基于PCA和SVM的微铣刀磨损状态识别

刀具磨损的状态识别精度对机床加工的质量和生产效率至关重要,为了提高刀具磨损状态的识别度,提出了一种能够有效识别微铣刀磨损状态的方法.首先对采集到的振动信号进行时域和频域分析,提取多个时域特征和频域特征,然后应用主成分分析法对提取的特征进行信息融合,再以融合后的特征向量作为支持向量机的样本输入,避免由于支持向量机初始参数...     

基于多源数据融合的铣刀磨损状态监测

针对铣刀磨损状态实时监测问题,提出融合三向多源监测信号构建基于卷积神经网络的铣刀磨损状态监测模型.首先,将三个方向振动监测信号转换成幅值谱作为网络模型的输入;其次,构建了单源数据卷积神经网络磨损监测模型;最后,采用决策层数据融合方法得到基于多源振动信号融合的铣刀磨损状态监测模型.实例验证表明:该方法用于刀具磨损状态识别...     

CNC铣刀磨损状态的大数据分析与预测方法研究

为在铣切加工过程中预测铣刀的磨损状态以及时发现并更换将要磨钝的铣刀,以保障产品质量,运用传感器采集CNC铣床在加工过程中铣床及铣刀的振动信号数据,应用大数据方法研究CNC铣刀磨损状态的分析和预测方法。为保证铣刀磨损状态的识别精度、识别稳定性和分析模型的鲁棒性,采用小波包分解理论对铣床x、y、z三向振动信号数据进行降噪处理,提取时域特征和能量特征,筛选出与磨损状态相关性较大的34个特征。应用XGBoost算法建立铣刀磨损状态的数据分析模型,使用宏平均值评估模型性能,结合SMOTE技术对特征向量进行过采样,使各磨损状态类别样本均衡。借助公开的球头铣刀加工数据集对所提方法进行验证,实验结果表明：利用XGBoost算法能正确分析铣刀磨损状态的数据,能识别出铣刀磨损预警阶段。XGBoost算法的预测精度高、稳定性好、泛化能力强,易应用于工业大数据领域     

基于GA-LightGBM的刀具磨损状态在线识别

在刀具磨损状态识别中,传统机器学习模型如支持向量机(SVM)、BP神经网络(BPNN)等训练过程耗时较长,尤其是在数据量较大的情况下,即实时性不能保证。提出将模型训练速度快、精度高的轻量级梯度提升机(Light Gradient Boosting Machine, LightGBM)应用在刀具磨损状态的识别中,提出采用遗传算法(Genetic Algorithm, GA)来优化LightGBM模型得到最优参数。在刀具磨损监测实验过程中利用加速度传感器采集刀具X、Y、Z轴上的振动信号,再利用小波系数阈值去噪法对数据去噪处理,并制备不同类别的不均衡样本数据。之后对各个模型进行训练测试。结果表明,在训练集、测试集精度处在相同的区间下,优化后的GA-LightGBM模型在模型耗时、AUC值方面有着明显优势。     

基于深度学习和多传感器的数控机床铣刀磨损状态信号监测方法研究

由于单一传感器存在获取信息量有限、抗干扰能力较弱等问题及传统网络模型诊断时间长、诊断率低等现象,采用振动、噪声等多个传感器监测铣刀的磨损状态。提出将深度学习和多传感器相结合的铣刀磨损状态信号监测方法;将经核主元筛选和未筛选的数据分别输入到BP神经网络、RBF神经网络和深度卷积神经网络中进行模式识别,并对识别结果进行对比和分析。结果表明:深度学习和多传感器相结合的铣刀磨损状态监测方法在特征量比较大、数据量比较多的情况下诊断速度、准确率均比较高,在铣刀磨损状态监测中具有明显的优势。     

