遗传算法优化的模糊神经网络在刀具磨损诊断中的应用

针对刀具磨损监测时,采集的振动信号含有强烈的背景噪声,难以提取故障频率的问题,提出采用形态滤波消噪后进行经验模态分解来提取故障频率;同时,为了准确监测刀具的磨损状态,将提取的故障特征输入到遗传算法优化的模糊神经网络对刀具的磨损进行识别,模糊神经网络的基函数采用B样条基函数。传统的网络学习算法采用梯度下降法,这在学习过程中容易陷入局部最小,论文采用遗传算法寻求全局的最优解。实验表明,该方法能有效地应用于强噪声背景下的刀具磨损识别。     

基于动态树理论的刀具磨损监测技术

提出了基于动态树理论的刀具磨损监测方法,通过相关系数法提取传感器信号与刀具磨损最相关的几组特征,并采用具有局部记忆的B样条模糊神经网络建立刀具磨损量与声发射信号、切削力信号和振动信号特征之间的非线性映射关系,构造了任意加工条件下的刀具磨损监测系统,刀具磨损的识别结果由集成神经网络输出。试验结果表明,基于此方法构建的刀具磨损监测系统具有精度高、可靠度强、增殖性好和在线识别速度快等优点,值得工业推广。     

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。     

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。     

基于遗传神经网络的故障智能诊断方法及其应用研究

该文将BP神经网络与遗传算法结合起来,建立了遗传神经网络模型。然后通过采用Visual C 6.0语言并结合数据库技术开发出液压AGC故障智能诊断平台,阐述了平台设计思想。最后,以电液伺服阀为例,给出了故障模式识别的实验数据,证明了遗传神经网络用于该故障诊断系统的可行性。     

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.     

滚动轴承疲劳故障在线诊断的研究

通过对滚动轴承振动信号的在线监测提取出对疲劳故障敏感的参数：峭度、功率谱故障频带能量值、小波包故障频带能量值．选择足够的具有代表性的样本数据训练神经网络,用训练好的神经网络进行在线诊断,可以得出轴承发生疲劳故障的程度,再经过共振解调法诊断出轴承具体损伤的元件,实验表明本方法对滚动轴承的疲劳故障能正确诊断。该监测和诊断方法对其他设备的监测和诊断也有重要的意义。     

基于时延约束势随机共振的机械故障诊断方法研究

在实际工作环境中,机械设备的有用信号通常很微弱,并会被淹没在强噪声中,导致其故障特征很难被提取出来,针对这一问题,提出了一种基于时延约束势随机共振的机械故障信号检测方法。首先,建立了时延约束势随机共振模型,描述了其势函数的结构和功能特点,从理论上推导了输出信噪比的数学表达式,并研究了系统参数、时延长度和反馈强度对信噪比和噪声强度关系的影响;然后,利用蚁群算法的参数优化能力,实现了随机共振系统的最佳匹配;最后,将提出的方法应用于仿真故障信号和实际滚动轴承的外圈故障信号的诊断实验中,并将结果与双稳态随机共振方法获得的结果进行了对比。研究结果表明:在故障频率为60 Hz和143.08 Hz时,相比于经典的双稳态随机共振方法,所提出的时延约束势随机共振方法具有更高的频谱峰值,并且其受噪声干扰较小,故障识别效果更明显;该结果可以提高滚动轴承等机械设备的微弱故障诊断能力。     

模糊数据融合的刀具磨损状态智能识别

为实现高速加工时刀具渐变磨损状态的在线准确识别,提出了一种集合多种智能的间接检测刀具磨损状态方法的模糊数据融合方法。尽管这些方法具有算法实现较为简单、处理速度较快的优点,但单一的信号检测及单一的智能建模方法难以获得全面的加工状态信息和准确的识别结果。为此,利用F推理技术对上述方法的冗余和互补信息进行数据融合,应用Makino—Fanuc 74-A20型加工中心的测试数据验证了该方案的可行性,并将刀具后刀面磨损的预测值与基于机器视觉检测的实测值进行比较。实验结果分析表明,多参数模糊融合识别方法能快速获得切削刀具磨损状态更加准确的预测值。     

