基于神经网络的传感器信息融合和综合在刀具状态监…

本文给出了传感器信息融合和综合的定义和特点，说明了多层前向神经网络的结构及ＢＰ算法，并着重用两个实例分别叙述了基于神经网络的传感器信息融合和综合法在刀具状态测系统中的应用。     

神经元网络传感器信息综合用于刀具状态监测

文中叙述了一种基于人工神经元网络在线刀具磨损检测系统的硬件结构、软件设计和执行过程,该系统综合几种传感器(声发射、力和电机电流信号)的输出,用多通道自回归时序模型或快速付里叶变换(FFT)技术处理,得到AR系数矩阵或功率谱密度数据被送到特征抽取模块,模块选择对刀具磨损最灵敏的特征输入到事先训练过的人工神经元网络,由网络对刀具状态进行最终的决策。为了评估上述系统的可行性,作者给了一个在车床上的实验结果。     

基于小波神经网络的刀具状态监测

建立了一种小波基函数神经网络的切削刀具磨损状态监测系统。通过提取反映刀具磨损状态的特征参数：声发射，主功率，进给电流为输入信号，利用Morlet解析小波神经网络的非线性模型，获得表示刀具磨损状态的特征量，来实现刀具磨损状态在线智能监测。它可以有效地提高系统识别的精确度和可靠性。     

基于切削力和神经网络的铣削刀具状态监测研究

基于切削力分量测量信号,提出了用于端面铣削的刀具状态监测(TCM)的3层BPNN网络系统,用于估计铣削过程中的刀具磨损(Vb)和表面粗糙度(Ra).利用切削力数据构建了6×10×2结构的神径网络的训练样本,并对其性能进行了评价.建立了刀具磨损和表面粗糙度与有关的切削参数关系.试验结果表明模型输出与直接测量的刀具磨损和表面粗糙度的值非常接近,证明了该方法是可行的.     

基于切削声和切削力参数融合的刀具磨损状态监测

针对单一传感器监测刀具磨损状态存在的不足,提出了将声传感方式和力传感方式综合利用,以人工神经网络作为多传感器信息融合的方法.在立式数控加工中心上铣削加工45<'#>钢调质试件,利用驻极体传声器和Kistler测力仪检测与刀具磨损相关的特征量,得出铣削声信号特征量LPCC的第6、7、8阶分量,X、Y向切削力以及绕z轴的力矩与刀具磨损密切相关.以这6个特征量作为神经网络的输入信号,利用有动量的梯度下降的BP算法建立了刀具磨损状态监测的多参数融合模型.研究结果表明神经网络输出值与实际测量值基本相符合,切削声和切削力特征融合后提高了识别刀具磨损程度的准确性和稳定性.     

深度卷积神经网络在多工况下刀具磨损状态监测中的应用

为了解决复杂多工况下刀具磨损状态的监测问题,提出一种基于深度学习的刀具磨损状态监测方法,并构建敏感特征值提取函数.基于刀具磨损数据集,建立多种工况下刀具磨损状态的监测模型,进行多工况下刀具磨损状态监测研究.研究结果表明:当敏感值界限设置为0.3时,从声发射、振动和电流信号的特征值中可以提取出56个敏感特征值;以均方根误...     

基于小波神经网络的刀具状态监测系统的设计

利用能量分布特征提取方法和优化BP神经网络，提出一种基于小波变换和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，结果与实际情况基本一致，证明该系统对于估计刀具状态是有效的。     

人工神经网络在刀具磨损检测中的应用

本文介绍了刀具磨损检测的方法。并利用神经网络对切削噪声和工件纹理这两方面的特征进行了有效的信息融合,以实例验证了其有效性。     

基于粗糙集和BP神经网络的刀具状态监测

在刀具磨损状态监测中,能够提取到的反映不同刀具磨损状态的特征量较大,基于神经网络的状态识别无法去掉冗余特征,会存在训练时间长和准确率降低等问题。针对这些问题,提出基于粗糙集-BP神经网络的刀具磨损状态监测方法,利用粗糙集对特征进行属性约简,去掉冗余信息,从而优化特征,并且减少神经网络的输入端数据,可以缩短神经网络的训练时间和提高识别的准确率。通过对实测刀具数据进行分析,证明了该方法的有效性。     

基于切削力的小波神经网络刀具磨损状态监测

为了有效地进行刀具状态监测,采用小波神经网络对刀具进行故障诊断.通过小波变换提取刀具磨损切削力信号的特征,利用小波包分解技术对信号进行分析,得到有效的特征量作为BP神经网络的输入样本,并对网络进行学习训练,完成对刀具磨损状态的有效识别.仿真结果表明该方法是有效的.     

