基于粒子群优化SVM的刀具磨损量预测

针对SVM预测刀具磨损量存在的参数不易确定的问题,提出了新的基于粒子群优化SVM的智能预测方法。在介绍粒子群算法和SVM回归模型基本理论的基础上,提出用自适应粒子群优化算法优化SVM参数的策略,采用小波包方法对切削声信号进行分解处理,建立了基于粒子群优化SVM的刀具磨损量预测模型。试验分析的仿真结果表明,所建立的刀具磨损量智能预测模型具有较强的推广能力和较高的预测精度。     

一种离线刀具寿命预测管理系统的开发

提出了一种离线的刀具寿命预测管理系统,该系统集刀具寿命预测-评价-管理三大功能于一体.以刀具后刀面磨损量作为刀具寿命磨钝标准,以扩展的泰勒刀具寿命公式为理论基础,考虑机床刚度、刀具几何参数、零件特征、切削参数等因素对刀具寿命的影响,建立了刀具寿命回归模型.运用方差分析方法,对刀具寿命预测模型的拟合精度、预测精度及输入变量的显著性进行了评价.刀具寿命管理模块既可以浏览、查询、编辑刀具寿命相关信息,还可以刀具寿命管理文件,向刀具寿命预测和评价模块提供基础数据.     

改进粒子群算法和ELM的刀具磨损量预测

为了提高车刀磨损量预测模型的训练速度和在线预测精度,提出了一种基于改进粒子群算法（Improved Particle Swarm Optimization,IPSO）和极限学习机（Extreme Learning Machine,ELM）的刀具磨损量预测方法。采集车削加工中的声发射信号,利用小波包变换理论对信号进行降噪和特征提取,并通过主成分分析对提取的特征进行降维,选取其中对刀具磨损量敏感的特征值组成特征向量。建立基于极限学习机的刀具磨损量预测模型,并通过改进粒子群算法优化模型中的初始权值和阈值。实验结果表明：优化后的刀具磨损量预测模型相比于传统BP神经网络有更快的训练速度,同时改进后的粒子群算法有更好的寻优能力,提高了模型对于刀具磨损量的预测精度。     

分布式卷积神经网络在刀具磨损量预测中的应用

刀具磨损量预测对提高设备运行的安全性和可靠性具有重大意义。为了提高刀具磨损量预测精度,本文提出了基于分布式卷积神经网络的刀具磨损量预测方法,该方法将原始高频信号样本作为输入,在模型中分为若干个子序列,利用分布式卷积-池化层作为局部特征提取器,从子序列中自适应提取特征,并对特征数据进行批标准化处理,最后经过非线性映射,对刀具磨损量进行预测。本文提出的模型与BPNN模型相比均方误差降低了51.3%,具有更高的预测精度。     

考虑刀‑屑变摩擦因数的铣削力预测

针对铣削过程中刀具磨损或破损导致切削力波动剧烈,进而使得铣削过程控制难的问题,需要建立考虑刀?屑间的摩擦特性进行切削力精确微元建模。由于常数表示摩擦因数无法全面地描述铣削过程中的摩擦特性,因此以硬质合金立铣刀铣削Cr12MoV淬硬钢过程为研究对象,根据前刀面温度分布和刀?屑间相对滑移速度建立摩擦因数的经验模型。在考虑材料硬度和刀具后刀面磨损的基础上建立第1剪切区、第2剪切区和第3剪切区受力预测模型,并通过离散微元法建立整体铣削力预测模型。仿真结果与铣削实验测得的结果有很好的一致性,验证了所建立模型具有较高的预测精度,进一步证明了随着后刀面磨损宽度的增加,铣削力随之增大。该结果为Cr12MoV淬硬钢铣削加工加工参数优化提供了理论支持。     

PCBN刀具断续车削Cr12MoV钢表面粗糙度的试验研究

使用PCBN(聚晶立方氮化硼)刀具对不同硬度淬火模具钢Cr12MoV进行强断续车削试验。基于正交设计法,运用Minitab16统计软件对数据进行极差分析,得出工件硬度及切削参数对表面粗糙度的影响程度,实现切削参数的优选;应用多元回归分析法建立表面粗糙度的线性预测模型和指数预测模型,并对这两种模型进行比较。结果表明:影响表面粗糙度值的主次关系是工件硬度、切削速度、背吃刀量、进给量;线性预测模型平均误差不超过7%,能很好地对表面粗糙度进行预测。     

断续车削淬硬钢表面粗糙度的试验与预测

为探讨断续切削加工中影响表面粗糙度因素的显著关系,采用正交试验法,使用聚晶立方氮化硼(PCBN)刀具,给定不同的切削用量,对淬火模具钢Cr12MoV进行强断续车削试验。分析切削加工参数对表面粗糙度的影响及切削参数的优选,运用响应曲面法(RSM)建立表面粗糙度的预测模型,并对预测模型进行试验验证。结果表明,影响表面粗糙度的显著因素依次是切削速度、进给量、切削深度;预测模型能够很好的对表面粗糙度进行预测,误差不超过7.2%。     

