基于进化神经网络的刀具寿命预测

为预测道具寿命,引入人工神经网络技术,建立了刀具寿命预测神经网络模型,同时对切削参数进行优化选择.在刀具寿命预测中,针对反向传播算法存在收敛速度慢、容易陷入局部极小值及全局搜索能力弱等缺陷,采用遗传算法训练反向传播神经网络,设计了进化神经网络的学习算法.实验和仿真结果表明:基于进化计算的反向传播神经网络可以克服单纯使用反向传播网络易陷入局部极小值等难题,刀具寿命的预测精度较高,从而为刀具需求计划制定、刀具成本核算,以及切削参数制定提供理论依据,节约了制造执行系统中的生产成本.     

基于径向基神经网络的刀具寿命预测模型研究

通过分析总结影响刀具寿命的主要影响因素,建立铣削刀具加工参数与刀具寿命的径向基神经网络模型。训练模型使用了10组样本数据,以刀具直径、铣削速度、铣削宽度、铣削深度、进给量、刀具齿数作为网络输入参数,采用十折交叉验证方法对所构建模型进行验证,能够对刀具寿命进行较为准确的预测。与传统BP神经网络模型比较发现,径向基神经网络具有更好的预测精度和稳定性,是预测刀具寿命的一条有效途径。     

基于GA-BP神经网络的刀具寿命预测研究

刀具的使用寿命对于刀具需求计划制定、刀具生产准备以及切削参数的设置等具有重要影响。为了准确预测刀具使用寿命,在BP神经网络中引入了一种新型遗传算法,提出了一种基于遗传算法优化的BP神经网络的刀具寿命预测方法。BP神经网络中的权值和阈值利用遗传算法进行优化处理,训练BP神经网络预测模型求得最优解。实验结果表明,基于GA-BP神经网络刀具寿命预测方法相比传统BP神经网络预测具有更高的寿命预测精度,为刀具需求制定、成本核算、切削参数的制定提供了理论依据。     

基于多通道融合及贝叶斯理论的刀具剩余寿命预测方法

刀具监测及可用剩余寿命(RUL)预测对降本增效及保证加工质量意义重大.针对单一传感器预测精度波动大、数据利用率低、可靠性低等问题,提出一种多通道信号融合及贝叶斯更新的刀具剩余寿命预测方法.通过计算多通道信号所提取特征的时间序列与对应时间矢量的斯皮尔曼等级相关系数对特征时序做单调性排序,取单调性得分高的特征用主成分分析进行融合并构建健康因子作为观测数据,基于贝叶斯理论及马尔科夫链蒙特卡洛采样估计退化模型参数,并随着时间推进及监测数据序贯可获,实时在线更新退化模型参数以逐渐逼近刀具磨损退化趋势,同时对每时刻剩余寿命进行迭代估计.所提方法可避免基于深度学习方法需要依赖大量全寿命数据离线训练预测模型且模型对新预测任务适应性有限的局限性.用PHM2010公开数据挑战赛中三槽球头硬质合金铣刀切削不锈钢过程磨损全寿命数据集验证了方法有效性.     

基于PSO-BP神经网络的刀具寿命预测

针对刀具寿命影响因素与刀具寿命之间的高度非线性关系,引入BP神经网络技术对刀具寿命进行预测,建立了刀具寿命预测模型。针对标准反向传播算法存在收敛速度慢、容易陷入局部极小值及全局搜索能力弱等缺陷,采用粒子群算法优化网络权值及阈值,提高了神经网络的预测精度。仿真结果表明,与标准BP神经网络相比,PSO-BP神经网络用于刀具寿命预测的精度更高。     

模具侧壁加工中切削刃形状对加工精度和刀具寿命的影响

高硬度模具侧壁精铣加工需要抑制长悬伸刀具的震颤,提高切削刃强度.切削刃形状参数主要包括刀具前角和刃口钝圆半径(或倒棱宽度),通过切削试验分析轴向前角和切削刃钝圆半径对加工表面精度和刀具寿命的影响规律,优化刀具刃口形状,可以获得更优良的加工精度和更长的刀具寿命.     

多传感器融合下多工况刀具磨损状态预测的深度森林方法研究

准确监测加工过程刀具磨损状态有助于避免因刀具失效导致的产品质量问题。 建立不同工况的刀具磨损监测模型,往 往需要对每组工况调参以保证精度。 为减少调参并保证预测精度,结合深度森林的超参数少、参数对模型不敏感和训练过程自 适应等优点,利用深度森林建立了多传感器信号及多工况下自主特征选择的刀具磨损状态预测模型。 基于 3 组不同工艺参数 下 TC18 铣削过程的多传感器及磨损数据,以及预测与健康管理(PHM)学会 2010 年高速数控机床刀具健康预测竞赛的开放数 据,深度森林在 3 组工况的预测精度分别为 95. 35% 、96. 63% 和 97. 06% ,在 PHM 数据上为 98. 95% ,验证了深度森林对多工况 下刀具磨损预测的高精度和适用性,为在线监测技术提供了有力的指导。     

基于支持向量回归机的刀具寿命预测

刀具寿命是制定刀具需求计划、衡量刀具性能和核算成本等的重要依据。针对现有神经网络方法在预测刀具寿命方面存在的不足,提出了一种新的基于支持向量回归机的刀具寿命预测方法。在分析了影响刀具寿命预测主要因素的基础上,建立了基于支持向量回归机的刀具寿命预测模型。应用实例的仿真结果表明,所建立的预测模型具有较强的推广能力和较高的预测精度。     

基于黏结-滑移摩擦模型的304不锈钢切削力仿真研究*

通过预测加工304不锈钢时产生的切削力,从而对切削参数和刀具几何参数进行优化,是提高304不锈钢的加工精度、切屑控制及保障刀具寿命的基础。建立304不锈钢切削仿真模型,为提高模型的精确性,选择Johnson-Cook本构方程和黏结-滑移摩擦模型。结果表明：采用黏结-滑移摩擦模型的切削力预测结果更为准确,表明相对于纯剪切摩擦与库仑摩擦模型,黏结-滑移摩擦模型能更准确地描述刀-屑摩擦特性。展开不同参数下的切削力研究,研究发现：切削力随着刀具前角、后角和切削速度的增大而减小,随切削刃钝圆半径和切削厚度、宽度的增大而增大,其中切削宽度、厚度及前角对切削力大小影响较大。研究结果为304不锈钢切削效率的提高和切削机制的研究提供了理论依据。     

基于数据驱动的铣削刀具寿命预测研究

建立了一种基于轨迹相似性和支持向量回归机的集成预测模型,可以预测刀具的寿命。对试验采集到的信号进行了时域和小波分析,研究了信号特征量与刀具磨损之间的关系。计算了45个特征量与刀具磨损之间的相关系数,最终选择5个特征向量作为预测模型的输入向量。样本刀具1、2和3在稳定加工阶段的寿命预测精度分别为88.5%,87.5%和90.5%。并同其他模型进行了对比,结果表明,所提出的集成模型在刀具剩余使用寿命预测方面预测精度更优。