刀具磨损估计的多信号人工神经网络方法研究

本文研究了采用多种传感信号经人工神经网络估计刀具磨损量的方法，提出了有监督线性特征映射算法，研究了网络参数对学习速度和网络精度的影响，并与多层前向网络（ＢＰ算法）进行对比。研究表明，有监督线性特征映射网络具有学习快、精度高的优点，具有广阔的应用前景     

基于LabVIEW的刀具磨损监测分形识别平台

将分形应用在刀具状态监测中,随着刀具磨损量的增加,刀具与工件之间的磨损加剧,振动信号的波形变化越来越不规则,信号的分形维数逐渐增大.盒维数和信息维数变化较小,但变化趋势明显;关联维数的变化相对较大,新刀的关联维数最小,报废刀的关联维数明显增大.识别结果表明,刀具在整个磨损历程中振动信号分形维数的变化规律,其大小能较好地反映刀具不同磨损状态,运用振动信号的分形维数可以有效实现刀具磨损状态的监测.     

基于计算机视觉的刀具磨损状态识别技术

刀具磨损状态自动识别系统能够显著地降低制造成本,但是,只有很少的刀具磨损检测理论能够应用到工业实践中去,特别是基于声发射和切削力测量的间接测量技术。本文综述了作为直接测量技术的计算机视觉系统的优点和它的组成及对刀具图像进行处理的基本原理。     

基于差分进化小波神经网络的刀具磨损状态识别

提出应用小波神经网络进行刀具磨损状态识别的方法,给出了具体的识别流程。构建了小波神经网络,并实现了差分进化对网络参数的优化。通过检测加工现场的切削力和切削声音信号,将其进行信号处理后作为小波神经网络的训练样本,将差分进化应用于小波神经网络结构和参数的优化中,最终实现刀具磨损状态的识别。仿真结果表明差分进化小波神经网络能够有效避免神经网络不收敛的缺点,提高学习速度,采用差分进化小波神经网络进行刀具磨损状态识别,具有较高的诊断精度和效率。     

盘形成形铣刀的刀具磨损故障诊断方法研究

通过分析高速铣齿机的盘形成形铣刀及其铣削过程的特殊性、刀具磨损的信号采集和处理方法.选用电流法监测数控铣齿机的主轴电动机电流,采用BP神经网络方法对信号进行处理,最后实现对盘形成形铣刀的刀具磨损诊断.经实验证明,该铣刀的电流监测和基于BP神经网络数据处理的方法具有良好的诊断性能.     

刀具磨损状态综合识别系统

介绍一种以PC机为后台,以双单片机为前台的刀具磨损状态识别系统。并阐述了系统设计中的关键技术与硬软件工作原理。     

基于GAF-CNN的刀具磨损程度识别研究

针对刀具磨损的检测需求,提出一种GAF-CNN方法,对铣刀的力信号进行格拉姆角场处理,以铣刀的一维力信号转化的二维图像作为卷积神经网络的输入,进而识别出刀具磨损的3种状态。经过实验,GAF-CNN分别在训练集和测试集得到99%和98%的准确率。最后,将文中实验结果与采用相同数据集并以处理过的时序信号作为输入的其它实验进行对比。对比结果显示,提出的GAF-CNN方法对刀具磨损程度识别有更高的分类准确率,证明了该方法的可行性。     

用模糊模式识别方法识别金属切削刀具的磨损

文中引入模糊模式识别理论,建立金属切削刀具磨损识别系统,分析了刀具磨损特征,确定了刀具模糊模式Ai和待识别对象B的隶属函数,分析了车刀磨损的情况。     

基于样本聚类模糊神经网络的刀具磨损状态实时识别

利用一种根据K－means方法对样本聚类后建立的改进模型神经网络（MTFNN）模型,对刀具后刀面磨损量进行在线工况实时识别。仿真结果表明该工况辨识模型精度高,收敛速度快,实用性较强,适宜于复杂的,非线性加工系统建模。     

数控车削加工过程的刀具磨损动态监测

对车削加工刀具磨损的各阶段信号进行采集,通过动态时频域分析,找到车削加工过程中刀具磨损的重要参数变化,对其进行振铃记数和人工神经网络的模式识别,实现了车削加工刀具磨损的状态检测。     

基于BP神经网络技术的刀具状态监控系统

利用BP(back propagation)神经网络建立刀具检测系统的模型,通过BP神经网络来实现对于车间刀具的运行状态的控制。通过这个检测系统,实时反馈车间加工过程中刀具的即时信息,为企业的自动化和信息化的发展带来了促进的作用,进一步提高效率,减少了因为刀具磨损而带来的经济损失,具有一定的现实意义。     

