采用遗传算法优化神经网络的铸铁表面粗糙度声发射预测

表面粗糙度是汽车发动机曲轴精密磨削加工中的一个非常重要的指标,在线监测表面粗糙度是曲轴智能磨削成功的标志。应用美国声学物理公司PAC的PCI-2声发射实验仪器测量磨削声发射信号,采用遗传算法优化BP神经网络,以磨削声发射信号均方根和快速傅里叶变换峰值为特征值,对平面磨削曲轴球墨铸铁材料QT700-2表面粗糙度成功进行了预测。与表面粗糙度的实测结果表明相对误差可控制在6.22%以下。     

基于声发射信号的精密外圆切入磨削时间评估算法及试验研究

针对精密外圆切入磨削智能监控的需求,设计一种基于声发射信号的磨削时间在线评估方法。通过建立声发射信号方均根值曲线预测模型,获得声发射信号与磨削系统时间常数的关系,设计磨削系统时间常数在线计算方法;利用在线检测的声发射信号识别砂轮运动去除状态,推导基于声发射信号的外圆切入磨削表面粗糙度评价和工件几何精度预测模型,以此建立砂轮进给与驻留时间的评估算法;编写磨削时间分析评估软件,设计磨削时间在线评估方法,通过加工试验分析磨削时间对磨削加工精度与表面粗糙度的影响规律,并对评估算法进行验证。试验结果表明:该评估方法能够根据磨削时间有效评价加工质量,为精密外圆切入磨削智能监控与工艺优化提供决策依据。     

基于支持向量回归机的外圆纵向磨削表面粗糙度预测

表面粗糙度是评价磨削加工质量的重要指标,表面粗糙度预测是实现表面粗糙度在线控制的前提。针对现有神经网络方法在预测外圆纵向磨削表面粗糙度方面存在的不足,提出了一种新的基于支持向量回归机的外圆纵向磨削表面粗糙度预测方法。在分析了影响外圆纵向磨削表面粗糙度预测主要因素的基础上,建立了基于支持向量回归机的外圆纵向磨削表面粗糙度预测模型。应用实例的仿真结果表明,所建立的预测模型具有较强的泛化能力和较高的预测精度。     

高速深切磨削曲轴材料QT700-2表面粗糙度的在线监测

从放在磨削工件夹具上的声发射（AE）传感器测得的磨削加工中的AE信号中提取有关磨削表面粗糙度的信息,用神经网络的方法对高速深切平面磨削汽车曲轴材料QT700-2工件表面粗糙度进行在线连续监测。结果表明,该方法基本可行,通过进一步改进,可以用于高速深切磨削汽车曲轴工件表面粗糙度的在线监测。     

基于BP神经网络的表面粗糙度声发射预测

介绍了BP神经网络的原理、算法和公式,在对Matlab及其神经网络工具箱介绍的基础上,采用声发射信号有效值、FFT峰值和标准差作为输入,工件表而粗糙度作为输出,用BP神经网络的方法对高效深磨加工工程陶瓷Al2O3的工件表面粗糙度进行了训练、预测和分析.创新的研究方法是直接从磨削声发射信号中提取磨削表面粗糙度信息.结果表明,该方法可以实现高效深磨加工工程陶瓷工件表面粗糙度的监测.     

磨削烧伤声发射智能监测的研究进展

根据磨削加工中声发射监测的特点,在论述信号分析方法的基础上,重点综述了声发射技术在磨削烧伤智能监测中的研究进展;并揭示了声发射监测在砂轮钝化、工件表面粗糙度等领域的最新研究成果。最后阐述了基于声发射监测的智能磨削系统的发展现状,展望了智能声发射监测技术在磨削加工中的发展前景。     

磨削粗糙度在线检测方法的实验研究

本文对基于摩擦声发射信号的磨削粗糙度在线检测方法进行了实验研究。实验结果表明，采用声发射传感器探头与磨削表面摩擦产生的声发射信号的特征可以对磨削表面粗糙度进行评价，建立了摩擦声发射信号特征与磨削表面粗糙度之间的对应关系，并通过实验对该方法的可行性进行了实测。结果表明，探针与工件表面摩擦声发射信号的FFT和RMS特征与磨削粗糙度有很好的对应关系，可用于磨削表面粗糙度的在线检测。     

基于贝叶斯网络的平面磨削状态智能监测技术研究

为解决平面磨削过程中工件表面粗糙度预测和砂轮钝化监测困难的问题,利用贝叶斯网络建立了平面磨削状态智能监测模型。该模型在获取系统磨削用量和工件材料的基础上,在线提取磨削声发射信号的峭度系数,可以有效预测工件粗糙度和识别砂轮钝化状态,为数控系统调节加工参数提供参考。该模型在平面磨床的磨削监测试验中取得了良好的效果。     

