采用小波神经网络的刀具故障诊断

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。     

基于铣削力与神经网络刀具磨损状态识别研究

以铣削难加工材料——高锰钢加工过程为研究对象。建立了以铣削力作为监测信号的铣刀磨损监测实验系统。应用小波包理论对铣削力信号进行分析和消噪处理。并提取了信号的能量特征作为神经网络的输入向量。基于神经网络极强的非线性映射能力及分类能力。选用小波包分析与BP网络结合的方式对刀具磨损状态进行识别。建立了模式识别BP网络结构,构造了网络训练样本及测试样本。对网络进行了训练、仿真及验证测试,结果表明该网络能够对刀具磨损状态进行准确的识别。对刀具的在线监测具有良好的现实意义。     

刀具磨损早期故障智能诊断研究

针对刀具的早期故障监测中因存在强烈的背景噪声而难以提取故障特征的问题,提出了基于二次采样随机共振消噪和B样条神经网络智能识别的故障诊断方法。首先利用在随机共振过程中,噪声增强振动信号的信噪比特性,将刀具振动信号进行随机共振输出,提取有效特征,再输入到B样条神经网络进行智能识别,进而获得刀具的磨损值。同时,为了得到与输入信号最佳匹配的随机共振参数,提出了基于遗传算法的多参数同步优化的自适应随机共振算法,克服了传统随机共振系统只实现单参数优化的缺点。实验结果表明,该方法能实现弱信号检测,能有效地应用于刀具磨损故障诊断中。     

基于最佳小波基小波特征的神经网络刀具磨损状态监测方法

以小波分析理论为基础,提出了以对数熵理论确定最佳小波包分解树结构的方法,提出了基于声发射信号最佳小波基最佳小波分量频段能量的声发射信号小波特征,开发了基于最佳小波基小波特征的神经网络刀具磨损状态在线监测系统,实验结果表明,该系统具有较高的监测精度,能满足工业现场对刀具磨损状态实时在线监测的要求.     

基于人工蜂群-BP神经网络的刀具磨损监测

为了提高刀具磨损状态监测准确度,提出基于人工蜂群-BP神经网络算法的刀具磨损状态监测方法。使用力传感器和振动传感器设计了磨损状态监测平台;使用匹配追踪算法对信号进行了去噪;提取了信号时域、频域、时频域的特征参数,使用核主成分分析法对特征参数进行了降维,确定了反应刀具磨损状态的15个特征参数;提出了人工蜂群-BP神经网络算法的刀具磨损状态识别方法,使用人工蜂群算法优化BP神经网络算法参数;经实验验证,传统BP神经网络识别准确率为78.75%,优化BP神经网络算法识别准确率为100%。     

基于卷积神经网络的铣刀后刀面磨损状态预测方法研究

为了监测高温合金材料加工时的铣刀后刀面磨损状态,提出了基于卷积神经网络的刀具磨损状态预测方法,建立了基于机床主轴电流与功率信号实时监测的刀具磨损状态预测系统。通过建立与机床数控系统的通信,采集加工过程中的电流和功率信号,采用主成分分析法(PAC)对采集的参数进行特征提取,选择对刀具磨损值影响较大的主成分作为卷积神经网络的输入,实现对刀具磨损状态的准确预测。铣削实验结果表明,该方法具有较高的预测准确率。     

基于SOM和HMM结合的刀具磨损状态监测研究

针对端面铣刀磨损状态的识别问题,提出了基于自组织特征映射神经网络和隐马尔可夫模型结合的方法。该方法对铣削力信号进行预处理和相关特征提取,用自组织特征映射对信号特征矢量进行量化编码,所得码本作为隐马尔可夫模型的输入向量,分别训练三个不同磨损阶段的隐马尔可夫模型来对未知的刀具磨损状态进行监测与识别。实验结果表明,该方法能够对刀具磨损状态进行准确的识别,对自动化生产具有现实意义。     

基于分形理论和神经网络的刀具磨损监测

提出了一种基于分形理论和神经网络的刀具磨损监测方法,从切削力动态分量中提取分形维数D、从切削力静态分量中提取切削力比R这两个特征量作为监测刀具磨损状态指标,并将这两个特征量及切削速度作为神经网络的输入.试验结果表明,该方法能有效识别刀具的磨损状态.     