基于改进EEMD和香农熵的铣刀磨损状态监测研究

为了分析铣削加工中复杂的声发射信号和克服EMD方法的模态混叠缺陷,在原始集合经验模态分解(EEMD)的基础上,提出一种改进的EEMD方法应用于铣刀磨损的状态监测。通过引入白噪声准则和中值滤波优化EEMD的算法,并基于香农熵从分解得到的IMF分量中提取有效分量,剔除虚假分量。最后将有效IMF分量的能量作为特征向量输入支持向量机(SVM)分类器来识别铣刀的磨损状态。经过在立式铣削加工中心上进行实验,结果表明此方法在识别铣刀磨损状态方面具有更高的准确性。     

基于AR模型的铣刀磨损诊断

传统的铣刀磨损故障诊断大多采用小波分析结合神经网络的方法,该方法的缺点是算法复杂,计算量大,很难实现铣刀磨损的在线识别并对其进行反馈控制。本文引入自回归（AR）模型来表征刀具切削过程的正常工作状态,用Levinson-Durbin递归算法求解Yule—Waker方程获得AR模型的系数。将建立的AR模型作为线性滤波器处理其它各种状态铣刀振动信号,获得预测误差信号,之后对预测误差信号进行各种统计特征分析。试验结果表明,预测误差信号的方差是有效的与刀具磨损相关的指标,可以用来在线识别加工过程铣刀磨损状态。     

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。     

汽轮机转子轮槽精铣刀磨损状态监测技术研究

为实现汽轮机转子轮槽精刀磨损状态的在线监测,提出一种ARIMA与SVR相结合的刀具磨损量在线监测模型。构建基于ARIMA的信号特征预测模型,根据收集的历史信号数据预测刀具继续加工的信号特征;构建基于SVR的刀具磨损量监测模型,以信号特征为输入得到当前时刻精刀磨损量;将两个模型相结合,可以预测精刀加工下一条轮槽时的磨损量,对精刀下一时刻的状态做出准确判定。基于上述模型,可以为企业换刀时机的选择提供技术支持,最终提高加工质量与加工效率,实现最大经济效益。     

基于SSA-VMD和BiLSTM的刀具磨损状态识别北大核心

针对变分模态分解(VMD)参数选取和刀具磨损特征提取困难等问题,提出了基于松鼠觅食算法(SSA)、VMD和双向长短期记忆网络(BiLSTM)的刀具磨损状态识别模型。首先,以包络熵为适应度函数,使用SSA优化VMD的参数,利用优化后的VMD分解刀具振动信号得到4组模态分量,并进行信号重构;其次,构建BiLSTM网络模型,并把信号模态分量、原始信号和重构信号一起构成特征矩阵输入模型当中,利用BiLSTM提取信号特征;最后,通过全连接层和Softmax层对刀具磨损状态进行识别。实验结果表明,SSA能够找到VMD最优参数组合,降低信号噪声,提出的SSA-VMD-BiLSTM模型在准确率和适应性方面优于传统的LSTM模型。     

基于LSTM和声发射的金刚石砂轮磨损状态识别

针对超精密磨床磨削加工中对砂轮磨损状态监测和识别的需求,基于长短时记忆网络(LSTM)建立砂轮磨损状态识别模型,通过小波包分析提取砂轮磨损敏感频段的特征,继而使用降维后的敏感频段频域特征为输入来训练模型以识别砂轮的磨损状态,并对比了不同超参数下的LSTM网络以及传统前馈神经网络的识别效果以获取最佳模型.完整寿命周期的金...     

基于机器视觉的铣刀侧铣磨损测量

针对硬质合金铣刀在侧铣工件过程中出现的刀具磨损问题,采用机器视觉的方法对磨损刀具进行磨损量检测.通过对铣刀底面ROI区域的提取以及刀刃部分直线的拟合,计算出刀具的旋转角度,从而实现对铣刀侧面磨损区域的定位.在此基础上又采用改进的图像形态学和灰度线性变换相结合的图像增强算法,能够很好地解决硬质合金铣刀磨损检测中出现的反光...     