声发射技术在修整工艺和磨削工艺参数选择上的应用

磨削过程中磨削力与AE声发射信号有较强的对应关系,对工件表面加工质量有很大影响。首先,以单因素实验法改变修整工艺的某个参数,得到了AE声发射信号与工件加工表面粗糙度之间的变化规律;随后通过正交实验法,修整工艺参数以"三因数三水平"得到了AE声发射信号与工件加工表面粗糙度之间的变化规律;之后探讨了利用AE声发射信号监测砂轮的磨损状态;最后通过正交实验法,磨削工艺参数以"三因素三水平"法得到了AE声发射信号与工件加工表面粗糙度之间的关系,为提高外圆磨床磨削质量和效率、选择最佳的工艺参数给出了指导。     

基于圆台形热传导模型的慢走丝线切割仿真与试验

基于放电通道中等离子体的形成机理,根据慢走丝线切割在短脉冲放电加工时放电通道中电子流与离子流散射速度的差异,提出了圆台形热传导模型。采用基于圆台形热传导模型的有限单元法对航空材料Inconel 718的典型工况进行了仿真计算,系统地分析了放电能量对放电通道温度以及放电蚀坑深度的影响规律,并采用声发射检测技术在线监测慢走丝线切割的加工表面粗糙度。通过仿真结果与试验测得工件表面粗糙度Rt值的对比,再结合试验测得的声发射信号波形图特征及声发射信号均方根值发现：仿真计算得到的放电蚀坑深度与表面粗糙度Rt值吻合较好;声发射信号的强度随着放电能量的增加而增强,声发射信号强度随着放电温度变化速率的变小而减弱。最后回归分析得到材料表面粗糙度与声发射信号均方根值的数学预测模型,预测结果与测得的表面粗糙度误差仅为4.4%。     

高速磨削表面粗糙度预测模型研究

磨削表面质量的优劣直接影响零件的性能与使用寿命,其主要由表面粗糙度表征。运用最小二乘支持向量机预测理论与参数优化算法建立了高速磨削表面粗糙度预测模型,搭建了磨削闭环系统。通过实验分析得出,对试样内工艺参数组合下表面粗糙度进行预测时,平均相对误差为MRE=0.0095,均方根误差为MSE=0.0050;对试样外工艺参数组合下表面粗糙度进行预测时,平均相对误差为MRE=0.0119,均方根误差为MSE=0.0054。高速磨削表面粗糙度预测引导了磨削参数的设定,形成了磨削过程的闭环反馈控制,提高了高速磨削加工的自动化水平,磨削精度、效率,同时降低了磨削的废品率。     

工程陶瓷磨削声发射和磨削温度磨削力联合监测的研究

磨削声发射可以对磨削过程实时监测,磨削声发射信号均方根AERMS可以用来分析磨削过程的特征.为了使用磨削力、磨削温度、磨削声发射来联合对工程陶瓷氧化锆与氧化铝磨削过程进行全面监测和对工程陶瓷磨削机理进行深入研究,通过实验研究了磨削声发射信号与磨削力和磨削温度之间的内在联系,建立了工程陶瓷氧化锆与氧化铝磨削声发射信号与磨削力和磨削温度、磨削表面粗糙度关系式.结果证明,磨削声发射是实时工程陶瓷磨削过程监测的有效方法.     

基于最小二乘支持向量机的铣削加工表面粗糙度预测模型

在分析以往所建立的表面粗糙度预测模型方法不足的基础上，将一种基于最小二乘支持向量机的预测模型引入铣削加工领域，并给出了相应的步骤和算法。该模型能方便地预测铣削加工参数对加工表面粗糙度的影响，并能利用有限的试验数据得出整个工作范围内的表面粗糙度预测值，有助于准确认识已加工表面质量随铣削参数的变化规律。通过具体实例及与其他几种预测方法的对比表明，在相同样本条件下，其模型构造速度比标准支持向量机方法高1～2个数量级，模型预测误差约为支持向量机方法的40％，预测精度比常规BP模型高1个数量级。因此，基于最小二乘支持向量机方法建模速度快、预测精度高、适合加工表面粗糙度预测。     

基于声发射分析的磨料流光整加工在线检测试验研究

针对磨料流光整加工中孔类零件表面粗糙度在线检测困难的问题,将声发射检测技术应用到了磨料流加工中。通过研究磨料流加工过程中的声发射源与声发射特性,利用参数分析法得到了波形特征参数随加工时间的变化曲线,建立了声发射信号的能量及振铃计数与零件表面粗糙度之间的关系;根据幂率流体本构方程计算了壁滑速度,分析了壁滑速度对声发射信号能量的影响。研究结果表明:声发射信号能量和振铃计数随着表面粗糙度的增大而增大,且两者随表面粗糙度的变化规律基本相同;表面粗糙度是声发射信号发生变化的主要原因,随着表面粗糙度的减小,即使增大壁滑速度,声发射信号强度也会降低;声发射可用于磨料流加工孔类零件表面粗糙度的在线检测。     