[设备健康管理]基于机床信息的加工过程刀具磨损状态在线监测

为实现刀具磨损状态的在线监测,提高监测系统的实用性,提出一种基于机床信息的加工过程刀具磨损状态在线监测方法。采用OPC UA通信技术在线采集与存储数控机床信息,得到与磨损相关的机床内部过程信息,并基于这类信息与相应的刀具磨损信息,利用卷积神经网络建立了刀具磨损状态识别模型。应用案例证明了该方法的监测性能,与其他传统监测方法相比,该方法更适用于实际的生产加工。     

基于小波包和BP神经网络的刀具磨损状态识别

刀具磨损状态影响金属切削过程,因此监测刀具磨损状态对提高产品质量有着重要的意义。设计刀具磨损状态监测系统,利用传感器采集刀具振动信号,通过小波包对振动信号进行数据分析,并把不同频段的能量值作为刀具磨损状态的特征值,建立BP神经网络,从而在刀具磨损状态和振动信号特征向量之间建立映射关系,完成刀具磨损状态的监测。利用C++Builder和Matlab软件混合编程实现了系统的功能。试验表明,系统运行良好,能够对刀具磨损状态进行正确识别。     

用模糊神经网络进行铣刀磨损状态识别

刀具磨损监测过程是一个模式识别过程,模糊推理和人工神经网络都是进行模式识别非常有效的办法,针对模糊系统和神经网络各自表现出来的不足,将模糊推理和神经网络结合起来,充分利用模糊系统在处理结构性知识上的优势和神经网络在自学习和并行处理上的能力,形成模糊神经网络进行刀具磨损在线监测识别.通过研究模糊系统和神经网络的结合形势,...     

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。     

Hybrid Learning for Tool Wear Monitoring

In automated manufacturing systems such as flexible manufacturing systems (FMSs), one of the most important issues is the detection of tool wear during the cutting process. This paper presents a hybrid learning method to map the relationship between the features of cutting vibration and the tool wear condition. The experimental results show that it can be used effectively to monitor the tool wear in drilling. First, a neural network model with fuzzy logic (FNN), responding to learning algorithms, is presented. It has many advantageous features, compared to a backpropagation neural network, such as less computation. Secondly, the experimental results show that the frequency distribution of vibration changes as the tool wears, so the r.m.s. of the different frequency bands measured indicates the tool wear condition. Finally, FNN is used to describe the relationship between the characteristics of vibration and the tool wear condition. The experimental results demonstrate the feasibility of using vibration signals to monitor the drill wear condition.     

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。     

Adaptive modelling of the milling process and application of a neural network for tool wear monitoring

An adaptive signal processing scheme that uses a low-order autoregressive time series model is introduced to model the cutting force data for tool wear monitoring during face milling. The modelling scheme is implemented using an RLS (recursive least square) method to update the model parameters adaptively at each sampling instant. Experiments indicate that AR model parameters are good features for monitoring tool wear, thus tool wear can be detected by monitoring the evolution of the AR parameters during the milling process. The capability of tool wear monitoring is demonstrated with the application of a neural network. As a result, the neural network classifier combined with the suggested adaptive signal processing scheme is shown to be quite suitable for in-process tool wear monitoring     

基于切削力信号时域频域特征融合的刀具磨损监测

从时域、频域提取了切削力信号特征参数随着刀具磨损量增加的变化规律,提取了切削力信号的峰值因子、Kurtosis系数和频段带能量作为刀具磨损量监测特征参数,并将各个特征量构成的特征矢量输入改进的多层反传神经网络进行融合,实现钻削过程刀具磨损量的智能识别。试验结果表明,该方法具有较高的识别精度和较强的抗干扰能力。     

刀具磨损监测中信号特征值的提取与聚类分析

声发射是近年刀具监测研究中采用的新技术之一,本文用包络分析法求取刀具磨损中声发射信号的包络线,用其时序模型参数作为特征值,采用神经网络对刀具磨损状态进行分析,试验表明效果良好。     

基于神经网络多传感器融合的刀具摩损定量监测的研究

研究了前馈神经网络（ＦＮＮ）的自构造型学习算法，提出了基于神经网络多传感器融合的一般结构及刀具磨损监测方法，讨论了多传感器的选择、多传感器信号的采集与预处理以及多传感器信号的特征选择与正规化处理，并就铣削过程的刀具磨损监测进行了实验研究，结果表明，所提出的方法可获得９３％的识别率。     

刀具磨损识别的人工神经网络方法

人工神经网络在机械制造过程监控中有着广阔的应用前景。本文提出了一种基于多层前馈网络和误差反向传播（ＢＰ）算法的刀具磨损识别的新方法，并研究了网络结构和网络输入参数的选择，以建立较完善的神经网络模型。初步验证结果表明：基于多种传感器信息和工艺参数的人工神经网格模型对刀具状态具有很好的识别能力。