BP神经网络在截齿合金头失效识别中的应用

为实现采煤机截割过程中截齿合金头失效形式的监测和识别,提出一种基于BP神经网络的多特征信号识别截齿合金头失效形式的方法。测试提取截割过程中合金头龟裂、合金头脱落、合金头崩刃和合金头严重磨损4种截齿x,y,z三个方向上的振动特征信号和截割电机电流特征信号,选取特征值信号的最大值、均值和方差作为特征样本对BP神经网络进行学习和训练,建立截齿合金头失效形式的识别模型,实现截割过程中截齿合金头失效形式在线监测与准确识别。实验结果表明,BP神经网络的判别结果和测试样本的实际失效类型相符,能够对截齿合金头失效形式进行准确识别,为实现采煤机截齿在线监测和失效形式识别提供新的方法和手段。     

基于BP神经网络的截齿磨损程度在线监测

为实现截齿截割过程中磨损程度的实时精准在线监测,提出了一种基于BP神经网络的截齿磨损程度多特征信号融合的检测方法。通过提取截割过程中不同磨损程度截齿的三向振动信号、红外温度信号和电流信号,建立了不同磨损程度截齿的多特征信号样本数据库,采用多特征信号样本对BP神经网络进行学习和训练,建立截齿磨损程度的识别模型,实现截齿磨损程度在线监测与精确识别。实验结果表明:基于BP神经网络的截齿磨损程度监测系统,网络判别结果和测试样本的实际磨损程度类别相符,该BP神经网络系统能够对截齿磨损程度类型进行准确的监测和识别。     

基于自适应神经-模糊推理系统模糊信息融合的采煤机截齿磨损在线监测

为实现对截齿截割过程中磨损程度的实时精确在线监测,分别测试和提取不同磨损程度的截齿在截割过程中的振动信号、声发射信号和温度信号,建立不同磨损程度截齿截割信号的多特征样本数据库,根据最小模糊度优化模型计算求解各特征信号的最优模糊隶属度函数,采用自适应神经-模糊推理系统多维模糊神经网络方法实现多传感特征信息的决策融合,输出置信度和权重较高的截齿磨损量融合结果。通过随机测试实验对融合系统进行验证,结果表明,基于ANFIS模糊信息融合的截齿磨损监测系统辨识度较高,测试结果最大误差在6.5%以内,系统具有良好的融合效果以及较高的测试精度。     

基于多传感特征信息融合的采煤机截齿失效诊断

针对采煤机截割头截割过程中截齿失效状态不易在线识别的难题,提出了一种基于多传感特征信息融合的采煤机截齿失效诊断方法。通过测试采煤机不同磨损程度状态的截齿在截割过程中的振动信号以及声发射信号,建立截齿损耗和失效的信号特征数据库,采用基于最小模糊隶属度优化模型的多传感信息融合方法诊断采煤机截齿的磨损及失效状态。实验结果表明诊断结果的准确率可达95%以上,证明采用此方法可实现对采煤机截齿磨损程度及失效状态的实时精确诊断。研究结果对及时发现和更换失效截齿、提高采煤机截割头的工作效率和使用寿命具有重要意义。     

基于BP神经网络的超声振动钻削钻头磨损状态监测试验研究

搭建了超声轴向振动钻削钻头磨损状态的钻削力和声发射信号采集系统,采集不同磨损状态下钻中区域的钻削力和声发射信号进行小波分解,得到与钻头磨损状态相关的特征量作为识别钻头磨损状态的特征参数,输入到建立的6-13-3的三层BP神经网络模型中进行融合,识别钻头磨损状态。试验结果表明,通过BP神经网络技术将钻削力和声发射信号融合识别钻头磨损的准确率约88.9%,能够有效监测钻头磨损状态。     

基于声发射的带锯条磨损在线监测试验研究

通过实时监测带锯条锯齿的工作状态,可以预防锯齿磨损带来的斜切、切削效率降低等问题。本文采用声发射在线监测系统采集和分析锯切过程的声信号,基于时域和频域特征分析提取带锯条全生命周期的磨损信号特征,实时判断带锯条的初始剧烈磨损时间。研究表明:通过分析时域信号可知,在剧烈磨损的临界阶段会出现声发射信号峰值和均值突变的情况;通过分析频域信号可知,初始剧烈磨损会导致峰值信号频率发生突变,初始剧烈磨损前声发射峰值信号频率稳定在30000Hz左右,初始剧烈磨损后声发射峰值信号频率稳定在15000Hz左右。因此,可基于信号突变的特征判断带锯条的初始剧烈磨损时间,避免斜切现象的发生,为带锯条锯齿磨损提供有效的在线监测技术思路。     