基于模糊神经网络的深孔加工刀具磨损率预测

刀具的过快磨损不仅增大加工成本,也影响工件的最终加工质量,因此预测和减少刀具磨损率具有重要意义。由于BP神经网络本身容易陷入局部极小值、收敛速度慢等缺陷,且深孔加工过程及其复杂,无法建立加工中刀具磨损率与加工参数之间的准确数学模型,故采用模糊神经网络建立BTA刀具磨损率在线钻削模型。仿真和实验结果表明,该模型能有效预测BTA刀具磨损率,对提高刀具寿命和加工深孔的质量具有一定的意义。     

刀具磨损监控中神经网络训练的模糊方法

提出了一种利用刀具磨损状态隶属函数来训练BP网络的新方法,该方法较好地解决了在刀具磨损状态中对过渡样本识别率过低的问题。     

磨损磨粒的BP神经网络识别

介绍了铁谱分析技术对设备状态监测与故障诊断的方法;通过机械润滑油或液压油中微观磨损颗粒的分析来判断机器当前的工作状态。铁谱的计算机图像分析技术是近年来研究的热点。基于BP神经网络对磨损磨粒进行识别,提出了磨粒的分步识别策略,并以磨粒样本都对网络进行训练,取得了较好的识别效果。     

基于数据融合和随机模糊神经网络技术的刀具磨损软测量系统

通过检测电流信号,利用基于随机模糊神经网络技术建立的软测量模型进行刀具磨损量测量,提出了利用数据融合技术减小测量误差的方法,仿真试验证明了该方法的可行性。     

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。     

基于神经网络的BTA刀具磨损量预测

用单齿BTA刀具进行深孔钻削时,刀具磨损通常以刀齿后刀面磨损为主。本文提出一种基于人工神经网络的后刀面磨损值预测方法,采用试验设计的方法进行BTA钻削试验,通过万能工具显微镜来测量刀齿后刀面的磨损值,得到训练样本。通过有限的训练样本建立关于切削速度、进给量和轴向力的刀齿后刀面磨损量的预测模型,然后运用MATLAB进行仿真与计算。试验和仿真结果表明,该模型能有效预测刀齿后刀面磨损值,为减少刀具磨损提供了依据。     

基于组合遗传神经网络的磨损趋势预测

针对神经网络易陷入局部极值的问题，用遗传算法来改进神经网络时间序列预测模型，并设计了一个组合网络，考虑了单一遗传BP神经网络预测的误差，以误差样本训练了一个校正的遗传BP神经网络，并将该组合网络时间序列预测模型应用于柴油机系统磨损趋势的预测，取得了较好的预测效果。     

基于粗糙集神经网络的刀具磨损监测的研究

针对多传感器刀具磨损监测系统输入维数较多、神经网络结构复杂、收敛速度慢等缺点,提出了粗糙集和遗传算法优化神经网络的模型.该模型首先利用粗糙集理论的属性约简对输入数据进行处理,从而达到减少神经网络输入维数、简化神经网络结构的目的.然后通过遗传算法优化神经网络的初始权值和阈值,以提高神经网络的收敛速度,避免神经网络陷入局部极值点.将该模型应用到刀具磨损监测,通过对声发射信号和电流信号进行处理,提取特征向量值,将特征值先通过自组织神经网络进行连续属性离散化,再通过粗糙集理论进行属性约简,最后通过遗传算法优化的BP神经网络进行识别,取得了很好的效果,证明了此模型的有效性和可行性.     

基于BP神经网络的钢轨磨损量预测

随着列车运行速度和轴重的提高,轮轨系统的磨损越来越严重,其中曲线半径、轴重和运行速度是影响轮轨磨损的重要因素。建立了钢轨磨损量影响规律的径向BP基函数神经网络模型,该网络具有3路输入,3个神经层;在JD-1大型轮轨模拟试验机上通过改变试验参数进行钢轨磨损试验,获得不同试验参数下的钢轨磨损量;以钢轨磨损数据作为BP神经网络的目标样本,对不同试验参数下的磨损量进行了预测。结果表明,模型可较准确地计算轮轨冲角和速度对钢轨磨损量的影响规律,利用BP神经网络对钢轨磨损量预测具有较高的精度,可在一定程度上验证试验结果。