共查询到10条相似文献,搜索用时 15 毫秒
1.
2.
3.
4.
采用小波神经网络的刀具故障诊断 总被引:2,自引:0,他引:2
为了有效的进行刀具状态监测,采用小波神经网络的松散型结合对刀具进行故障诊断。通过小波变换提取刀具磨损声发射(AE)信号的特征.即对AE信号进行小波分解,提取了5个频段的均方根值作为神经网络的输入,来识别刀具磨损状态。试验表明,均方根值完全可以作为刀具磨损过程中产生AE信号的特征向量。仿真结果表明,基于小波神经网络的刀具故障诊断对刀具磨损状态的识别效率高.该方法是有效的。 相似文献
5.
6.
本文利用能量分布特征提取方法和模糊神经网络,提出一种基于小波变换和模糊神经网络的刀具状态监测系统,利用该系统对四种刀具状态进行估计,结果与实际情况完全一致,证明该系统对于估计刀具状态是非常有效的. 相似文献
7.
基于小波神经网络的模拟电路故障诊断 总被引:2,自引:4,他引:2
本文对模拟电路提出了一种基于小波神经网络的故障诊断方法。该法利用小波空间中函数的多分辨率分解思想,构造了一种激励函数为具有紧支撑集的尺度函数和小波函数的小波神经网络。这种小波神经网络隐层节点数的选取有理论根据,解决了传统神经网络隐层节点数难以确定的问题。分别用本文提出的小波神经网络和传统BP网络对实例电路进行故障诊断,结果发现,小波网络比传统BP网络方法不仅学习收敛速度快,而且有效地避免了局部最小值问题。 相似文献
8.
《制造技术与机床》2019,(10)
刀具磨损状况的实时检测是目前机床加工状态监测的难点,而对刀具的振动信号分析的常用方法是利用神经网络模型来判断刀具磨损状态。为解决循环神经网络(RNN)模型训练过程中梯度容易消亡的现象,提出基于长短期记忆神经网络的刀具磨损状态在线监测。刀具在进行切削加工时,首先通过加速度传感器采集刀具振动信号,然后对振动信号小波包变换进行分解是让信号通过不同的滤波器进行有条件的选择,由此形成不同的能量值,用作为长短期记忆神经网络的特征输入,从而诊断出刀具磨损状态的3种状态故障;最后利用长短期记忆神经网络模型对处理时间序列的数据有比较好的效果,它可以捕捉长期的依赖关系和非线性动态变化。此外,通过与多层(BP)神经网络和(BP)神经网络故障诊断方法进行比较,结果表明,LSTM网络对刀具磨损状态在线监测更加有效。 相似文献
9.
刀具状态监测是实现加工过程智能化的关键技术之一,其状态直接影响到工件的表面质量和加工效率。在切削加工过程中刀具的细微崩刃不易察觉但却对工件表面质量影响较大,针对该问题提出了一种基于多尺度卷积胶囊网络的方法实现刀具破损状态监测。首先通过采集振动信号来表征刀具的状态,然后在模型中通过多尺度卷积层初步提取信号特征,随后将特征胶囊化输入胶囊层中进一步挖掘特征中的隐藏信息,最终通过分类层识别刀具在不同切削参数下是否发生细微崩刃。实验结果表明,该方法能够在噪声环境中准确识别不同切削参数下切削刃是否微崩,并且识别精度优于卷积神经网络(Convolutional neural network, CNN)和宽核卷积神经网络(Convolution neural network with wide first-layer kernels, WDCNN)。 相似文献
10.
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。 相似文献