一种基于小波网络的切削刀具故障监测

提出了一种基于小波神经网络的切削刀具故障监测方法，即提取反映刀具磨损状态的多源特征参数，利用小波神经网络的非线性模型和学习机制，实现在线状态监测；同时针对故障诊断的多输入输出问题带来的网络规模增大、收敛速度慢等问题，提出一种网络优化算法，即采用尺度参数的自适应调整法及平移参数的寻优搜索法，寻找最优小波基元，从而简化小波网络并加快收敛，仿真实例证明了该方法的有效性。     

基于差分进化小波神经网络的刀具磨损状态识别

提出应用小波神经网络进行刀具磨损状态识别的方法,给出了具体的识别流程。构建了小波神经网络,并实现了差分进化对网络参数的优化。通过检测加工现场的切削力和切削声音信号,将其进行信号处理后作为小波神经网络的训练样本,将差分进化应用于小波神经网络结构和参数的优化中,最终实现刀具磨损状态的识别。仿真结果表明差分进化小波神经网络能够有效避免神经网络不收敛的缺点,提高学习速度,采用差分进化小波神经网络进行刀具磨损状态识别,具有较高的诊断精度和效率。     

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。     

基于小波模糊神经网络刀具状态监测系统的设计

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.     

基于小波神经网络的模拟电路故障诊断

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。     

基于长短期记忆神经网络的刀具磨损状态监测

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。     

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。     

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.     

小波分析和神经网络技术在故障诊断中的应用

介绍了智能诊断技术、小波分析技术及神经网络技术，阐述了小波与神经网络相结合的两种方式——松散型小波神经网络和紧致型小波神经网络。在此基础上，以松散型小波神经网络对刀具故障的在线监测为例，说明了小波分析和神经网络技术对刀具故障进行在线监测，故障预报正确率为87.7％。     

采用改进CNN-BiLSTM模型的刀具磨损状态监测

自动化切削加工过程中,准确可靠地监测刀具磨损状态是保证加工质量和加工效率的关键。针对刀具磨损状态相关特征提取繁琐、准确率低及传统的深度学习网络不能全面提取数据隐含信息等问题,提出了一种以卷积神经网络(CNN)和双向长短时记忆(BiLSTM)网络集成模型为基础并通过在卷积神经网络中添加批量标准化层和采用两个双向长短时记忆网络层的改进模型,该模型通过自动提取小波阈值降噪等预处理和降采样后的切削力、振动和声音信号的空间和时序特征来实现刀具磨损状态监测。将改进模型与CNN-BiLSTM模型及传统的深度学习模型进行对比,发现改进模型在精度和稳定性方面有较大提升。所提方法为准确监测自动化加工过程中刀具磨损状态、提高生产效率和加工质量提供了技术支持。     

基于小波神经网络的非线性动态系统辩识

采用一种新型小波神经网络对非线性动态系统进行辨识。通过优化组合小波基元激励函数 ,大大减小了小波神经网络的规模 ,改善了网络学习特性。仿真结果表明 ,该网络结构及其学习算法简单有效 ,逼近精度高     

Road profile estimation using wavelet neural network and 7-DOF vehicle dynamic systems

Road roughness is a broad term that incorporates everything from potholes and cracks to the random deviations that exist in a profile. To build a roughness index, road irregularities need to be measured first. Existing methods of gauging the roughness are based either on visual inspections or using one of a limited number of instrumented vehicles that can take physical measurements of the road irregularities. This paper more specifically focuses on the estimation of a road profile (i.e., along the ??wheel track??). This paper proposes a solution to the road profile estimation using a wavelet neural network (WNN) approach. The method incorporates a WNN which is trained using the data obtained from a 7-DOF vehicle dynamic model in the MATLAB Simulink software to approximate road profiles via the accelerations picked up from the vehicle. In this paper, a novel WNN, multi-input and multi-output feed forward wavelet neural network is constructed. In the hidden layer, wavelet basis functions are used as activate function instead of the sigmoid function of feed forward network. The training formulas based on BP algorithm are mathematically derived and a training algorithm is presented. The study investigates the estimation capability of wavelet neural networks through comparison between some estimated and real road profiles in the form of actual road roughness.     

基于WNN的环形球栅扭矩传感器的信号解调

针对常用方法对环形球栅扭矩传感器信号的解调效果不明显的状况,提出基于小波神经网络的解调方法.利用非抽样小波变换的时频局部化特性和平移不变性,对预处理后的传感器信号进行多分辨率分解,并在神经网络的干预下进行小波重构.构建了小波神经网络模型,并在LabVIEW中编程实现了该算法.在测试平台中分别对同向转动机械轴、来回换向转动机械轴以及对机械轴敲击时所对应的传感器信号进行解调实验,其结果表明解调的效果好,可靠性高.     

