基于小波包-隐马尔科夫模型的机床加工状态识别

机床加工状态对加工工件质量有很大的影响,因此识别机床加工状态有重要的意义.依据采集的机床加工数据,通过FFT频谱分析,划分出机床加工的3种状态.利用小波包分解,分别求出各种状态在不同频带节点上的能量分布百分比,并把它作为隐马尔科夫模型的输入特征向量.按照隐马尔科夫模型模式识别方法,建立3种标准状态的训练优化模型库,把测试样本代入优化模型库中,依据最大对数似然值对机床的加工状态进行了识别.计算结果表明,状态识别结果正确.     

基于模态区间-马尔科夫链的动刚度预测

动刚度反映着数控加工过程中的稳定性,对加工精度有直接影响.对动刚度进行预测,预知动刚度的变化趋势,可为处理数控机床动刚度劣化问题提供指导作用.传统的马尔科夫链模型预测方法难以处理不确定性问题,将降低预测结果的可靠性.将模态区间数学理论应用于传统马尔科夫链中,提出一种基于模态区间-马尔科夫链模型的预测方法,以提高预测结果的可靠性.为了验证提出的预测方法的有效性,设计了一个数控机床相对激振实验.通过相对激振方法获取历史动刚度数据,采用模态区间-马尔科夫链模型对动刚度劣化趋势进行预测.结果表明:提出的预测方法有一个更好的预测精度.     

基于红外测距技术的预防近视系统设计

针对当前学生近视问题日趋严重现象,总结了患近视的一个重要原因是过度看近,依据红外测距原理,提出了利用红外测距技术来预防近视的方法并进行了系统设计。采用GP2D12红外测距传感器作为信号采集装置,将采集的数据进行实验分析、处理,得出了线性化公式。信号线性化后通过ADC0809转换为数字信号,输入AT89S51单片机中处理。当使用者过度看近时,警告电路工作,告知调整坐姿,同时对人眼离书或者笔的距离进行动态显示,达到有效预防近视目的。     

基于广义BP神经网络的切削颤振识别研究

切削颤振将降低加工质量和加工效率,其一直是切削加工领域的一项重要研究课题。针对传统的切削颤振识别方法中,存在获取颤振加工信号中的测量不确定性问题及识别模型中的模型不确定性问题,提出基于广义区间理论的广义BP神经网络切削颤振识别模型,利用广义区间不确定性分析方法将测量不确定性量转换为广义区间量,并进行广义区间形式的时频特征提取,最后将广义区间化的特征量代入广义BP神经网络识别模型中,对切削加工状态进行识别。试验结果显示,提出的广义BP神经网络颤振模型比传统BP神经网络颤振模型有更高的识别率。     

基于隐马尔科夫模型的苹果分级方法研究

提出了一种基于隐马尔科夫模型的苹果分级方法。以3种不同颜色和形状的苹果为研究对象,提取苹果的六角锥体模型(HSV)作为苹果的颜色特征,提取苹果Hu不变矩作为苹果的形状特征,将这些特征量采用Lloyd算法编码,并将它们作为隐马尔科夫模型(HMM)的输入。依据HMM模式识别方法,对不同颜色和形状的苹果进行了分类识别,进而完成苹果分级。试验表明,该方法完成的分级识别率为100%。     

CEEMDAN与参数优化多尺度排列熵结合的滚动轴承早期故障诊断

针对滚动轴承的早期故障特征微弱的特点，提出了自适应噪声完备集合经验模态分解（CEEMDAN）与多尺度排列熵（MPE）结合提取故障特征，采用支持向量机（SVM）进行故障状态判别的滚动轴承早期故障诊断方法。利用CEEMDAN将信号分解为若干分量，计算各分量与原信号的相关系数，将大于相关系数阈值的分量重构，对MPE的参数运用PSO算法寻优，计算重构后的信号的MPE值并作为故障特征向量，使用SVM对故障状态进行识别。将该方法运用于XJTU-SY滚动轴承加速寿命试验数据集，并与MPE参数未优化以及未CEEMDAN分解且MPE参数未优化得到的MPE值作为特征向量SVM进行识别的结果进行对比，结果表明本文所提方法的故障识别率分别提高了10.71%和14.28%。     

基于混合特征提取和PSO-ELM的电机故障诊断北大核心

针对单一特征提取方法无法有效提取电机故障特征,提出了一种基于混合特征提取与粒子群优化极限学习机(PSO-ELM)相结合的电机故障诊断方法。通过搭建电机故障实验平台,获取三相异步电机不同状态振动信号,利用变分模态分解(VMD)获取反映信号能量分布特点的能量占比和能量熵特征,并与反映时间序列不同尺度复杂程度的多尺度散布熵(MDE)特征组成混合特征向量,使用PSO-ELM完成电机不同状态的识别。结果表明,所提方法20次测试的平均识别率为98.92%,能有效提取电机故障特征。