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。     

基于多源同步信号与深度学习的刀具磨损在线识别方法

为提高刀具状态监测系统的实用性、避免实际加工过程中工序变换产生的信号干扰,提出一种基于多源同步信号与深度学习的刀具磨损在线识别方法。该方法利用自动触发的方式实现了机床运行在特定工序时的刀具振动、主轴功率、数控系统参数等多源信号的同步在线采集,保证信号同步性的同时有效避免了因工序变换而产生的信号波动干扰;进一步利用高频振动特征实现了 “切削过程”与“切削间隙”采集样本的准确划分,并基于皮尔逊积矩相关系数筛选出强关联特征,保证了多源监测信号融合样本的可用性;最后基于一维卷积神经网络建立了刀具磨损在线识别模型。实验结果表明,该方法无论从识别精度还是诊断效率,均能实现实际加工过程中刀具磨损状态的在线识别。     

基于动态树理论的刀具磨损监测技术

提出了基于动态树理论的刀具磨损监测方法,通过相关系数法提取传感器信号与刀具磨损最相关的几组特征,并采用具有局部记忆的B样条模糊神经网络建立刀具磨损量与声发射信号、切削力信号和振动信号特征之间的非线性映射关系,构造了任意加工条件下的刀具磨损监测系统,刀具磨损的识别结果由集成神经网络输出。试验结果表明,基于此方法构建的刀具磨损监测系统具有精度高、可靠度强、增殖性好和在线识别速度快等优点,值得工业推广。     

基于一维卷积长短时记忆网络的多信号融合刀具磨损评估

为实现刀具磨损状态的有效在线监测,提出一种基于一维卷积长短时记忆网络的多信号融合刀具磨损评估模型.该模型综合使用加工过程中主轴和工作台的振动和声发射信号,以实现信号间的优势互补,弥补单一信号的不足;基于一维卷积的特征学习能力和长短时记忆网络的时序特征分析能力,充分挖掘信号中包含的刀具磨损状态信息;最后通过全连接层和softmax分类器对刀具磨损状态进行评估.试验结果表明,该模型在各单一工况下对刀具磨损状态的识别准确率均可达93.8％以上,整体工况下识别准确率达95.3％,具有很好的稳定性和多工况通用性.     

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%。     

基于神经网络的多特征融合刀具磨损量识别

采用切削力信号监测钻削过程钻头的磨损量 ,分别从时域、频域提取了切削力信号的均值、方差、峭度系数和特定频段能量作为刀具磨损的特征信号 ,讨论了特征信号随着刀具磨损量增加的变化规律 ,并将各个特征信号构成的特征矢量输入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能有效实现多特征融合 ,但识别精度和推广能力有待进一步提高     

基于多特征融合的刀具磨损识别方法

针对刀具磨损监测中多传感器融合监测方法的缺点,提出了基于声发射信号多特征融合与最小二乘支持向量机(lease square support vector machine,简称LS-SVM)相结合的刀具磨损状态监测方法。首先,分别采用经验模态分解法、双谱分析法以及小波包分析法提取采样信号在时域、频域、时-频域内的特征,构造联合多特征向量;然后,利用核主元分析法(kernel principal component analysis,简称KPCA)对联合多特征向量进行融合降维处理,通过提取累积贡献率大于85%的主元,剔除了联合多特征中与刀具磨损相关性较小的冗余特征,生成融合特征;最后,将融合特征送入最小二乘支持向量机,有效地实现了（尤其在小样本下）刀具磨损状态的识别,与神经网络识别方法相比具有更高的识别率。     

