視情況。我們的實(shí)驗(yàn)性研究并且表明, FFI 對(duì)缺點(diǎn)嚴(yán)肅是敏感的, 能區(qū)分損傷由一個(gè)相同缺點(diǎn)造成在不同的軸承組分, 但不易受影響裝載變動(dòng)。
關(guān)鍵詞: 情況顯示; 模糊的融合; Sugeno 推斷方法; 工具情況; 軸承情況
文章概述
機(jī)械故障檢測(cè)和用機(jī)器制造程序控制受到了可觀的關(guān)注。這些任務(wù)有成為的越來(lái)越困難由于機(jī)器結(jié)構(gòu)和操作動(dòng)力學(xué)的復(fù)雜。在過(guò)去幾年, 許多不同的傳感器和情況顯示被發(fā)展為達(dá)到更加可靠的結(jié)果為不同的監(jiān)視任務(wù)。
為機(jī)械故障檢測(cè), Collacott [ 1 ] 使用了振動(dòng)信號(hào)可能性密度和峰態(tài)為軸承瑕疵證明在一項(xiàng)早期的研究。它被發(fā)現(xiàn)軸承的加速度的可能性密度在好情況有高斯發(fā)行, 但是損壞的軸承導(dǎo)致non-Gaussian 發(fā)行與統(tǒng)治尾巴。沿著這條線, 染色者和Stewart [ 2 ] 并且使用了峰態(tài)為軸承瑕疵偵查根據(jù)振動(dòng)信號(hào)。為未損壞的軸承以高斯發(fā)行, 峰態(tài)價(jià)值被發(fā)現(xiàn)了相等到三。價(jià)值大于三被判斷了作為妨礙失敗的征兆。但是, 一不利是著名: 峰態(tài)價(jià)值能下來(lái)到正常軸承的水平既使當(dāng)損傷很好被推進(jìn)了。以后, Miyachi 和Seki [ 3 ] 提取了根意味正方形(r.m.s 。) 并且冠因素從振動(dòng)信號(hào)監(jiān)測(cè)瑕疵在滾珠軸承里。但是, 結(jié)果不是非常成功的。劉和Mengel [ 4 ] 使用了高峰高度在頻率領(lǐng)域、高峰r.m.s. 和能譜作為間接索引為監(jiān)視滾珠軸承振動(dòng)。Heng 和亦不[ 5 ] 報(bào)告酣然的壓力和振動(dòng)的應(yīng)用發(fā)信號(hào)對(duì)軸承缺點(diǎn)的偵查運(yùn)用一個(gè)統(tǒng)計(jì)分析方法。參量被考慮在他們的研究中包括r.m.s. 、冠因素和峰態(tài)。結(jié)果被獲得通過(guò)實(shí)驗(yàn)顯露, 統(tǒng)計(jì)參量是依于軸速度的影響。最近, Baydar 和球[ 6 ] 審查了對(duì)音響信號(hào)的用途與振動(dòng)信號(hào)一起為各種各樣的地方缺點(diǎn)在一個(gè)傳動(dòng)箱使用小波變換的監(jiān)視。二個(gè)共同地遇到的地方缺點(diǎn)被模仿了: 牙破損和牙裂縫。結(jié)果建議, 音響信號(hào)是非常有效的為缺點(diǎn)的早檢測(cè)。但是, 裝載變異的影響對(duì)音響方法的故障檢測(cè)能力未被考慮。
為用機(jī)器制造的過(guò)程和工具條件監(jiān)測(cè), 任務(wù)能更加困難歸結(jié)于非線性過(guò)程由動(dòng)力學(xué)造成物質(zhì)撤除, 動(dòng)力學(xué)的互作用機(jī)械工具和機(jī)械工具驅(qū)動(dòng)[ 7 ] 。Inasaki [ 8 ] 開發(fā)了一個(gè)監(jiān)控系統(tǒng)為研的過(guò)程。系統(tǒng)運(yùn)用音響放射(AE) 并且力量傳感器監(jiān)測(cè)研的過(guò)程和修建控制數(shù)據(jù)庫(kù)。Everson 和Cheraghi [ 9 ] 調(diào)查了交互作用在孔操練的鋼的質(zhì)量和AE 信號(hào)參量之間。