基于小波分析和GA-SVM的金刚石 砂轮磨损的声发射监测研究

针对工程陶瓷磨削中金刚石砂轮磨损状态判别准确度不高的问题,在部分稳定氧化锆陶瓷金刚石砂轮精密磨削的声发射智能监测实验中,在深入研究部分稳定氧化锆陶瓷磨削机理的基础上,对磨削声发射信号进行了5层离散小波分解。研究结果表明:金刚石砂轮磨损后,磨削声发射信号小波分解系数的有效值和方差,以及声发射信号小波能谱系数在低频率段都有所增大;利用部分稳定氧化锆磨削声发射信号的小波能谱系数或小波分解系数的有效值和方差值的组合,作为判别金刚石砂轮磨损状态的特征值,采用基于遗传算法支持向量机对金刚石砂轮的磨损状态判别准确度达100%,判别准确度明显优于BP神经网络方法。     

2Cr13不锈钢高速铣削表面粗糙度预测模型研究

针对汽轮机叶片常用钢2Cr13不锈钢在切削加工中表面质量存在的问题,对高速铣削条件下2Cr13不锈钢表面粗糙度预测模型进行了研究。将最小二乘支持向量机原理应用到高速铣削2Cr13不锈钢的表面粗糙度预测建模中。得出的模型能方便地预测铣削参数对表面粗糙度的影响,并能利用有限的试验数据得出整个工作范围内的表面粗糙度预测值。经试验验证,应用最小二乘支持向量机原理建立的粗糙度预测模型回归预测精度高。基于最小二乘支持向量机原理建模方法适合于表面粗糙度预测。     

基于声发射信号的外圆切入磨削去除率监测

针对精密外圆切入磨削加工的在线监测需求,提出一种采用声发射信号实现轴类零件材料去除率在线监测的方法。根据声发射信号强度与磨削力之间的联系,建立了声发射信号均方根曲线的预测模型,利用该预测模型研究了砂轮进给阶段和驻留阶段磨削系统时间常数的理论计算方法,推导了声发射信号均方根曲线与工件材料去除率的关系;编写了在线监测软件,利用声发射传感器实现了精密外圆切入磨削的材料去除率预测。实验证明,所建立的声发射信号均方根曲线模型具有良好的预测精度,基于该模型能够实现磨削系统时间常数在线评估,并实现精密轴类零件材料去除率的实时在线监测。     

基于最小二乘支持向量机的外圆磨削表面粗糙度预测系统

为解决磨削加工中影响因素多,难以实现自动化加工的困难,对磨削系统的表面粗糙度预测系统进行了研究。在分析目前常用预测方法的基础上,建立了基于最小二乘支持向量机的外圆纵向磨削表面粗糙度预测模型。该模型采用等式约束,把原来求解一个二次规划问题转化成求解一个线性方程组,方法简单且有效。比较实验显示,该方法响应时间快、测量精度高,测量精度误差比BP神经网络预测方法小4%,比进化神经网络(BP+GA)预测方法小1.3%,所提供的预测方法可以实现对工件表面粗糙度的在线预测。将其应用于外圆纵向磨削智能系统中,实时计算预测值与给定粗糙度的差值,引导磨削专家系统修正磨削参数,实现智能控制,取得了较好的效果。     

WC-10Co4Cr涂层高速磨削表面粗糙度预测研究

为了优选WC-10Co4Cr高速磨削参数,实现高精度加工,满足实际生产的迫切需求,研究了一种基于响应曲面法的表面粗糙度预测方法。从高速磨削工艺系统特点出发,给出面向固定工艺系统的WC-10Co4Cr高速磨削表面粗糙度预测原理。结合正交试验数据,建立表面粗糙度预测模型。运用方差分析方法,检验预测模型的拟合度。以活塞杆再制造过程中的磨削加工为例,应用上述预测模型和BP神经网络分别进行了表面粗糙度预测,并同实际加工结果进行比较。结果表明,研究的表面粗糙度预测结果与实际加工结果之间相差0.02μm,BP神经网络预测结果与实际加工结果之间相差0.04μm,证明所提出的表面粗糙度预测方法是有效的,更加满足了实际生产的需求,为WC-10Co4Cr高速磨削参数优化、高精度加工提供了技术支持。     

光学玻璃磨削状态的声发射监测技术

本文通过建立光学玻璃磨削声发射状态监测系统,研究分析了光学玻璃超精密磨削过程中不同磨削工艺参数所对应声发射信号变化之间的关系.并通过该研究结果优化磨削工艺参数,使磨削后的光学玻璃表面粗糙度达到0.02μm,实验结果证明了声发射监测系统在光学玻璃超精密磨削过程中的实用性.