RBF云神经网络在数控机床刀具磨损状态识别中的应用

在数控机床加工过程中,刀具破损是造成加工设备损坏和加工安全事故的主要起因,且刀具的磨损对加工质量有着直接影响,因此,正确对数控机床的刀具状态进行识别有着重要的工程价值。提出一种云理论与RBF神经网络相结合的RBF云神经网络模型,该模型既有云理论的随机性和模糊性,又有RBF的学习、记忆能力。将其应用到数控机床的刀具磨损状态识别中,实验结果表明:该网络模型的精确度较高,具有较强实用性。     

基于小波-神经网络纹理图像识别的刀具状态监测

介绍了一种采集旋转工件图像的光学监测系统,提出通过二维小波分析工件纹理图像,提取纹理特征,设计了基于动态和静态神经网络的刀具状态识别系统,该系统可用于自动化加工中刀具诊断,仿真证明了有效性。     

多传感器信息融合在液压系统智能故障诊断中的应用

针对采矿工程机械液压系统故障诊断方法存在的局限性,提出了一种基于多传感器信息融合的智能故障诊断方尊。该方法采用模糊神经网络融合诊断中心作为故障诊断的执行机构,算法上采用BP算法。通过一实例论证了在液压系统故障诊断中采用多传感器信息融合故障诊断方法比采用单传感器信息故障诊断方法更具有准确性和可靠性。     

多传感器信息融合在移动机器人导航中的应用

通过实例描述了多传感器在移动机器人导航中的应用，建立了基于信息融合的导航体系结构，并详细描述了各个模块及其功能，最后通过MATLAB／SIMULINK环境下进行仿真实验，结果表明了多传感器信息融合方法在导航中的有效性。     

基于BP神经网络和D-S证据理论的刀具磨损监测方法

将BP神经网络和D-S证据理论相结合的方法运用于刀具磨损监测中,采用小波包分解法对刀具磨损过程中产生的声发射信号进行特征提取,构建特征向量,利用BP神经网络识别判断刀具磨损状态;通过BP神经网络的输出结果和训练误差计算D-S证据理论的基本概率赋值,并用D-S证据理论对BP神经网络的识别结果进行决策级融合。实验结果表明:该方法避免了神经网络识别时的误诊,提高了整个刀具磨损监测系统识别的准确性和可靠性。     

基于HPSO优化BP神经网络的刀具磨损状态识别

针对BP神经网络容易陷入局部极值导致识别精度低的问题,文章提出了一种基于混合粒子群算法(HPSO)的BP神经网络优化算法。在刀具磨损监测实验过程中,采集刀具切削的声发射(AE)信号,利用小波包分解算法对AE信号进行滤波,并进行特征提取。将频带能量特征和切削参数分别作为主特征和辅助特征,并对其对归一化处理。采用混合粒子群优化算法(HPSO)对BP神经网络预测模型进行优化,利用优化后的模型对测试样本进行模式识别,结果表明,优化后的HPSO-BP模型能够有效地降低神经网络陷入局部极值的情况,提高刀具磨损识别精度。     

神经网络信息融合技术在岩石挖掘机系统故障诊断中的应用

将信息融合技术与神经网络结合起来，充分利用检测到的各种故障征兆信息准确诊断岩石挖掘机系统的故障。采用混合式数据融合方法，将数据级、特征级和决策级融合通过神经网络的方法综合在一起，解决输入信息不对称性问题，使得小数据量和大数据量的信息融合成为可能。     

多传感器信息融合技术与液压系统状态监测、故障诊断

本文从多传感器信息融合系统概念、信息融合的层次和方法等方面对多传感器信息融合技术的现状进行了阐述，提出了基于多传感器信息融合技术的液压系统状态监测与故障诊断的系统框图，并介绍了诊断系统的组成、工作原理及主要特点。     

基于递归小波神经网络的刀具状态在线监测

以超高斯函数为基础,构造出一类用递推公式进行小波变换的小波基,提出一个新的递归小波基,并对其时频特性进行了分析.基于框架小波神经网络理论,利用连续函数介值定理,构造出一种紧致型小波网络,并对其初始化与学习算法进行了研究.最后,对刀具AE信号进行递归小波分解,提取特征并应用小波网络识别刀具状态,识别率达到100%.