AE 高峰高度的能量、數(shù)字在某一門限之上和r.m.s. 被使用了在這次調(diào)查。實(shí)驗(yàn)工作被舉辦確認(rèn)方法。他們觀察, AE 能量是一個(gè)好措施但高峰高度算作是情況顯示是無(wú)結(jié)果的在信號(hào)是短的某些案件。有文學(xué)一個(gè)富有的身體在工具條件監(jiān)測(cè)。一些很好被援引的研究包括對(duì)AE 的用途為工具情況評(píng)估[ 10 ], [ 11 ] ,[ 12 ] 并且對(duì)AE 傳感器和力量傳感器的共用監(jiān)測(cè)工具條件在轉(zhuǎn)動(dòng)[ 13 ], 基于振動(dòng)工具穿戴監(jiān)視[ 14 ], [ 15 ], [ 16 ]并且基于力量的工具失效偵查[ 17 ], [ 18 ], [ 19 ]并且和基于當(dāng)前的工具破裂監(jiān)視[ 20 ] ，[ 21 ] 。
各種各樣的情況顯示由不同的研究員使用。例如, 振動(dòng)信號(hào)用不同的頻帶[ 14 ], 凝聚價(jià)值的r.m.s. 振動(dòng)發(fā)信號(hào)從二個(gè)過(guò)載信號(hào)器[ 15 ], r.m.s. 和能量AE 信號(hào)[ 9 ], 小波系數(shù)潮流或AE 信號(hào)[ 12 ] 并且[ 22 ], 并且模糊的轉(zhuǎn)折可能性[ 23 ] 被使用了為用機(jī)器制造的過(guò)程或工具條件監(jiān)測(cè)。情況索引為機(jī)械監(jiān)視包括小波參考水平和它的手段被計(jì)算從振動(dòng)數(shù)據(jù)[ 24 ], 正常化的泛音內(nèi)容殘余馬達(dá)[ 25 ]比當(dāng)前的酣然的強(qiáng)度[ 26] 大一些。
綜合數(shù)據(jù)從不同的來(lái)源, 傳感器[ 13 ], [ 27 ], [ 28 ]，[ 29 ] 融合的很好 。本文集中于不同的索引的融合從同樣數(shù)據(jù)源被獲得由一個(gè)唯一傳感器收集。每個(gè)索引有它自己的優(yōu)點(diǎn)和缺點(diǎn)。一個(gè)聯(lián)合索引的發(fā)展合并所有索引會(huì)提供一種簡(jiǎn)單和可靠的解答對(duì)多個(gè)傳感器無(wú)法方便地被應(yīng)用的情況。
依照被注意以上, 幾個(gè)補(bǔ)全索引可能被開發(fā)從同樣信號(hào)。例如, 一個(gè)缺點(diǎn)索引也許是適當(dāng)?shù)臑閵Z取瞬變事件并且另能是敏感的對(duì)逐漸變動(dòng)趨向。明顯地, 使用只二的當(dāng)中一個(gè)可能是引入歧途的如果突然的缺點(diǎn)和逐漸惡化是重要關(guān)心。另外, 極大的網(wǎng)上信息從不同的監(jiān)視索引要求巨大相當(dāng)數(shù)量努力和時(shí)刻處理, 領(lǐng)會(huì)和分析如果各個(gè)索引分開地被考慮。為相似的原因, Goebel [ 30 ] 提出了一個(gè)系統(tǒng)為診斷信息的融合。這個(gè)融合方法應(yīng)付主要沖突解決方案和缺點(diǎn)覆蓋面差誤。一種hierarchal 重量操作方法被使用提煉產(chǎn)品。
其它重要方面是困難在門限設(shè)置當(dāng)許多不同的索引被使用, 每個(gè)以它自己的門限設(shè)置計(jì)劃。這由許多索引的應(yīng)用依賴本質(zhì)復(fù)雜化進(jìn)一步。例如, 振動(dòng)信號(hào)廣泛被應(yīng)用的r.m.s. 的閾值能極大地不同在查出軸承滾珠瑕疵和軸承外面種族反?，F(xiàn)象。一個(gè)唯一被綜合的, 無(wú)維和正常化的索引的發(fā)展會(huì)導(dǎo)致及時(shí)的救助從門限設(shè)置差事。