压电柔性梁裂缝损伤识别实验

针对压电柔性悬臂梁裂缝损伤检测与损伤程度识别问题,采用小波包分析和小波神经网络相结合的方法进行裂缝深度识别实验研究.利用小波包频带能量谱构造柔性悬臂梁裂缝损伤指标,即能量比相对变化量的H2范数,并建立压电柔性梁裂缝损伤实验装置.激励柔性梁的振动,记录两路压电传感器采集的振动信号,进行小波包分解并计算损伤指标.将这些损伤指标进行组合,作为小波神经网络的输入特征参数,进行裂缝深度即损伤程度的识别.实验结果表明:能量比相对变化量的H2范数对柔性梁的裂缝损伤敏感,对测试噪声不敏感;采用的小波神经网络可以精确识别柔性梁的裂缝深度.     

基于小波包分析和Elman网络的切削表面粗糙度预测方法

提出了一种基于松散型小波网络的切削表面粗糙度预测方法。结合切削参数和切削振动理论,建立了预测网络结构,为避免频域混叠,采用小波包改进算法来实现振动信号去噪。根据振动加速度及切削参数,利用Elman网络的非线性映射和学习机制,实现切削表面粗糙度的实时在线预测。为减少训练时间,用遗传算法对网络权重进行预先优化。实验表明,该方法的预测误差小于3%。     

Position detection of BLDC rotor based on adaptive wavelet neural network

Brushless DC(BLDC)motor is a complex nonlinear system,of which some parameters will also change during operation.Therefore,obtaining accurate rotor position directly through the line voltage becomes more difficult.So a new method is proposed in this paper which uses three line voltages as the input signal to identify the motor position based on adaptive wavelet neural network(WNN)and the differential evolution(DE)algorithm to optimize WNN structures,thus realizing the improvement of accuracy,exactness of the communication signals and convergence speed of the rotor position identification.Finally,both simulations and experimental results show that the proposed method has high accuracy of recognizing rotor position and strong orientation ability.     

基于遗传算法优化小波神经网络数控机床热误差建模

数控机床的热误差已经成为影响其加工精度的一个关键因素,为最大限度提高数控机床热误差补偿的精度和效率,结合遗传算法自适应全局优化搜索能力和小波神经网络良好的时频局部特性的优点,提出一种基于遗传算法优化小波神经网络的机床热误差补偿模型。以某型号五轴摆动卧式加工中心为试验对象,以机床温度变量和热误差为数据输入样本,建立小波神经网络模型热误差预测模型,然后用遗传算法优化小波神经网络权值、阈值,最终建立热误差预测模型。通过与传统人工神经网络和普通小波神经网络进行对比分析及试验论证表明,该补偿模型具有精度高、抗扰动能力和鲁棒性强等优点,有望在实际加工场合的数控机床的热误差预测和补偿研究中得到更大的推广应用。     

基于硬态切削力信号刀具切削状态的分析

阐述了小波分析及小波去噪的基本理论 ,针对付氏变换和短时付氏变换的缺点 ,提出了基于小波变换的切削力信号分析方法。小波多分辨分析能够实现PCBN刀具的切削力信号的任意精度与尺度的时频域分解 ,从而判断PCBN刀具的切削状态 ,根据切削力信号的不同特征及时调整切削参数 ,减少刀具破损的发生 ,并能够揭示典型切削力信号的分布特征     

基于小波变换切削力信号监控PCBN刀具破损的研究

阐述了小波分析及小波去噪的基本理论，针对傅氏变换和短时傅氏变换的缺点，提出了基于小波变换的切削力信号分析方法。小波多分辨分析能够实现PCBN刀具切削力信号的任意精度与尺度的时一频域分解，从而判断PCBN刀具的切削状态，根据切削力信号的不同特征及时调整切削参数，减少刀具破损的发生，并能够揭示典型切削力信号的分布特征。     

力觉临场感系统中操作环境动力学的小波神经网络模型

在力觉临场感系统中机器人操作环境经常是非线性的和未知的。为使本地操作者了解环境特性，需对操作环境进行建模。为此，进一步研究力觉临场感系统中机器人操作环境动力学模型，提出一种新的基于小波神经网络的环境非线性动力学模型的建立方法，分析网络的拓扑结构，给出网络参数训练和初始化方法。采用引入动量项的最速下降法训练网络权值、尺度因子和平移因子，将小波网络参数的初始化与小波类型、小波时频参数和学习样本等联系起来。结果表明，采用小波神经网络的力觉临场感系统中操作环境模型优于同等规模的BP网络，具有训练方法收敛速度更快、非线性逼近能力更强及建模精度更高等优点。