高斯过程的车床刀具磨损预测研究

为了保证产品质量,并能及时、准确、有效的更换刀具,提出利用高斯过程建立模型并对刀具磨损程度进行预测。首先利用Deform软件仿真车床刀具切削过程,建立刀具磨损随时间变化而变化的样本,然后利用该样本建立高斯过程的刀具磨损预测模型。最后进行刀具实际切削实验,利用测量工具测量刀具磨损量,并建立刀具随时间变化的实际磨损样本,利用实际实验数据对预测值进行验证。数据分析结果表明:预测模型可以有效地学习并预测刀具磨损中的非线性关系,而且刀具磨损的预测精度较高。因此在预测刀具磨损程度时,该模型可以作为重要的预测手段。     

基于灰色-马尔可夫理论的纳米复合陶瓷刀具磨损量预测

应用灰色系统理论和马尔可夫链预测理论建立了纳米复合陶瓷刀具磨损量的灰色-马尔可夫链预测模型,研究了刀具磨损量和刀具寿命的预测方法。AWT纳米复合陶瓷刀具的磨损量及刀具寿命预测结果表明,预测值与实测值误差较小。     

基于正交试验的Cr12MoV切削温度预测模型的研究

为了获得铣削Cr12MoV切削温度预测模型,运用正交试验法设计Cr12MoV的铣削方案,借助Deform-3D模拟出各组方案中不同切削用量组合下的切削温度,通过MATLAB构建铣削Cr12MoV切削温度的预测模型。利用极差分析法得出切削用量三要素影响切削温度的主次顺序及各因素水平的最优组合。该预测模型得出了切削用量与切削温度之间的变化规律,实现了对铣削加工Cr12MoV切削温度的预测,对实际铣削加工Cr12MoV选择合适的切削用量奠定了基础。     

曲面铣削过程加工路径对切削力和磨损的影响研究

针对不同走刀路径下的复杂曲面加工过程进行球头铣刀铣削Cr12MoV加工复杂曲面研究,分析不同走刀路径下铣削力和刀具磨损的变化趋势。试验结果表明:通过对比分析直线铣削和曲面铣削过程中的最大未变形切屑厚度,可以得出单周期内曲面铣削的力大于直线铣削过程的力,铣削相同铣削层时环形走刀测得的切削力普遍大于往复走刀测得的切削力;以最小刀具磨损为优化目标,运用方差分析法分析得出不同走刀路径的影响刀具磨损的主次因素,同时利用残差分析方法建立球头铣刀加工复杂曲面刀具磨损预测模型,并通过试验进行验证。     

基于主轴电流信号多特征融合的刀具磨损状态监测

为实现在正常生产条件下进行刀具磨损的长期在线监测,提出了基于主轴电流信号和粒子群优化支持向量机模型(PSO-SVM)的刀具磨损状态间接监测方法.首先对数控机床主轴电机电流信号进行分析,将与刀具磨损相关的主轴电流信号多个特征参数和EMD能量熵进行特征融合作为输入特征向量;其次,通过粒子群寻优算法(PSO)对支持向量机模型...     

基于粗糙集和神经网络的润滑油中磨损磨粒的识别

为了更有效地对润滑油中的磨损磨粒进行识别,探讨了基于粗糙集和神经网络的磨粒识别。它首先利用粗糙集理论对磨粒特征参数进行约简,这样能够大大减少了神经网络的输入维数。然后介绍了一种径向基神经网络,并利用它对磨粒进行分类。对20个磨粒进行识别,磨粒分类分对14个,分错6个,识别率达到70.0%。     

含非规则粗糙间隙表面铰链关节的平面柔性多连杆传动系统动态误差与运动副磨损周期行为分析

传统旋转间隙关节接触模型假定销轴和衬套接触面形状是规则的并忽略了磨损效应的影响,降低了机构动力学模型预测精度。提出了一种含非规则粗糙间隙表面铰链关节的平面柔性多连杆机构多体动力学建模、磨损预测和动态误差分析方法。为准确描述运动副元素间碰撞行为,考虑滑动轴承间隙关节的磨损效应,提出了一种非规则粗糙间隙表面铰链关节的改进接触模型。在此基础上,考虑柔性杆的影响,基于绝对节点坐标法建立了含非规则粗糙间隙表面铰链关节的平面柔性多连杆传动系统多体动力学模型。与基于传统光滑间隙模型的结果相比,基于非规则粗糙间隙改进模型的多连杆机构动态响应更接近于试验值,验证了所提出计算方法的有效性。仿真结果表明,选用CuSn10P和CuPb30作为铰链衬套材料能够有效降低多连杆机构滑块动态响应偏差和提高机构的运动精度;表面粗糙度过高会导致运动副磨损加剧,过低则会降低间隙表面微凸体对碰撞能量的吸收。此外,磨损加剧了间隙表面轮廓不规则度,导致机构动态响应的不稳定性增大,运动精度降低。     