為上述原因, 融合方法提議在這中paper-based 在模糊邏輯和Sugeno 樣式推斷方法。方法把幾情況顯示變成的作用一個(gè)唯一全面模糊的被熔化的索引(FFI) 為快的缺點(diǎn)監(jiān)視。當(dāng)FFI 的價(jià)值由0 和1 一定, 門限設(shè)置可能相應(yīng)地被簡(jiǎn)化。情況索引、融合過(guò)程和實(shí)驗(yàn)工作的細(xì)節(jié)被描述在以下部分。
改進(jìn)瞬間(即短期間) 并且逐漸被開發(fā)的反?，F(xiàn)象偵查效率, 監(jiān)視數(shù)據(jù)被編組入"微型小組" 和"小群" 。各個(gè)"微型小組" 包含K 樣品并且各"小群" 由J "微型小組" 組成。"微型小組" 定義查尋決議為瞬變反?，F(xiàn)象但是"小群" 大小的大小代表極小的必需的期間為政策制定。四顯示被獲得根據(jù)了力量、標(biāo)準(zhǔn)偏差和交互作用因素慣例。表示k 作為索引為數(shù)據(jù)樣品(k=1, 2...,K), j 為"微型小組" (j=1,2..., J) 和i 為"小群" (i=1,2..., I), 四個(gè)索引被獲得得如下。
力量情況顯示(PCI) 反射力量波動(dòng)巨大各個(gè)微型小組在小群心頭。它代表各微型小組力量的正?；钠顝钠骄秸劦阶儺惙秶?。為各個(gè)微型小組, PCI 被獲得
（1）
那里Pij 是微型小組j 的力量在小群i, 定義卑鄙"微型小組" 力量在同樣"小群心頭", Pi, 最大并且Pi, 分鐘代表最大值和極小值"微型小組" 力量在"小群心頭" 我。他們被給如下：
（2）
（3）
那里VLHP, ij(k) 代表數(shù)據(jù)抽樣k 在jth 微型小組ith 小群被獲得在帶通過(guò)濾以后。 明顯地, PCI 的最大值, 即, MPCI, 可能奪取突然的變化在信號(hào)上和因此是突然被開發(fā)的事件好顯示。它被計(jì)算為每小群如下：
（4）
雖然標(biāo)準(zhǔn)偏差是信號(hào)的分散作用一個(gè)直接措施和被使用了直接地為條件監(jiān)測(cè), 標(biāo)準(zhǔn)偏差的正常化的變異會(huì)是瞬變事件較不情況依賴顯示。這顯示被定義
（5）
那里是微型小組力量的標(biāo)準(zhǔn)偏差σij, 最大σi 、分鐘最大值和極小值"微型小組" 標(biāo)準(zhǔn)偏差在"小群" 我心頭, 和卑鄙"分鐘小組" 標(biāo)準(zhǔn)偏差談到小群σi。這些參量被計(jì)算如下：
（6）
（7）
與
（8）
相似與MPCI, SDCI 的最大值會(huì)提供被計(jì)算瞬變事件的更加清楚的標(biāo)志
（9）
它應(yīng)該并且注意到, 顯示源于標(biāo)準(zhǔn)偏差無(wú)法單獨(dú)被應(yīng)用因?yàn)樗砥畹陌俜种谛盘?hào)談到它的平均水平。因此, 我們建議MSDCI 是應(yīng)用的與MPCI 一起, 信號(hào)強(qiáng)度顯示。
力量交互作用因素(PCF) 定義瞬間力量手段的變異, 被計(jì)算在小群水平, 談到參考力量水平被計(jì)算在通常是被承擔(dān)的"法線" 的初始狀態(tài)。它可能被表達(dá)
（10）
那里SSVp, i 是被擺正的偏差的總和談到變化的手段和SSRp, i 是力量被擺正的錯(cuò)誤的總和相對(duì)參考平均功率, 即, 第一Jb 微型小組的平均力量,所有為小群i 。他們被獲得如下：
（11）
（12）
那里是力量手段在J 微型小組窗口。并且被寫
（13a)
(13b)
