基于振动和声发射信号的截齿磨损程度识别研究

为实现采煤机截齿截割过程中磨损程度的在线监测和识别,提出一种基于RBF(Radical Basis Function)神经网络的截齿磨损程度多特征信号监测方法。提取截割过程中不同磨损程度截齿的振动和声发射特征信号,分别分析振动和声发射信号的峰值、时域图方差和频域图均方根值这6个特征参数,获取振动信号、声发射信号与不同磨损程度截齿的变化规律。建立5种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RBF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:随着截齿磨损程度的加剧,截齿振动和声发射时域信号中信号峰值和方差均呈增大的趋势;振动和声发射的频域信号中频谱图均方根也呈现逐渐增大的趋势;基于RBF神经网络的截齿磨损程度监测系统的网络判别结果和测试样本的实际磨损程度类别相符,该RBF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。     

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。     

基于铣削力与神经网络刀具磨损状态识别研究

以铣削难加工材料——高锰钢加工过程为研究对象。建立了以铣削力作为监测信号的铣刀磨损监测实验系统。应用小波包理论对铣削力信号进行分析和消噪处理。并提取了信号的能量特征作为神经网络的输入向量。基于神经网络极强的非线性映射能力及分类能力。选用小波包分析与BP网络结合的方式对刀具磨损状态进行识别。建立了模式识别BP网络结构,构造了网络训练样本及测试样本。对网络进行了训练、仿真及验证测试,结果表明该网络能够对刀具磨损状态进行准确的识别。对刀具的在线监测具有良好的现实意义。     

基于主轴电流信号多特征融合的刀具磨损状态监测

为实现在正常生产条件下进行刀具磨损的长期在线监测,提出了基于主轴电流信号和粒子群优化支持向量机模型(PSO-SVM)的刀具磨损状态间接监测方法。首先对数控机床主轴电机电流信号进行分析,将与刀具磨损相关的主轴电流信号多个特征参数和EMD能量熵进行特征融合作为输入特征向量;其次,通过粒子群寻优算法(PSO)对支持向量机模型(SVM)参数进行优化,建立基于主轴电流信号融合特征和PSO-SVM理论的刀具磨损状态识别模型;最后,通过实验采集某立式加工中心主轴在刀具不同磨损状态下电流信号进行验证,并与传统SVM模型、BP神经网络模型进行了对比分析。结果表明,所提出的方法具有较高的准确率和较好的泛化能力。能够实现正常生产条件下对刀具磨损的长期在线监测。     

基于声发射信号的蜗轮磨损程度在线监测

为实现对蜗轮蜗杆减速器工作过程中蜗轮磨损程度的精确监测,利用多通道声发射检测仪器对不同磨损程度的蜗轮声发射信号进行在线采集。采用小波分析方法对信号进行去噪处理,提取声发射特征信号值,根据最小模糊熵优化模型构造出不同磨损程度蜗轮的模糊隶属度函数。采用ANFIS多维模糊神经网络实现多通道声发射信号的决策融合,提高了蜗轮磨损程度识别结果的准确性。通过对随机磨损程度的蜗轮进行实际验证,实验结果验证了系统的有效性和可靠性。     

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。     

工况信息融合的神经网络刀具监控方法研究

基于加工过程中刀具产生的动态信号,利用BP神经网络多输入、多输出和非线性映射的特性,通过融合多种加工特征信号,建立了切削参数与加工动态过程之间的关系模型,实现了刀具在线加工状况的检测与预报。仿真结果表明,基于工况信息融合的神经网络刀具监控方法不但可以减少加工参数变化对刀具状态检测的影响,而且提高了在线检测刀具磨损量的精确度,验证了该方法的有效性。     

基于人工神经网络的变切削条件下钻头磨损监控

基于人工神经网络变切削条件下的钻头磨损监控系统，以机床主轴和进给轴的电机功率（电流）信号的为监控信号，并通过机床的速度向量识别机床的加工状态；通用对监控信号的提取和预处理，得到人工神经网络模型的输入（有效切削功率和切削用量）用３层ＢＰ网络对钻头的磨损量进行预报。     

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BP神经网络的电缆沟监控模式识别方法

为了减少电缆沟盲目施工与偷盗等因素造成的损失和影响,引入一种智能的线路监控技术。该技术基于分布式光纤传感技术,利用BP神经网络对光纤传感器的四种常见的扰动信号进行模式识别。通过将光纤传感器得到的时域扰动信号用特定的程序处理后转换成图像,再经特定的图像处理流程后形成模式识别的样本。利用这些样本训练BP神经网络,并将训练好的模型应用到实际的电缆沟安全监控系统中进行测试。测试结果表明,电缆沟的总体识别成功率为98.16%,该识别方法还可以应用于光纤周界安防系统等领域。     

[设备健康管理]基于机床信息的加工过程刀具磨损状态在线监测

为实现刀具磨损状态的在线监测,提高监测系统的实用性,提出一种基于机床信息的加工过程刀具磨损状态在线监测方法。采用OPC UA通信技术在线采集与存储数控机床信息,得到与磨损相关的机床内部过程信息,并基于这类信息与相应的刀具磨损信息,利用卷积神经网络建立了刀具磨损状态识别模型。应用案例证明了该方法的监测性能,与其他传统监测方法相比,该方法更适用于实际的生产加工。     

基于切削声音的刀具磨损状态识别研究

人工神经网络可以实现多特征信息的融合,将基于BP神经网络,建立各频率段能量百分比与刀具磨损的映射关系,进行刀具磨损状态识别的研究。最后在Labview环境下调用Matlab神经网络程序,初步实现了刀具磨损的识别。