随机共振消噪和局域均值分解在轴承故障诊断中的应用

针对实际机械故障诊断中强噪声背景下难以提取故障特征的情况,提出了一种基于随机共振消噪(SR)和局域均值分解(LMD)的轴承故障诊断方法。首先,将轴承振动信号进行随机共振消噪,利用噪声增强振动信号的信噪比;然后,将消噪的信号再进行LMD分解,通过求取乘积函数(PF)幅值谱从而发现轴承故障频率。实验结果表明,该方法可以提高信噪比,实现微弱信号的检测,可有效地应用于轴承的故障诊断。
     

给水管网故障智能诊断方法

针对传统的支持向量机(support vector machine,简称SVM)参数选择方法以人工试验为主,花费时间长且很难得到最优参数的问题,提出了一种基于遗传算法(genetic algoritlam,简称GA)的支持向量机参数自动寻优方法.利用GA的全局搜索能力对支持向量机的各项参数进行寻优预处理,找到最优的参数取值,建立基于遗传算法的支持向量机模型(GA-SVM).以某小型给水管网为研究对象,采用水力分析算法求得管网局部破坏状态下的各项数据,并用这些数据对预测模型进行故障诊断试验,结果表明,经遗传算法优化的支持向量机模型具有较高的预测精度,整体性能优于传统的BP神经网络模型.     

随机共振消噪和EMD分解在轴承故障诊断中的应用

针对实际机械故障诊断中强噪声背景下难以提取故障特征的情况,提出了一种基于随机共振消噪(stochastic resonance,SR)和经验模态分解(Empirical Mode Decomposition,EMD)的轴承故障诊断方法。首先,将轴承振动信号进行随机共振消噪,利用噪声增强振动信号的信噪比;然后,将消噪的信号再进行EMD分解,通过求取本征模函数(Intrinsic Mode Function,IMF)幅值谱,从而发现轴承故障频率。实验结果表明,该方法可以提高信噪比,实现微弱信号检测,更有效地应用于轴承的故障诊断。     

多尺度高阶奇异谱熵和GA-VPMCD方法在转子故障智能诊断中的应用

首先,针对转子故障振动信号的非高斯、非线性特征,提出了多尺度高阶奇异谱熵的概念,并将其用于转子故障特征提取;然后,针对新的小样本多分类识别方法——基于变量预测模型分类识别的模型选择问题,结合融合诊断思想和遗传算法,提出了GA-VPMCD分类识别方法。最后提出了基于多尺度高阶奇异谱熵和GA-VPMCD的转子故障诊断方法。试验结果验证了该方法的有效性和优越性。     

自适应遗传算法在滚动轴承故障诊断中的应用

提出了一种基于自适应遗传算法的滚动轴承故障诊断方法。实验表明,该方法对滚动轴承故障模式具有稳定、准确的识别能力,是一种行之有效的新型诊断方法。     

智能故障诊断技术的发展和展望

介绍了当前设备智能故障诊断技术的发展概况及发展前景,对智能诊断的本质问题及未来智能诊断系统是什么样的等问题进行了初步探讨。     

基于长短时记忆卷积神经网络的刀具磨损在线监测模型

为了提高机械加工过程中刀具磨损在线监测的准确性,提出了一种基于长短时记忆卷积神经网络（LSTM-CNN）的刀具磨损在线监测模型。在该监测模型中,通过振动、力、声发射传感器对刀具切削过程中的振动、力和声发射信号进行采集,采集的数据其本质为时间序列数据。考虑采集数据的序列和多维度特性,采用LSTM-CNN网络对采集的数据进行序列和多维度特征提取,利用线性回归实现特征到刀具磨损值的映射。通过实验验证了该模型的有效性和可行性,模型的精度较其他几种方法有了较大的提高。     

基于蚁群算法的机械故障智能诊断方法研究

介绍了蚁群算法基本原理,实验验证了蚁群聚类算法可用于轴承故障诊断,对比蚁群算法和BP神经网络在故障诊断中的不同,分析了蚁群算法在故障模式识别中的特点。     

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。