相对变换主元分析的变压器油击穿电压预测

针对变压器油击穿电压在线测量困难,数据噪声和孤立点影响支持向量机预测精度的问题,提出了基于相对变换(RT)主元分析(PCA)的变压器油击穿电压预测方法。首先,通过相对变换将原始数据空间变换到相对空间,抑制噪声和孤立点对模型精度的影响;然后在相对空间进行主元分析,降低相对空间维数,使提取的主元特征更具有代表性和更大的变化度;最后,将提取的主元作为最小二乘支持向量机(LSSVM)的输入,建立变压器油击穿电压的最小二乘支持向量机预测模型。与LSSVM、RT-LSSVM和PCA-LSSVM的对比实验结果表明,本文提出的方法具有较优的预测精度和泛化能力。     

采用深度学习的铣刀磨损状态预测模型

为提高刀具磨损监测的预测精度与泛化性能，研究了基于深度学习的铣刀磨损状态预测，提出了基于堆叠稀疏自动编码网络与卷积神经网络的两种预测模型。堆叠稀疏自动编码网络对特征向量进行降维并将其纳入分类器来实现预测，可避免特征选择对先验知识的依赖；卷积神经网络将铣削振动数据转化为小波尺度图并输入模型完成分类，精简了传统建模流程。最后将提出的两种模型与传统神经网络模型进行比较，验证了所提模型的效率与精度。     

基于KPCA-LSSVM的硅锰合金熔炼过程炉渣碱度预测研究

针对硅锰合金熔炼过程中炉渣碱度在线检测困难、离线化验滞后大,难以实现实时控制的问题,提出了一种基于核主元分析(KPCA)与最小二乘支持向量机(LSSVM)相结合的预测方法。该方法通过KPCA去除样本数据的噪声,提取输入数据空间中的非线性主元,然后利用LSSVM回归算法建立硅锰合金熔炼炉炉渣碱度预测模型,工业生产过程数据仿真结果表明,与SVM或LSSVM建模方法相比,KPCA-LSSVM预测模型的测量精度高、跟踪性能好,能满足炉渣碱度的在线测量要求。     

深冷处理对三角材质Cr12MoV钢性能的影响

对淬火后的Cr12MoV钢采用不同时间深冷处理,经回火处理后,对其进行金相组织分析和力学性能测试。试验结果表明,1 050℃淬火＋550℃回火后,Cr12MoV钢的冲击功可达4.5J,淬火后的深冷处理时间〉4h后细化晶相的效果明显,超过12h的深冷处理可将Cr12MoV钢的硬度提升至65.5HRC,耐连续磨损性能提高2倍,可以有效改进三角的使用工况并延长使用寿命。     

KPCA和LSSVM在SCR脱硝反应器入口NO_x含量软测量中的应用

SCR脱硝反应器入口NO_x含量及时、准确地测量,对于精确调节喷氨量,控制NO_x排放至关重要。针对NO_x气体分析仪测量滞后的问题,提出了基于KPCA和LSSVM的软测量模型。根据某电厂采集的数据样本规模较大的情况,为了提高NO_x软测量模型的精度,该文首先进行基于相似度函数的样本优选,减少样本冗余信息,简化样本模型。然后对于选取的与反应器入口NO_x有关的18个辅助变量进行核主元分析(KPCA),对样本进行特征提取,降低样本维数,以此作为最小二乘支持向量机(LSSVM)软测量模型的输入,提高软测量模型的精度,对反应器入口NO_x含量的实时、准确测量提供一定的理论依据,为提高反应器脱硝效率打下良好基础。     

模具钢铣削中刀具磨损的试验研究

以面铣刀刀片磨损为研究对象,结合类神经网络系统建构高速数控铣削加工的预测模型。以加工参数为模型输入条件,刀腹磨耗为输出条件。采用多因素试验方法,选择切削速度、进给速度、切削深度三个试验参数,利用直交表式的试验计划法设计试验点。依照试验点铣削工件后再测量刀具加工后的刀腹磨耗量,进而求得倒传递网络所需的36组训练范例与11组验证数据。刀腹磨耗预测模式是利用类神经网络中的倒传递网络原理,以田口法求得倒传递网络参数的最优值。试验结果显示,刀腹磨耗随着切削速度、进给速度、切削深度增加而上升。铣削模具钢后,刀具磨耗预测值的平均误差为4.72%,最大误差为11.43%,最小误差为0.31%。整体而言,类神经网络对于铣削加工可进行有效预测。