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。     

基于小波包分析和LS-SVM的钻削刀具状态识别研究

为了有效地识别钻削刀具磨损状态,提出一种基于小波包分析和最小二乘支持向量机(LS-SVM)的状态识别方法。通过在线监测钻削加工过程中的钻削轴向力和刀具状态,采用时域分析、频域分析以及小波包分析法对刀具磨损状态的信号进行特征向量提取,建立基于最小二乘支持向量机(LS-SVM)的分类识别模型。通过试验验证了该方法可以提高刀具磨损状态的识别精度。     

支持向量机刀具磨损预测模型及MATLAB仿真

针对刀具使用时加工参数多变的实际情况,提出使用最小二乘支持向量机（LS—SVM）建立模型并对刀具磨损进行预测：首先引入最小二乘支持向量机建立刀具磨损模型,然后针对具体实验数据,采用交叉验证的办法,选取优化的核参数。实验和仿真结果表明：该模型可以有效地学习刀具磨损中的非线性关系,刀具磨损的预测精度较高。因此该模型可以用作对实际加工中的刀具磨损进行有效预测,并为切削参数的实际选择提供依据。     

复合材料钻削表面粗糙度在线监测与加工参数自适应优化

针对碳纤维复合材料钻孔加工过程中无法实现加工质量与效率统一以及离线优化得到的钻削参数没有考虑变参数刀具磨损等不确定因素影响问题,提出一种新的粗糙度在线监测与加工参数自适应优化方法。采用一组新的无量纲特征以实现变参数刀具磨损监测;以刀具磨损状态值、进给速度以及主轴转速构成特征向量,进而建立基于支持向量回归的孔壁粗糙度在线监测模型。当监测系统判定孔壁粗糙度不合格时,利用模拟退火算法在当前刀具磨损状态下进行钻削参数优化。利用复合材料变参数钻削试验来验证上述方法的有效性。试验结果表明,该方法能够准确判定粗糙度的质量状态,同时有效实现钻削参数自适应优化,解决了复合材料制孔过程中加工质量与效率统一的问题。     

基于混沌时序分析方法与支持向量机的刀具磨损状态识别

为了表征、获取与识别刀具的磨损状态,提出一种基于混沌时序分析方法与支持向量机的刀具磨损状态识别方法。该方法利用混沌时序分析方法重构了刀具声发射信号的相空间,并提取了嵌入维数与Lyapunov系数建立了特征空间。使用支持向量机作为分类器,实现了刀具磨损状态的识别。实验证明,在小样本学习情况下,基于混沌时序分析方法与支持向量机的刀具磨损状态识别方法具有良好的学习能力,获得了较高的识别准确率。     

特征融合与GA-SVM在刀具状态监测中的应用研究

为保证监测的准确性,刀具监控系统往往采用多个传感器进行监测并采集数据,导致监测成本的增加。通过对一个传感器的信号数据建立多个信号处理模型,将多个模型的特征进行融合,深度挖掘信号中所蕴含有关刀具磨损的敏感特征,提高监测的准确性,降低成本;同时针对将融合所得特征输入支持向量机(SVM)进行刀具磨损状态的识别时,常需要反复调整惩罚参数c和核函数g的问题,采用遗传算法(GA)对惩罚参数c和核函数g进行优化,减少了SVM模型的搭建时间,提高了SVM的识别准确率。     

LS-SVM回归算法在刀具磨损量预测中的应用

提出了基于最小二乘支持向量机回归算法的刀具磨损量预测方法。该方法首先利用经验模态分解算法对非线性、非平稳的声发射信号进行平稳化处理,得到了若干个固有模态函数;然后建立了每个固有模态函数的自回归模型,并提取模型系数构造特征向量;最后采用最小二乘支持向量机回归算法实现了刀具磨损量的预测。该方法与神经网络预测算法相比,具有更高的预测准确率,可有效预测当前切削状态下10s后的刀具磨损量。     

基于粒子群优化的螺纹刀具磨损状态监测模型

螺纹刀具的状态监测是制造加工中非常重要的问题.由于刀具振动信号具有复杂非线性、强耦合等关系,常用的基于支持向量机(SVM)的刀具监测模型由于参数的设置极其依赖人为经验,设置不当会导致监测的识别率不高,在刀具磨损状态判别中收到了限制.针对此难题,依据螺纹刀具的振动特性,结合改进的粒子群算法(PSO),采用异步更新学习因子...     