如果系統(tǒng)的狀態(tài)在監(jiān)視之下不改變以時(shí)間, SSVp, 我與SSRp, i 將是相等的。如同系統(tǒng)開始惡化, 微型小組的平均力量在小群開始相應(yīng)地增加(即, 酣然的壓力水平增加在碾碎的操作當(dāng)工具穿戴大小增加或振動(dòng)水平爬上在軸承在缺點(diǎn)面前) 。所以, SSVp, i, 微型小組力量的被擺正的偏差的總和談到平均功率(即) 將是較少比SSRp, i, 被擺正的偏差談到參考水平(即) 陳列作為這樣一個(gè)征兆關(guān)于退化。結(jié)果, PCF, 最初是相等的到一個(gè), 開始減少往零。
相似與PCF, 標(biāo)準(zhǔn)偏差交互作用因素(SDCF) 被開發(fā)學(xué)習(xí)標(biāo)準(zhǔn)偏差的變異談到一個(gè)選擇的參考水平(即, 水平被計(jì)算為正常狀態(tài)) 。PCF 集中信號(hào)的能量?jī)?nèi)含, 但是SDCF 的目標(biāo)將分析信號(hào)的波動(dòng)由于反?，F(xiàn)象。當(dāng)系統(tǒng)在監(jiān)視之下逐漸貶低, 波動(dòng)在信號(hào)變得更加頻繁和反復(fù)性(即波動(dòng)由于摩擦在工具穿戴或沖擊的情況下由于軸承缺點(diǎn)) 。這暗示增量在標(biāo)準(zhǔn)偏差和因而對(duì)交互作用因素的減少的動(dòng)態(tài)平均。SDCF 被獲得
(14)
與
（15）
（16）
那里是標(biāo)準(zhǔn)偏差的平均值在J 微型小組窗口和是第一Jb 微型小組的標(biāo)準(zhǔn)偏差的參考手段在小群i 。他們被寫
（17a）
（17b）
明顯地, 用途對(duì)任何他們的當(dāng)中一個(gè)能單獨(dú)誤引故障檢測(cè)決定但同時(shí)應(yīng)用他們平行會(huì)導(dǎo)致混亂和會(huì)減速偵查決定。另外, 四個(gè)索引并且要求不同的門限。這個(gè)情況, 與四個(gè)索引一起的補(bǔ)全本質(zhì), 刺激我們開發(fā)模糊的融合方法(圖1) 利用所有索引。是一致的在偵查計(jì)劃談到間隔時(shí)間[ 0, 1 ] (即, 完善的正常情況對(duì)應(yīng)到0 并且最壞的反常條件對(duì)應(yīng)到1, 不否則), 我們使用PCF 和SDCF 的補(bǔ)全, 表示作為CPCF 和CSDCF, 各自地。四個(gè)監(jiān)測(cè)的索引, MPCI 、MSDCI 、CPCF 和CSDCF, 依照被顯示在圖1 被定義談到各"小群" 和是全部正?；膬r(jià)值(即重視變化在0 和1) 之間。一個(gè)給定值近0 表明一個(gè)正常情況但是價(jià)值接近1 說(shuō)明反常案件。依照被說(shuō)明以上, 改進(jìn)故障檢測(cè)效率和減少多余的努力在選擇門限為各個(gè)監(jiān)視索引, 四監(jiān)測(cè)的顯示被熔化入一唯一模糊的產(chǎn)品如所描述在以下部分。
同酥脆輸入聯(lián)系在一起模糊的集合, 會(huì)員資格作用必須被定義。為計(jì)算效率, 三角會(huì)員資格作用被使用為輸入并且釘會(huì)員資格作用被使用為產(chǎn)品。在這項(xiàng)研究中, 四個(gè)模糊的集合提議為輸入和三其他為產(chǎn)品(圖2) 。輸入模糊的集合被選擇如下: ZV, 零的價(jià)值; SV, 小價(jià)值; MV, 中等價(jià)值; BV, 大價(jià)值。另一方面, 產(chǎn)品模糊的集合被定義在這次序: NR, 正常范圍; 范圍先生, 中間; 并且AR, 反常范圍。
