基于粒子群优化核主元分析的轴承状态识别

轴承状态识别的准确率与特征提取紧密相关,而特征提取对轴承状态识别显得尤为重要.因时频域的各个特征对不同程度的故障信号敏感度各不相同,特征提取不当将会造成状态识别准确率下降.针对上述问题提出粒子群优化(PSO)核主元分析(KPCA),并利用该方法对轴承的复合特征集进行特征提取,提取后的特征向量构成识别特征集,由优化的支持向量机识别分类.选用美国凯斯西储大学滚动轴承试验台的振动数据进行处理分析,通过3种实验方案进行验证.结果表明,提出的方法明显改善了轴承状态识别的准确率.     

基于模态区间的数控机床切削状态监测

随着高速高精数控加工技术的发展,对数控机床切削加工状态的稳定性提出了更高的要求,传统的切削加工状态监测方法中对不确定性处理存在不足。提出了一个基于模态区间的切削状态监测不确定性处理方法,利用模态区间的宽度对传统监测方法中的不确定性加以表述,以解决监测中的不确定性问题。为了验证提出方法的有效性,搭建了切削加工实验平台,通过加速度传感器获取数控机床切削加工信息,由时频分析方法将切削状态划分成稳定、过渡及颤振3个加工阶段,利用基于模态区间的小波包能量百分比方法,提取不同加工阶段的区间特征量,通过Lloyd算法进行编码后作为基于模态区间的广义隐马尔科夫模型的输入特征向量,最后利用广义隐马尔科夫状态辨识方法,对数据机床切削状态进行了识别。实验结果表明,基于模态区间的广义隐马尔科夫模型辨识方法优于传统的隐马尔科夫模型辨识方法。     

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%。