基于分形理论和神经网络的刀具磨损监测

提出了一种基于分形理论和神经网络的刀具磨损监测方法,从切削力动态分量中提取分形维数D、从切削力静态分量中提取切削力比R这两个特征量作为监测刀具磨损状态指标,并将这两个特征量及切削速度作为神经网络的输入.试验结果表明,该方法能有效识别刀具的磨损状态.     

基于卷积神经网络的刀具磨损在线监测

为了提高刀具磨损在线监测的精度和泛化性能,提出一种基于卷积神经网络的刀具磨损量在线监测模型。利用时域传感器信号对刀具磨损量进行定量分析,避免数据预处理带来的信息丢失;采用深度网络自适应地提取特征,取代传统的人工特征提取过程,并通过加深网络进一步挖掘信号中隐藏的微小特征。实验结果表明,该模型对刀具后刀面磨损量监测效果较好,可以有效避免人为特征提取的局限,精度和泛化性都有一定程度的提高。与相关研究的对比也证实了其可行性和有效性。     

基于B样条模糊神经网络的刀具磨损监测

刀具状态监测是实现自动化加工和无人化加工的关键技术。本文使用切削力和声发射传感器监测金属切削过程,提出了基于B样条模糊神经网络作为刀具磨损量监测模型。该模型能够准确描述刀具磨损和信号特征之间的非线性关系,和常用的BP前馈神经网络相比,具有收敛速度快和局部学习能力等优点。试验结果表明:采用B样条模糊神经网络对提高刀具磨损在线监测的准确度和可靠度非常有效。     

基于切削力信号时域频域特征融合的刀具磨损监测

从时域、频域提取了切削力信号特征参数随着刀具磨损量增加的变化规律,提取了切削力信号的峰值因子、Kurtosis系数和频段带能量作为刀具磨损量监测特征参数,并将各个特征量构成的特征矢量输入改进的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,该方法具有较高的识别精度和较强的抗干扰能力。     

模糊神经网络在刀具磨损检测中的应用

建立了一个以模糊推理为基础的模糊神经网络模型，该模型采用了自组织竞争学习与BP算法相结合的混合学习算法。利用该模型进行了刀具磨损识别的实验研究，实验结果表明该模型能够可靠地对刀具磨损进行识别。     

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。     

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。     

特征降维与决策融合在刀具磨损监测中的应用

声发射技术是刀具磨损状态监测的有效检测方法。针对目前对刀具声发射信号难以实现识别分辨率和计算速率兼容的问题,提出关于刀具磨损状态识别建模的新方法。首先对信号进行小波包特征抽取,并通过核主分量分析对其进行优化。接着在两种神经网络识别结果的基础上,提出基于支持向量机的决策融合算法,从而避免了经典决策融合算法在实际应用中的问题。实验数据证明,该模型能有效提高刀具磨损状态的识别分辨率,且不影响运算的在线性。     

基于粗糙集神经网络的刀具磨损监测的研究

针对多传感器刀具磨损监测系统输入维数较多、神经网络结构复杂、收敛速度慢等缺点,提出了粗糙集和遗传算法优化神经网络的模型.该模型首先利用粗糙集理论的属性约简对输入数据进行处理,从而达到减少神经网络输入维数、简化神经网络结构的目的.然后通过遗传算法优化神经网络的初始权值和阈值,以提高神经网络的收敛速度,避免神经网络陷入局部极值点.将该模型应用到刀具磨损监测,通过对声发射信号和电流信号进行处理,提取特征向量值,将特征值先通过自组织神经网络进行连续属性离散化,再通过粗糙集理论进行属性约简,最后通过遗传算法优化的BP神经网络进行识别,取得了很好的效果,证明了此模型的有效性和可行性.     

基于小波包和BP神经网络的刀具磨损状态识别

刀具磨损状态影响金属切削过程,因此监测刀具磨损状态对提高产品质量有着重要的意义。设计刀具磨损状态监测系统,利用传感器采集刀具振动信号,通过小波包对振动信号进行数据分析,并把不同频段的能量值作为刀具磨损状态的特征值,建立BP神经网络,从而在刀具磨损状态和振动信号特征向量之间建立映射关系,完成刀具磨损状态的监测。利用C++Builder和Matlab软件混合编程实现了系统的功能。试验表明,系统运行良好,能够对刀具磨损状态进行正确识别。     

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.     

