基于连续高斯密度混合HMM的刀具磨损状态监测

针对端面铣刀磨损状态的识别问题,根据隐式马尔可夫模型(HMM)具有良好的模式分类能力,提出了基于连续高斯密度混合HMM(CHMM)的刀具磨损状态监测系统.以铣削力作为监测信号,应用小波包理论对铣削力信号进行分析和消噪处理,并提取信号的能量特征作为CHMM的输入向量,训练CHMM模型,再用训练好的模型对未知的刀具磨损状态进行监测与识别,实验结果表明该模型可以对刀具磨损状态进行准确的识别,且所需训练样本数较少,对刀具状态的智能监测具有很好的实际意义.     

基于小波分析的刀具磨损状态监测方法

为了实现车削过程刀具磨损状态的实时在线监测 ,使用离散二阶小波变换对切削过程声发射信号进行分解 ,以不同尺度下信号分量的均方根值组成的特征向量为样本 ,利用模糊模式识别技术实现对刀具磨损状态的在线识别 .实验表明 ,在选择适当的标准样本基础上 ,所提出的基于声发射信号小波分解的模糊模式识别方法能准确实现刀具磨损状态的正确识别 ,具有较高的可靠性和准确性 .     

数控机床刀具磨损监测与保护系统软件设计

为了提升刀具监测系统的准确性,提高数控机床无故障运行效率,促进加工过程无人化、自动化生产的发展,提出一种刀具维护保养系统软件的设计方法。该系统由在线刀具磨损状态监测和刀具保护系统两部分组成,两个系统可在局域网内实现相互通讯。通过修改机床的PLC程序,实现数控机床与刀具磨损状态监测系统之间的通讯,保证机床的加工数据实时地传输到监测设备,完成状态监测功能。刀具保护系统主要监控整个局域网中所有刀具监测系统的工作状态。以Qt作为软件开发框架对监测系统进行开发,并利用Android Studio开发刀具保护系统,然后进行加工试验验证。结果表明,当刀具磨损严重时,监测系统能够及时发出提醒,同时刀具保护系统也可以及时查看相应监测系统的最新信息。     

基于BP神经网络的立铣加工振动快速预估

结合研制的立铣加工过程虚拟仿真系统和实验测量铣削力信号,训练并建立优化的1-20-1型BP神经网络模型,快速实现铣削加工过程刀具-工件系统振动状态的预估.对比神经网络模型预估的振动结果与实验测量振动信号可以看出,二者数据吻合较好,表明铣削虚拟仿真系统与神经网络技术的结合能够高效低耗地用于不同铣削加工条件下铣削振动状态的快速预估和加工过程监测.     

基于机器视觉的加工刀具磨损监测方法

为了对加工过程中刀具的磨损状态进行监测,针对麻花钻的磨损形式,提出基于机器视觉的加工刀具磨损监测方法. 根据磨损刀具图像的灰度分布特点,提出基于积分图加速和Turky bi-weight核函数的非局部均值去噪方法;采用单、双阈值大津法获取磨损区域的灰度区间,实现对图像的自适应对比度增强;提出基于形态学重构方法的磨损区域局部极值点提取方法,有效完成对磨损区域的检测和边界提取. 该刀具磨损检测方法成功应用于麻花钻头磨损状态的监测过程,实验结果表明,相较于目前已有的机器视觉监测方法,所提出的方法具有更高的检测精度和效率,准确地提取磨损轮廓,从而有效实现对刀具磨损状态的监测和自动化监控加工过程,达到降低人工成本和产品不合格率的目的.     

基于改进型脉冲耦合神经网络的刀具磨损图像检测

脉冲耦合神经网络(Pulse Coupled Neural Networks,PCNN)图像分割法能很好将机械 加工中的刀具磨损区域分割出来,但分割出来的图像是二值图像,很难将刀体和背景区分开来 ,这样就难于达到对刀具及其磨损状态进行精确监测的目的,为了解决这一难题,文中提出了 改进的脉冲耦合神经网络分割算法,可成功分割出刀具磨损区、刀体和背景区域,通过对分割 后图像的分析与识别,可以实现对刀具磨损状态的检测.对车削加工中刀具不同磨损阶段的磨损图像进行分割的实验,证明了该算法的有效性.     