這個(gè)模糊的融合模塊的當(dāng)中一個(gè)最重要的組分是偵查規(guī)則基地。模糊的規(guī)則, 確定產(chǎn)品準(zhǔn)則根據(jù)了輸入, 代表知識(shí)被獲取通過(guò)學(xué)會(huì)并且經(jīng)驗(yàn)的這個(gè)模糊的融合模塊的當(dāng)中一個(gè)最重要的組分是偵查規(guī)則基地。模糊的規(guī)則, 確定產(chǎn)品準(zhǔn)則根據(jù)了輸入, 代表知識(shí)被獲取通過(guò)得知和經(jīng)驗(yàn)領(lǐng)域?qū)＜?。每個(gè)這些規(guī)則被寫作為如果(四個(gè)情況indicators)-THEN (后果, 即, 機(jī)器情況的) 范圍。依照被顯示在無(wú)花果。2 和3, 那里是四個(gè)被輸入的模糊的集合與相關(guān)四情況顯示。這導(dǎo)致一共計(jì)256 個(gè)規(guī)則(44) 。為例證目的, 唯一一部分的規(guī)則被提出 。規(guī)則完全可利用的。這些規(guī)則被使用為機(jī)械工具和負(fù)擔(dān)條件監(jiān)測(cè)[ 31 ] 。
各套情況顯示一般激活幾個(gè)模糊的規(guī)則。例如, 考慮圖3 。如果MPCI 和MSDCI 下跌各自地在MV之間和BV 、和SV 和MV, CPCF 觸發(fā)ZV 并且SV 和CSDCF 激活SV 并且MV, 八點(diǎn)總共將被觸發(fā)在不同的高度(h) 。這導(dǎo)致模糊的集合的16 個(gè)組合。參見表2, 簡(jiǎn)要地解釋這些規(guī)則的意思, 我們考慮例如規(guī)則(166) 。它可能被翻譯和: 如果MPCI 和最大值SDCI (MSDCI) 屬于中程(MV) 并且力量和標(biāo)準(zhǔn)偏差交互作用因素的補(bǔ)全有SV, 機(jī)器情況將認(rèn)為是在AR 。所有規(guī)則被一套輸入激活, 即, MPCI, MSDCI, CPCF, 和CSDCF, 應(yīng)該被考慮到和因此對(duì)最后的產(chǎn)品的力量聯(lián)合貢獻(xiàn), 即, FFI 。FFI 將由模糊的推斷方法定義依照被說(shuō)明在下個(gè)部分。
模糊的推斷方法的角色是進(jìn)行模糊的操作必要為FFI 的決心。在這個(gè)階段期間, 被熔化的索引被計(jì)算根據(jù)了模糊的輸入和被激活的規(guī)則。減少計(jì)算時(shí)間為線上申請(qǐng), Sugeno 類型推斷方法被選擇在這項(xiàng)研究中。這類型引擎提供一個(gè)非常快的反應(yīng)和知名的Mandani 類型推斷方法相比。區(qū)別在二個(gè)技術(shù)之間主要?dú)w結(jié)于產(chǎn)品會(huì)員資格作用的選擇。以Sugeno 方法, 產(chǎn)品會(huì)員資格由釘提出代替一個(gè)完全三角由Mandani 推斷方法使用。除它的計(jì)算效率之外, Sugeno 方法有其它有吸引力的特征譬如產(chǎn)品表面和吸引人的有效率的保證的連續(xù)性運(yùn)作以優(yōu)化和能適應(yīng)的技術(shù)[ 32 ] 。
產(chǎn)品, 即FFI, 簡(jiǎn)單地是釘[ 33]地點(diǎn)加權(quán)(談到釘高度被削根據(jù)推斷規(guī)則) 平均, 即：
（18）
那里L(fēng)r 是產(chǎn)品釘?shù)牡攸c(diǎn)與相關(guān)規(guī)則r, 小時(shí)是極小的高度(或會(huì)員資格) 與相關(guān)規(guī)則r 并且R 是被激活的規(guī)則的總數(shù)。 值得注意的是,Eq 。 FFI(18) 一個(gè)一般表示并且它的應(yīng)用對(duì)四個(gè)缺點(diǎn)索引的融合不被限制以上提到。另外的缺點(diǎn)索引可能容易地被合并如果需要。
參考文獻(xiàn)
[1] R.A. Collacott, Mechanical Fault Diagnosis (first ed), Chapman and Hall, London (1977).