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.     

基于人工神经网络的刀具状态监测系统

在自动化制造业生产中,刀具状态的监测具有十分重要的意义。在充分考虑对刀具状态密切相关的敏感特征参数的基础上,利用人工神经网络模型实现了刀具状态的监测。试验表明,该系统的错报率为6.3%,可有效地应用到工程实际中。最后,对系统的误差进行分析并提出了改进的方向。     

基于蜂群算法的汽车悬架参数优化设计

针对汽车悬架系统参数选取的不足,综合局部精英策略局部搜索能力强和人工蜂群算法全局搜索效率高的优点,提出基于局部精英策略人工蜂群算法确定其参数的优化方法。利用Matlab/Simulink仿真软件,以积分白噪声模型作为路面输入模型,对悬架系统进行仿真研究。仿真结果表明,局部精英策略人工蜂群算法相对传统算法和人工蜂群算法具有一定的优越性,通过对汽车悬架系统参数的优化可改善汽车的行驶平顺性和操纵稳定性。     

THE ADAPTABILITY OF A TOOL WEAR MONITORING SYSTEM UNDER CHANGING CUTTING CONDITIONS

The process of metal cutting is a complex phenomenon that has been researched for many years but the aim of practical cutting tool condition monitoring has yet to be achieved. Previous work by the current authors using two neural networks (to classify acquired data) moderated by an Expert System (based on Taylor's tool life equation) has shown that it is possible to accurately monitor tool wear with a single machine/tool/material/cutting condition combination and to identify any inconsistencies between the predictions of the neural networks and engineering practice. This paper investigates the effects that minor inconsistencies in cutting conditions might have on such a system by determining the ‘zone of influence’ of this working system by systematically varying the cutting conditions whilst keeping all other variables fixed. The investigation has found that the zone of influence is small but usable, and an approach to the utilisation of the system in a machine shop is suggested.     

基于进化神经网络的电火花铣削加工电极损耗预测

针对电火花铣削加工的时变非线性特性,提出基于神经网络的电火花铣削加工电极损耗预测模型,利用该网络预测加工速度和工具的相对损耗,从而可在加工中实时计算出工具实际损耗量,为实现电极损耗的在线动态补偿打下基础。针对神经网络传统训练算法-BP算法的不足,提出了一种自适应调节变异率和变异量的进化算法来优化网络权值和网络结构,提高了网络的逼近精度和进化速度。     

基于ART人工神经网络的焊缝跟踪检测算法

提出一种基于自适应共振理论（Adaptive Resonance Theory）神经网络的焊缝检测算法,其基本原理是把焊缝横截面方向上的灰度分布归结为若干种空间模式,并使之记忆在ART神经网络中的典型空间模式进行匹配程度检验,根据模式分布情况确定出焊缝位置。它是一种能够在强烈的噪声环境中正确地检测出焊缝位置的新的焊缝检测算法。本算法也为在强噪声环境中检测特定的空间模式提供了一条新思路。     

FUZZY RADIAL BASIS FUNCTION (FRBF) NETWORK BASED TOOL CONDITION MONITORING SYSTEM USING VIBRATION SIGNALS

Thriving automation in industries leads to more research on the tool condition monitoring systems for better accuracy and fast recognition/evaluation of tool wear. Research on the applicability of the new advances in the soft-computing as well as in the signal processing fields is the inevitable consequence. In this work, a new soft-computing modeling technique, fuzzy radial basis function (FRBF) network has been applied to the prediction of drill wear using the vibration signal features. This work presents the wear prediction performance comparison of this new model with three other already tried and established soft-computing models, such as back propagation neural network (BPNN), radial basis function network (RBF) and normalized radial basis function network (NRBF), for both time-domain as well as wavelet packet approaches of feature extraction. Experimental results show that FRBF model with wavelet packet approach produces the best performance of predicting flank wear.     

TOOL WEAR PREDICTION FROM ACOUSTIC EMISSION AND SURFACE CHARACTERISTICS VIA AN ARTIFICIAL NEURAL NETWORK

We examine the application of an artificial neural network to classification of tool wear states in face milling. The input features were derived from measurements of acoustic emission during machining and topography of the machined surfaces. Five input features were applied to the back-propagating neural network to predict a wear state of light, medium or heavy wear. We present results from milling experiments with multi- and single-point cutting and compare the neural network predictions with observed cutting insert wear states.