基于遗传算法和BP神经网络的盘形成形铣刀磨损状态预测

为提高数控成形铣齿生产率、降低成本和避免安全隐患,需要对刀具的磨损状态进行准确预测。首先基于电流监测法搭建了数控成形铣刀的磨损电流监测系统,然后确定BP神经网络中用于刀具磨损诊断的输入特征量和目标特征量,并应用Matlab软件对样本数据进行归一化处理和神经网络训练,最后利用遗传算法对BP神经网络模型进行优化。测试结果表明,刀具磨损状态预测率达92.78%以上,具有一定的工程应用价值。     

基于ARM&WinCE的刀具状态在线监测系统

为了获取高信噪比的刀具状态信号特征,结合嵌入式技术,构建了刀具状态在线监测系统。通过对声发射信号与刀具磨损状态的分析,验证了利用声发射信号进行刀具状态监测的可行性,给出了基于ARM&WinCE平台的刀具状态在线监测系统软硬件解决方案,并完成了数据处理与显示的应用软件设计与调试。     

基于流形学习与隐马尔可夫模型的刀具磨损状况识别

为了提高金属铣削过程中的刀具磨损状态识别的自动化程度与精度,提出了基于局部切空间排列(LTSA)方法与隐Markov模型(HMM)来识别刀具的不同磨损状态的方法。该方法首先利用小波分析技术对铣削过程中的切削进给方向力信号进行处理,构造了高维特征空间。然后使用基于流形学习方法实现了高维特征空间的维数约简。最终利用约简后的低维特征向量训练HMM,从而实现刀具磨损状态的识别。实验结果说明该方法能够有效地识别铣削过程的刀具磨损状态。与未经特征维数约简的识别方法相比,新方法能够提高刀具磨损状态的识别效率与准确率。     

基于电流信号的刀具磨损状态监测方法研究

为了降低因刀具失效而出现的工件报废和设备损坏的概率,进一步提高数控机床无故障运行效率,使用电流传感器采集变频器输入侧的电流,并利用三相畸变线电流计算其平均有效电流值。将平均有效电流值信号和传统RMS有效电流值信号分别进行时域、频域和时频域的分析,通过对比,验证本文所提出方法可以很好地对刀具磨损状态进行区分,证明其适用性。采用工控机主板、数据采集卡以及霍尔电流传感器等搭建硬件平台,以Qt作为软件开发框架,设计制作一套刀具磨损状态监测系统,并在数控加工中心进行试验验证。结果表明,所设计的监测系统能够在一定程度上反映刀具磨损状态并进行预警,该监测方法有效。     

基于遗传算法的神经网络油水层识别

文章研究了基于遗传算法的神经网络油水层识别方法,针对神经计算存在因输入信息空间维数较大而使网络结构复杂、训练时间长,以及因冗余属性使网络拟合精度不高等缺点,提出了基于粗集属性约简方法降低了输入信息的空间维数、减少了运算量和简化了神经网络的拓扑结构,利用遗传算法提高神经网络的训练速度。实验结果表明：将混合智能计算方法应用于油水层识别中效果显著,其学习训练速度和拟合精度远优于传统BP神经网络算法。     

刀具磨损监测设计与研究

为获取变切削条件下刀具磨损量，对刀具磨损补偿值进行了分析研究。在合理选择人工神经网络模型的基础上，建立了切削条件下铣削磨损监控系统。依据机床相关切削参数，运用了人工神经网络的方法对铣削数据进行处理，以实验方法研究了高速钢立铣刀后刀面磨损BP网络对铣刀的磨损量预报。实验表明：该模型适用于变切削条件下的铣刀磨损监控，可以较准确地监控铣刀的剧烈磨损。     