基于S变换时频图纹理特征的刀具磨损状态识别

针对刀具磨损状态监测问题,将图像纹理特征提取技术引入到刀具磨损故障诊断中,提出一种基于S变换时频图纹理特征的刀具磨损状态识别方法。首先采用S变换对刀具切削过程中采集的声发射信号进行时频分析,将时频图像转换为等高线灰度图,通过灰度共生矩阵算法提取图像纹理特征;然后采用散布矩阵算法对提取的特征向量进行敏感度分析,构建敏感特征向量;最后采用敏感特征向量训练离散隐马尔科夫模型,建立分类器,从而实现刀具磨损状态的识别。实验结果表明:该方法可以有效地识别刀具磨损状态,识别率为96.67%。     

基于进给系统反馈信号的摩擦辨识方法

为了准确辨识进给系统摩擦特性,提高数控机床加工精度,论文以 Stribeck 摩擦模型作为辨识对象,针对传统的摩擦辨识方法存在的问题,提出了在分析加速运动过程反馈信号的基础上再进行匀速测试的辨识方法.基于该方法进行实验,并使用EMD (Empirical Model Decomposition)方法和最小二乘法对实验数据分析后得到了摩擦模型的参数;实验结果表明文中提出的方法与传统的摩擦模型辨识方法对比,具有操作简单、节省实验时间和辨识准确的特点.     

基于可拓理论的刀具磨损状态评价方法的研究

基于物元模型的可拓学理论分析,提出了刀具磨损状态的可拓评价方法。利用与刀具磨损状态密切相关的敏感特征参数,构造经典域物元和节域物元,应用物元和可拓集合中的关联函数,建立了刀具磨损状态的可拓评价模型,通过可拓评价分析,获得了客观合理的评价结果。实例分析证明了可拓学理论用于刀具磨损状态评价的有效性和可靠性。     

二进制PSO算法在刀具磨损状态识别中的应用

特征选择是刀具磨损状态识别的重要问题之一。文章以端面铣刀为研究对象,提出了一种基于二进制粒子群算法的铣削力信号特征优选方法。该算法采用相关准则给定适应度函数,以此计算粒子适应值。通过二进制编码方式,寻找全局最优解作为最优特征构成特征子集。最后将优选的铣削力信号特征子集输入到三层BP神经网络进行模式识别。实验结果表明,二进制粒子群算法优选的铣削力信号特征子集可以提高刀具磨损状态识别精度和缩短识别时间。     

轴承磨削中砂轮磨损状态在线识别的试验研究

本文对在轴承磨削中利用磨削火花信号实现砂轮磨损状态在线辨识的可行性进行了试验研究。结果表明，磨削火花信号的各统计特征量与砂轮磨损状态的变化规律相似，利用磨削火花信号能够识别出砂轮磨损的不同状态，其中以信号为差最敏感。研究结果为在轴承磨削中实现砂轮磨损状态的在线监控，对砂轮进行视情修整提供了基础。     

轴承磨削中砂轮磨损状态在线识别的试验研究

本文对在轴承磨削中利用磨削火花信号实现砂轮磨损状态在线辨识的可行性进行了试验研究。结果表明,磨削火花信号的各统计特征量与砂轮磨损状态的变化规律相似,利用磨削火花信号能够识别出砂轮磨损的不同状态,其中以信号方差最敏感。研究结果为在轴承磨削中实现砂轮磨损状态的在线监控,对砂轮进行视情修整提供了基础。     

基于数字图像的刀具磨损状态检测技术

采用数字图像分割和亚像素边缘检测等图像处理技术自动测量刀具磨损边界的磨损量并与刀具磨钝标准比较,判断刀具的磨损状态,实现刀具磨损状态的间歇式在线自动检测。针对刀具的边缘特征,运用了中值滤波、对比度拉伸、迭代自适应二值化、基于分水岭分割、Roberts边缘算子、图像匹配、Zernike正交矩边缘检测和曲线拟合等数字图像处理技术,完成了刀具磨损量微米级的高精度检测。     

装备磨损状态在线评估系统开发研究

针对装备在运行过程中因磨损造成装备失效的问题,进行了基于油液监测技术的装备磨损状态在线评估系统的研究与开发。通过Java技术、Microsoft SQL数据库建立监测装备的磨损健康档案并确立油液分析方法,采用改进的GM（1,1）模型实现了对在线油液数据指标发展趋势的实时预测,对装备异常磨损状态评估及装备健康演化趋势预测具有重要意义。