[2] D. Dyer and R.M. Stewart, Detection of rolling element bearing damage by statistical vibration analysis, Journal of Mechanical Design 100 (1978) (2), pp. 229–235.
[3] T. Miyachi, K. Seki, An investigation of the early detection of defects in ball bearings using vibration monitoring—practical limit of detectability and growth speed of defects, in: Proceedings of the International Conference on Rotor dynamics, JSME-IftoMM, Tokyo, Japan, 1986, pp. 403–408.
[4] T.I. Liu and J.M. Mengel, intelligent monitoring of ball bearing conditions, Mechanical Systems and Signal Processing 6 (1992) (5), pp. 419–431. Abstract
[5] R.B.W. Heng and M.J.M. Nor, Statistical analysis of sound and vibration signals for monitoring rolling element bearing condition, Applied Acoustics 53 (1998) (1–3), pp. 211–226. SummaryPlus | Full Text + Links | PDF (839 K) | View Record in Scopus | Cited By in Scopus
[6] N. Baydar and A. Ball, Detection of gear failure via vibration and acoustic signal using wavelet transform, Mechanical Systems and Signal Processing 17 (2003) (4), pp. 787–804. Abstract | Abstract + References | PDF (1598 K) | View Record in Scopus | Cited By in Scopus
[7] Y.S. Tarng and S.T. Cheng, Fuzzy control of feed rate in end milling operations, International Journal of Machine Tools and Manufacture 33 (1993) (4), pp. 643–650. Abstract | View Record in Scopus | Cited By in Scopus
[8] I. Inasaki, Sensor fusion for monitoring and controlling grinding processes, International Journal of Advanced Manufacturing Technology 15 (1999) (10), pp. 730–736. Full Text via CrossRef | View Record in Scopus | Cited By in Scopus
[9] C.E. Everson and S.H. Cheraghi, The application of acoustic emission for precision drilling process monitoring, International Journal of Machine Tools and Manufacture 39 (1999) (3), pp. 371–387. SummaryPlus | Full Text + Links | PDF (2258 K) | View Record in Scopus | Cited By in Scopus
[10] S. Dolinsek and J. Kopac, Acoustic emission signals for tool wear identification, Wear 225 (1999) (1), pp. 295–303. SummaryPlus | Full Text + Links | PDF (687 K) | View Record in Scopus | Cited By in Scopus
[11] J.-S. Kim, M.-C. Kang, B.-J. Ryu and Y.-K. Ji, Development of an on-line tool life monitoring system using acoustic emission signals in gear shaping, International Journal of Machine Tools and Manufacture 39 (1999) (11), pp. 1761–1777. SummaryPlus | Full Text + Links | PDF (2498 K) | View Record in Scopus | Cited By in Scopus
[12] X. Li and X. Yao, Multi-scale statistical process monitoring in machining, IEEE Transactions on Industrial Electronics 51 (2005) (3), pp. 924–927. Full Text via CrossRef | View Record in Scopus | Cited By in Scopus
[13] D. Choi, W.T. Kwon and C.N. Chu, Real time monitoring of tool fracture in turning using sensor fusion, International Journal of Advanced Manufacturing and Technology 15 (1999) (5), pp. 305–310. Full Text via CrossRef | View Record in Scopus | Cited By in Scopus
[14] X. Li, S. Dong and P.K. Venuvinod, Hybrid learning for tool wear monitoring, International Journal of Advanced Manufacturing Technology 16 (2000), pp. 303–307. Full Text via CrossRef | View Record in Scopus | Cited By in Scopus
[15] X. Li, Y.S. Wong and A.Y.C. Nee, Tool wear and chatter detection using the coherence function of two crossed accelerometers, International Journal of Machine Tools and Manufacture 37 (1997) (4), pp. 425–435. SummaryPlus | Full Text + Links | PDF (596 K) | View Record in Scopus | Cited By in Scopus
[16] D.E. Dimla, The correlation of vibration signal features to cutting tool wear in a metal turning operation, International Journal of Advanced Manufacturing Technology 19 (2002) (10), pp. 705–713.
