基于小波模糊神经网络刀具监控系统研究

针对切削过程中振动信号和AE信号的特点,利用小波分析技术提取信号深层特征,建立了新型的基于模糊推理的神经网络模型,该模型能融合振动和AE信号的特征和描述信号特征与刀具状态的非线性关系,以此识别刀具状态。试验表明小波模糊神经网络对提高在线刀具监控系统的可靠性极为有效。     

刀具寿命诊断的神经网络技术

提出了一种刀具寿命的检测方法。该方法把模糊逻辑和神经网络结合起来，并用神经网络分解技术，建立了一上刀具状态识别网络。该网络适于进行多传感器刀具复杂状态的识别和分类，具有训练时间短，扫行速度快，可靠性高，抗噪能力强的特点。     

基于多特征量的刀具磨损模糊判决研究

利用信号处理技术分析AE、Ac及切削力信号特征参数随刀具磨损的变化规律,并将这些特征参数组成反映刀具磨损状态的特征矢量。论文提出基于模糊理论的刀具磨损状态识别方法。试验证明,该方法能有效地判断刀具状态,比常用的利用神经网络进行磨损状态分析的方法更具有理论直观性与操作的时效性。     

高速硬车削刀具状态在线监测研究

设计了一种利用光纤F-P声发射传感器监测加工刀具状态的系统,采用BP基神经网络建立刀具磨损情况监控和预测模型,为刀具管理提供依据,提高高速硬切削加工效率。实验证明,该系统对刀具的实时监测效果较好。     

B样条模糊神经网络在刀具磨损监测中的应用

提出一种基于B样条函数模糊神经网络的刀具磨损量监测方法。利用B样条基函数的正定性、紧密性和归一性,可使训练过程中权值的调整在局部范围内,且系统的输出简单可靠。实验结果证明该系统可成功应用于刀具磨损量的实时监测。     

基于小波多分辨率分析和RBF神经网络的刀具磨损状态识别

刀具磨损监测对于提高加工过程的精度和自动化程度具有重要意义。本文提出一种基于RBF函数神经网络的刀具磨损状态监测模式。该系统利用声发射传感器对切削过程进行监测,采用多分辨率小波分解技术从声发射信号中提取反映刀具磨损的特征向量,并输入RBF神经网络,实现了刀具磨损的自动识别。     

基于B样条模糊神经网络的刀具磨损监测

刀具状态监测是实现自动化加工和无人化加工的关键技术。本文使用切削力和声发射传感器监测金属切削过程,提出了基于B样条模糊神经网络作为刀具磨损量监测模型。该模型能够准确描述刀具磨损和信号特征之间的非线性关系,和常用的BP前馈神经网络相比,具有收敛速度快和局部学习能力等优点。试验结果表明:采用B样条模糊神经网络对提高刀具磨损在线监测的准确度和可靠度非常有效。     

基于人工神经网络的铣削磨损监测研究

利用铣削刀具磨损多参量信号进行预处理及特征量提取,采用特征融合方法建立信号级、模型级、特征级和融合级层次结构实验方案,通过样本训练模糊小波神经网络逼近系统,建立刀具补偿系统的最优控制策略,从而对被检测对象进行有效的识别与估计.由实验结果对比可见,人工神经网络模型的预测精度基本在范围之内.实验表明该模型适用于切削条件下的铣刀磨损监控,可以较准确地监控铣刀的剧烈磨损.     

基于小波分析和神经网络的刀具磨损预测

提出一种基于多分辨率小波分析和BP神经网络的刀具磨损预测方法,采用多分辨率小波分析刀具不同磨损状态的切削力信号,提取其中增幅最大两个尺度上细节信号的能量和均方差作为BP神经网络的输入,通过自我识别法确定BP神经网络的最佳隐含层神经元数目,利用预先训练好的BP神经网络对刀具磨损状态进行预测。该方法能够建立刀具磨损状态与切削条件参数之间复杂的非线性函数关系,可实现一定切削条件下的刀具磨损状态预测。     

一种在线监测铣刀磨损量的新方法

提出了一种在线监测铣刀磨损量的新方法,该方法利用B样条神经网络建立不同刀具磨损状态下加工参数与切削力之间的映射关系。通过比较实时采集的切削力与不同刀具磨损值对应的切削力大小,可确定刀具的磨损状态,并利用建立的简化模型计算刀具的精确磨损值。试验结果表明,该方法消除了加工参数变化对特征的影响,简化了特征选取的方法,能够适应外部加工环境的变化,完全满足刀具状态监测系统的实用化需求。