基于切削声信号与优化SVM的刀具磨损状态监测

提出了一种利用切削声实现刀具磨损状态多特征监测的方法。根据经验模态分解与Hilbert变换理论,提取切削声信号的内禀模态能量与不同频段的Hilbert谱能量作为监测信号的备选特征。采用支持向量机作为分类器,针对备选特征的有效筛选问题,利用多种群遗传算法对分类器的输入特征进行了优化,剔除备选特征中的干扰特征,利用多种群遗传算法对分类器的模型参数进行了优化。利用优化后的分类器对测试样本进行分类,并与优化前的分类结果进行了对比。结果表明,优化后分类器的分类性能得到了明显提升,该方法可以对刀具磨损状态进行有效识别。     

不完备先验知识下的刀具磨损状态评估方法研究

在实际切削加工中刀具磨损的全状态先验知识获取困难,而刀具磨钝状态下的先验知识则较易获取。针对这种不完备先验知识情况,以切削力为监测信号,提出基于连续隐马尔可夫模型(CHMM)的刀具磨损状态评估技术。应用小波包分解技术提取信号特征信息,利用刀具磨钝状态下的先验归一化特征信息建立CHMM监测模型;根据刀具未知状态特性向量与监测模型间的对数似然度获取刀具性能指标,实现刀具磨损状态评价。铣刀全寿命磨损实验表明:该方法能在仅具备磨钝状态先验知识情况下,实现对刀具的磨损状态的初步评估,且所需样本数较少,训练速度快。     

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SSA算法优化SVM的发动机润滑油信息状态评估

润滑油信息能够有效反映装甲车辆发动机的健康状态,对车辆发动机状态评估十分重要。以某型装甲车辆发动机为研究对象,提出一种基于麻雀搜索算法(Sparrow Search Algorithm, SSA)优化支持向量机(Support Vector Machine, SVM)的发动机状态评估算法。该算法首先对润滑油原始数据进行去噪及归一化处理,然后使用麻雀搜索算法优化支持向量机的核参数与惩罚参数,最后利用寻优后的参数建立评估模型。实验结果表明,采用麻雀搜索算法优化的支持向量机分类准确率高达96.67%,能够有效对发动机状态进行评估,为装甲车辆发动机的换油以及维修提供依据。     

声发射熵分析刀具磨损故障预测研究

刀具在加工过程中不断磨损,直接影响构件的加工精度。根据采集的刀具声发射信号,分析声发射序列熵值在不同切削阶段的概率分布特征,建立一种基于刀具磨损状态的重心熵值的阈值检测方法。同时采用最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)建立声发射序列的熵值预测模型,结合熵值检测实现刀具磨损状态的高精度监测。仿真结果表明:采用最小二乘支持向量机预测熵值能够达到较高的预测精度;刀具的阈值检测,能够及时发现刀具的磨损故障,提高加工效率;二者结合,能够满足实际生产加工需要。     

基于灰色支持向量机的液压泵寿命预测方法

针对单方法所建液压泵寿命预测模型精度较低的缺陷,提出基于灰色理论和支持向量机的组合预测模型的液压泵寿命预测方法.该方法通过灰色累加生成操作对原始序列进行数据处理,以增强数据的规律性;运用最小最终误差预测准则确定嵌入维数,选择模型的参数;采用支持向量机进行预测,利用灰色累减生成操作还原数据,得到预测结果.选取液压油的光谱分析数据作为液压泵的寿命特征信息,采用该模型对液压泵进行寿命预测,并与灰色模型、单一支持向量机模型进行预测性能对比.结果表明,灰色支持向量机预测性能最优,精度达到99.37％,为液压泵性能评估和寿命预测提供一种更为有效的方法.     

