基于粗糙模糊神经网络的微孔钻削在线监测方法

提出了基于粗糙集理论的模糊神经网络对微孔钻削进行在线实时监测的方法,能有效利用粗糙集理论对控制规则进行约简,再利用钻削力、钻削扭矩和主轴电机电流信号作为神经网络的输入,构建相应的模糊神经网络模型,对系统进行训练,进而对提取的精简规则参数进行优化,从而解决了常规粗糙集控制规则缺乏学习能力,自适应性差的问题.采用该方法可获取微细钻头磨损状态的信息,对微孔钻削过程进行在线实时监测,可有效避免微钻头折断,并降低制造成本,提高生产效率.     

基于粗糙集模糊控制的微孔钻削在线监测

提出了一种基于粗糙集模糊控制的微孔钻削在线监测的方法。克服了当模糊系统输入维数高时,系统模糊规则过多,计算过于复杂的缺点。在MATLAB环境下,应用构造好的模糊系统对主轴电机三相电流信号进行实时数据处理,获取隐含微细钻头磨损状态的信息值,对微孔钻削过程进行在线监测实验,结果表明,适当选择监测阈值,可以有效避免微细钻头的折断。     

基于BP神经网络的超声振动钻削钻头磨损状态监测试验研究

搭建了超声轴向振动钻削钻头磨损状态的钻削力和声发射信号采集系统,采集不同磨损状态下钻中区域的钻削力和声发射信号进行小波分解,得到与钻头磨损状态相关的特征量作为识别钻头磨损状态的特征参数,输入到建立的6-13-3的三层BP神经网络模型中进行融合,识别钻头磨损状态。试验结果表明,通过BP神经网络技术将钻削力和声发射信号融合识别钻头磨损的准确率约88.9%,能够有效监测钻头磨损状态。     

基于ANFIS模糊神经网络的微钻头破损监测

使用轴向力和扭矩信号监测微孔钻削过程，提出了基于ANFIS模糊神经网络作为微钻头破损状态监测模型。该模型能够较准确描述钻头破损和信号特征之间的非线性关系，和常用的BP神经网络相比，具有收敛速度快和局部学习能力等优点。实验结果表明：采用ANFIS模糊神经网络对提高微钻头监测的准确性非常有效。     

基于双信号融合的超声振动钻削钻头磨损状态监测研究

为了监测超声振动钻削过程中钻头的磨损状态,构建了超声振动钻削钻头的振动信号和AE信号的采集系统,通过采集不同磨损状态下钻头的振动信号和AE信号,对其进行小波分解,得到与钻头磨损相关的特征值,将二者融合后作为神经网络的输入,输入至构建的12-10-3的BP神经网络中,进行钻头磨损状态的识别。试验结果表明,所建BP神经网络通过振动和AE的融合信号对钻头的有效识别率为91.7%,可以有效对钻头的磨损状态进行识别。     

基于小波包能量谱的HMM钻头磨损监测

从工程应用的角度论述了小波包分解原理及其能量谱监测理论，并将该理论应用于钻削力信号特征提取中，针对钻削过程特征矢量与钻头磨损之间具有较强的随机性和不确定性的特点，提出一种基于隐马尔可夫模型（HMM）的钻头磨损监测方法。实验结果表明，通过对钻削力信号进行多层小波包分解，提取各频段能量谱作为特征矢量可准确刻画工艺系统随钻头磨损的演化规律，利用HMM建立的各钻头磨损状态小波包能量谱的统计模型可有效跟踪钻头磨损的发展趋势，实现钻头磨损状态和寿命的监测。     

基于神经网络的微孔钻削力的实时监控

建立了基于神经网络的微孔钻削力实时监控系统,以轴向力和扭矩信号为监测对象,应用BP神经网络进行多路传感器信息融合,判断微钻头工作状态,为微孔钻削加工力的智能化在线监控提供一种有效的技术方法.     

基于虚拟仪器的微孔钻削在线监测自动控制系统

为防止微孔钻削过程中钻头折断,开发了基于虚拟仪器的微孔钻削在线监测系统.该系统能够完成主轴电动机电流信号的采集、数据处理、存储显示以及报警退刀等操作.具有硬件结构简单、监测精度高、抗干扰能力强等优点.实验结果表明,应用该系统进行微孔钻削在线监测,可以有效避免微钻头的折断,提高钻头的利用率.     

微孔钻削加工的钻削力监控

对以钻削力为监测对象的微孔钻削实时监测系统进行了研究。建立了一个BP神经网络模型,利用该模型对钻削过程进行监测。有效地避免了微钻头的折断,提高了微钻头的利用率。     

基于钻削力的微钻头破损特征量的提取

建立了微孔钻削监测系统，对采集的正常钻削与钻头破损两种状态下的钻削力信号进行分析和处理，提出了分别在低频段和高频段能够反映钻头破损状态的特征量。