基于多参数指标的刀具磨损状态在线监测

刀具在进行切削加工过程中,通过采集定速下的加速度信号,对其时域和频域的相关指标进行分析,提取有效的特征量,对刀具磨损状态进行在线监测。分析结果表明:在时域指标的有量纲参数中,均方根值和峭度对刀具磨损有较好的指示作用,当刀具在出现明显磨损时,该两参数的数值明显增大;在无量纲参数中,脉冲指标、裕度指标和偏斜度指标对于刀具磨损振动更加敏感;在频域指标参数中,均方频率和功率谱方差对刀具磨损的振动信号变化敏感,此方法研究可有效判断出在加工过程中刀具的实时磨损状况,具有一定的应用价值。     

不同信号融合的立铣刀刀具磨破损状态监测方法研究

首先对比研究了不同监测信号的特点,选择了振动信号、切削力信号、声发射信号作为研究信号,然后采用经典信号分析方法对三类监测信号进行分析并提取了相应的统计特征;接着对非平稳性较强的振动信号和声发射信号进行了非平稳特征分析;在此基础上,分别引入相对向量机算法与概率神经网络算法对刀具磨损状态进行识别,基于单一传感器信号的最佳特征向量进行特征层融合,建立了不同信号融合的刀具状态监测模型;最后通过对比不同信号融合方式下的刀具状态监测模型,得到最佳的振动信号与切削力信号融合的监测方式。     

基于模糊神经网络信息融合的采煤机煤岩识别系统

针对采用单一信号进行煤岩界面识别实现采煤机滚筒高度调整控制时精确度和可靠性不高的问题,提出一种基于模糊神经网络的多传感器信息融合煤岩识别方法。通过实验数据采集和分析得到不同煤岩比例截面截割过程中的振动、电流以及声功率谱信号特征样本,根据最小模糊度优化模型求得各煤岩识别信号的模糊隶属度函数,采用基于自适应神经网络模糊推理系统构建的多维模糊神经网络实现多传感器信息的决策融合,得到高可信度和精确度的滚筒调高控制量值。实验室截割实验对比以及现场随机煤岩轨迹的截割实验结果表明,采煤机滚筒截割轨迹与实际随机煤岩轨迹基本吻合,实验结果验证了系统的有效性和可靠性。     

基于神经网络模型的高铁轮对故障诊断和预测方法的研究

提出将高铁轮对运转时产生的振动信号作为样本,分析在高铁轮对运转中,其振动信号中均值、方差、均方值、峰度、裕度因子、脉冲因子等值的变化。由于时域振动信号分析具有很强的实时性,因此采用振动时域信号作为特征信号,提取出能量参数、峰度参数、波形参数、裕度参数、脉冲参数和峰值参数作为样本输入到神经网络模型中,提出利用概率神经网络模型进行高铁轮对故障诊断。利用径向基网络模型,分析历史故障数据,对故障初期显示出的信号特征进行分类,确定中心节点,预测出故障类型,保障高铁轮对可靠运行。     

采煤机振动特性研究

为研究复杂煤层赋存条件下采煤机的振动特性,针对引起采煤机振动的三方面因素进行分析,从采煤机振动信号的识别以及振动信号时域、频域分析两方面分析了采煤机振动信号的分析思路,为实现煤矿井下采煤机截割煤岩界面的自动识别提供理论基础。     

数控机床刀具磨损的振动监测法

在分析小波理论及BP神经网络的基础上,进行了刀具磨损试验研究。在时频域对刀具磨损状态的特征信号进行提取和分析,获得了反映刀具磨损状态的特征信号。将此刀具磨损特征量作为BP神经网络的输入样本对网络进行学习训练,完成对刀具磨损状态的有效识别。实验结果表明该方法是有效的。     

基于长短时记忆卷积神经网络的刀具磨损在线监测模型

为了提高机械加工过程中刀具磨损在线监测的准确性,提出了一种基于长短时记忆卷积神经网络（LSTM-CNN）的刀具磨损在线监测模型。在该监测模型中,通过振动、力、声发射传感器对刀具切削过程中的振动、力和声发射信号进行采集,采集的数据其本质为时间序列数据。考虑采集数据的序列和多维度特性,采用LSTM-CNN网络对采集的数据进行序列和多维度特征提取,利用线性回归实现特征到刀具磨损值的映射。通过实验验证了该模型的有效性和可行性,模型的精度较其他几种方法有了较大的提高。