基于增量自适应支持向量机的AFM尖端磨损识别

为了提高纳米加工刀具磨损状态在线监测的精度与泛化能力，提出一种基于增量自适应支持向量机的基于原子力显微镜(AFM)尖端磨损识别方法。该方法以横向力的峰-峰值和方差作为特征变量，通过移动视窗获取增量数据；以维持Kuhn-Tucher定理所要求的最优化条件为准则，在当前支持向量机解结构基础上自适应修改正则化参数C和核参数σ,以获得更新支持向量机结构，并对增量数据及受其扰动的原数据进行分类；根据尖端失效点数量走势，判定尖端磨损程度。实验证明该算法在识别精度与时间上可满足在线检测要求。与定向非循环图支持向量分类器对比，该算法具有更强的鲁棒性与更高的泛化能力。     

基于多维度排列熵与支持向量机的轴承早期故障诊断方法

针对许多现有方法无法有效诊断滚动轴承早期故障的问题,引入排列熵的方法对轴承振动信号进行早期故障分析。通过研究嵌入维数和延迟时间对信号排列熵的影响,提出多维度排列熵的特征提取方法。利用多维度排列熵方法所提取的特征,建立了基于支持向量机的轴承早期故障智能诊断模型。对轴承不同类型、不同程度的故障数据进行分析,证明了多维度排列熵方法可以有效提取轴承不同状态的特征信息,与支持向量机结合的智能诊断模型可以精确地诊断轴承不同类型的早期故障,具有很强的通用性;该模型在贫样本的情况下,依然具有很高的诊断精度,适用于滚动轴承早期故障状态的在线监测。     

基于支持向量机的软测量方法在火电厂节能监测中的应用

针对国内火电厂热工过程中传统的测量方法不易测量参数的困难,探讨研究了软测量方法在火电厂节能监测中的最新进展与应用.提出了基于支持向量机的软测量方法.支持向量机是新的机器学习方法,较好地解决了小样本、非线性、高维数、局部极小点等实际问题.以其为依据建立了烟气含氧量的软测量模型,并将模型用于烟气含氧量的预估,结果证明支持向量机是软测量建模非常有效的方法.     

小波包分析和支持向量机在刀具故障诊断中的应用

利用小波包分析技术适于对非平稳信号进行特征提取和支持向量机在小样本情况下具有较强分类能力的特点,提出了一种基于小波包分析和支持向量机相结合进行刀具切削故障诊断的方法.该方法采用小波包分析对其提取特征向量,利用支持向量机故障分类器实现对刀具切削故障分类.试验结果表明,小波包分析和支持向量机能对刀具故障进行有效诊断,故障预报正确率为90%.     

归一化变尺度随机共振的刀具状态监测

针对传统时频域检测方法不能有效检测出刀具急剧磨损初期微弱特征信息的问题,提出一种归一化变尺度随机共振监测刀具状态的新方法。该方法通过换元将经典双稳态随机共振系统模型变化为归一化形式,变化之后的随机共振(Stochastic resonance,SR)方法把混合信号进行放大,使得SR方法适用于大参数系统,通过仿真验证了该方法的可行性。并使用该方法对刀具进行实时监测,成功检测出了以主轴基频和立铣刀转频为特征的刀具磨损信息,表明了归一化变尺度随机共振在刀具状态监测中的实用性和有效性。     

基于多重分形与CPSO-SVM的车辆传动箱状态识别研究

针对车辆传动箱振动信号的非线性,提出一种将多重分形与支持向量机相结合的状态识别方法。运用奇异谱和广义维数来描述其振动信号特征,并将其作为支持向量机的输入特征量。将改进的混沌粒子群算法引入到支持向量机参数优化中,实现对惩罚函数c和径向基函数σ的智能优化选取。实验结果表明,该方法建立的SVM分类模型能够对车辆传动箱不同运行状态进行分类,并且具有更高的准确率。