[17] Y. Altintas, In-process detection of tool breakages using time series monitoring of cutting forces, International Journal of Machine Tools and Manufacture 28 (1988), pp. 157–172. Abstract | View Record in Scopus | Cited By in Scopus
[18] D.K. Baek, T.J. Ko and H.S. Kim, Real time monitoring of tool breakage in a milling operation using a digital signal processor, Journal of Material Processing Technology 100 (2000), pp. 266–272. SummaryPlus | Full Text + Links | PDF (244 K) | View Record in Scopus | Cited By in Scopus
[19] H.M. Ertunc, K.A. Loparo and H. Ocak, Tool wear condition monitoring in drilling operations using hidden Markov models (HMMs), International Journal of Machine Tools and Manufacture 41 (2001), pp. 1363–1384. SummaryPlus | Full Text + Links | PDF (274 K) | View Record in Scopus | Cited By in Scopus
[20] G.D. Kim and C.N. Chu, In-process tool fracture monitoring in face milling using spindle motor current and tool fracture index, International Journal of Advanced Manufacturing Technology 18 (2001), pp. 383–389. Full Text via CrossRef | View Record in Scopus | Cited By in Scopus
[21] B.Y. Lee and Y.S. Tarng, Application of the discrete wavelet transform to the monitoring of tool failure in end milling using the spindle motor current, International Journal of Advanced Manufacturing Technology 15 (1999), pp. 238–243. Full Text via CrossRef | View Record in Scopus | Cited By in Scopus
[22] X. Li, On-line detection of the breakage of small diameter drills using current signature wavelet transform, International Journal of Machine Tools and Manufacture 39 (1999) (1), pp. 157–164. View Record in Scopus | Cited By in Scopus
[23] R. Du and K. Yeung, Fuzzy transition probability: a new method for monitoring progressive faults. Part 1: the theory, Engineering Applications of Artificial Intelligence 17 (2004) (5), pp. 457–467. SummaryPlus | Full Text + Links | PDF (563 K) | View Record in Scopus | Cited By in Scopus
[24] W. Wang, M. Golnaraghi and F. Ismail, Prognosis of machine health condition using neuron-fuzzy systems, Journal of Mechanical Systems and Signal Processing 18 (2004), pp. 813–831. SummaryPlus | Full Text + Links | PDF (499 K) | View Record in Scopus | Cited By in Scopus
[25] A. Parlos, K. Kim and R. Bharadwaj, Sensorless detection of mechanical faults in electromechanical systems, Mechatronics 14 (2004), pp. 357–380. SummaryPlus | Full Text + Links | PDF (713 K) | View Record in Scopus | Cited By in Scopus
[26] Z. Hong and H. Bing, Analysis of engine front noise using sound intensity techniques, Journal of Mechanical Systems and Signal Processing 19 (2005), pp. 213–221.
[27] D.A. Dornfeld, Neural network sensor fusion for tool condition monitoring, Annals CIRP 39 (1990), pp. 101–105.
[28] N. Xiong and P. Svensson, Multi-sensor management for information fusion: issues and approaches, Information Fusion 3 (2002) (2), pp. 163–186. SummaryPlus | Full Text + Links | PDF (565 K) | View Record in Scopus | Cited By in Scopus
[29] Y.M. Chen and H.C. Huang, Fuzzy logic approach to multisensor data association, Mathematics and Computers in Simulation 52 (2000), pp. 399–412. SummaryPlus | Full Text + Links | PDF (352 K) | View Record in Scopus | Cited By in Scopus
[30] K. Goebel, Architecture and design of a diagnostic information fusion system, Artificial Intelligence for Engineering Design, Analysis and Manufacturing 15 (2001), pp. 335–348. Full Text via CrossRef | View Record in Scopus | Cited By in Scopus
[31] T. Boutros, Fault detection and diagnosis in machining processes and rotating machinery using fuzzy approach and hidden Markov model, Ph.D. thesis, Department of Mechanical Engineering, University of Ottawa, 2006.
[32] N. Gulley and R. Jang, Fuzzy Logic Toolbox for Use with MATLAB, The MathWorks Inc., Natick, MA (1995).
[33] D. Driankov, H. Hellendoorn and M. Reinfrank, An Introduction to Fuzzy Control (second ed), Springer, Berlin (1996).
[34] Case Western Reserve University, http://www.eecs.cwru.edu/laboratory/bearing/.