基于一维卷积神经网络的螺旋铣刀具磨损监测

基于传统机器学习的螺旋铣刀具磨损监测方法需要复杂的特征提取和丰富的经验知识,不同磨损阶段具有相同的错误分类代价,针对这些问题,结合电流信号一维性特点,提出基于一维卷积神经网络(1D CNN)和代价敏感学习的螺旋铣刀具磨损监测方法. 采集机器人螺旋铣末端执行器主轴、公转轴和进给轴电流作为监测信号,并采用滑动窗口法进行样本划分,在降低网络容量的同时增加样本数量和多样性;在网络损失函数中引入代价矩阵并增加急剧磨损阶段的错误分类代价,使得1D CNN具有代价敏感性;直接将电流时域信号输入1D CNN,网络可以自动提取刀具磨损特征,并将特征提取和不同磨损阶段分类融合在一起. 试验结果表明,在机器人螺旋铣系统中,该方法的刀具磨损监测准确率为99.29%,在急剧磨损阶段的查全率为99.60%.     

ART-2神经网络在机器人视觉特征识别中的应用

介绍了一种采用ART-2型神经网络技术对图像进行识别的方法,并进行了一系列实验.实验结果表明,基于神经网络的识别模型是一种比较理想的图像识别模型,基于ART-2神经网络的视觉系统能够很好的识别物体形状,具有良好的应用前景.     

基于神经网络融合的目标识别技术研究

采用人工神经网络和数据融合技术设计了一种图像识别分类器.采用单层感知机网络、BP网络、径向基网络对汽车目标的特征数据进行识别,最后分别运用多数投票、平均Bayes、专家委员会三种融合算法把对各网络识别结果进行融合,得出最终判别结果.仿真结果证明了融合分类器用于图像目标识别/分类的有效性和可行性.     

LVQ神经网络分类器在润滑油磨粒识别上的应用

论述了一种用计算机图象系统进行磨粒识别的方法。该系统采用ＬＶＱ神经网络作为分类器来识别润滑油中磨粒的表面结构，从而确定机器的工作状况。识别过程包括４个阶段：（１）获取磨粒的铁谱图像；（２）将图像进行数字化并表提取特征；（３）对从特征集中提取的训练数据进行学习；（４）对磨粒进行识别并且生成机器运行状况的结果报告。对内燃机的滑动和滚动的几类磨粒进行识别的结果表明，这种方法可成功地用于磨粒识别。     

Rapid prediction method for nonlinear expansion process of medical vascular stent

A neural network model with high nonlinear recognition capability was constructed to describe the relationship between the deformation impact factors and the deformation results of vascular stent.Then,using the weighted correction method with the attached momentum term,the network training algorithm was optimized by introducing learning factor η and momentum factor ψ,so the speed of the network training and the system robustness were enhanced.The network was trained by some practi-cal cases,and the statisti...     

CP神经网络在机械故障模式识别中的应用

机械设备状态监测与故障诊断技术是保证机械设备安全稳定运行的一项重要措施。由于机械设备结构越来越大型化和复杂化 ,依靠人自身的经验和能力难以判断其征兆与故障之间的关系。随着计算机技术在各个领域的应用 ,智能型的自动监测与诊断技术在机械设备中得到了广泛应用。根据几种典型神经网络特点 ,选择了CP神经网络作为机械故障模式识别器。以大型机组典型故障的频率域特征参数作为网络的训练样本 ,对CP网络进行了训练 ,再将实际的一组频率域特征参数输入到模式识别器中 ,对故障类型进行识别。结果表明 ,以CP神经网络构筑的故障模式识别器有很强的非线性映射能力 ,可对机械设备故障模式进行正确分类。     

用分组神经网络识别手写体数字

用神经网络识别手写体数字,大多数采用的是单个的神经网络结构.本文给出一个基于特征输入的手写体数字识别的分组神经网络结构,它是一个混合网络(Hybrid System).实验的结果表明,同只采用单个神经网络结构的方法相比,分组网络具有更好的识别结果.     

基于多神经网络分类器的军事目标识别方法研究

对军事目标类型的识别是军事信息处理中的一个重要环节.本文首先对军事目标进行特征提取,以矩和圆度两种不变矩特征向量作为神经网络的输入,分别采用了BP神经网络、自组织竞争网络、Hopfield网络对军事目标进行识别,最后采用了分类器多数投票法对识别结果进行融合,仿真实验结果表明采用多神经网络分类器融合的方法比单一神经网络识别率高,这对提高军事信息处理的准确性具有重要意义.