共查询到10条相似文献,搜索用时 15 毫秒
1.
2.
3.
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。 相似文献
4.
5.
在铁基纳米晶合金带材剪切加工过程中,其刀具的状态对于保证加工质量至关重要。针对铁基纳米晶合金带材剪切加工过程中的刀具磨损状态监测问题,提出了一种基于声发射信号的剪切刀具磨损在线监测方法。首先,通过搭建声发射监测设备确定了相应的参数,采集原始声发射信号进行了预处理,得到了剪切加工阶段的信号,将其用于后续处理;然后,分析了剪切刀具磨损以及带材质量随剪切加工过程变化的关系,并根据剪切加工过程中获取的声发射信号,进行了时域、频域、时频域特征提取,分析了获得的特征与刀具磨损之间的关系,利用ReliefF和主成分分析(PCA)算法进行了特征选择与降维处理,得到了具有良好相关性的特征;最后,基于所选特征,构建了支持向量机(SVM)人工智能模型,用以识别剪切刀具的磨损阶段。研究结果表明:随着刀具磨损的加剧,带材质量下降,声发射信号特征值与刀具磨损存在对应关系;采用ReliefF-PCA-SVM模型能够实现95.56%的分类准确率,能够有效地对剪切加工过程中的刀具磨损进行在线监测。 相似文献
6.
7.
基于云理论与LS-SVM的刀具磨损识别方法 总被引:1,自引:0,他引:1
针对刀具磨损过程中产生声发射信号的不确定性以及神经网络学习算法收敛速度慢、易陷入局部极小值、对特征要求较高等问题,提出了基于云理论和最小二乘支持向量机的刀具磨损状态识别方法。首先,对声发射信号进行小波包分解与重构,滤除干扰频段对求取特征参数的影响;其次,对重构后的信号利用逆向云算法提取云特征参数:期望、熵、超熵,分析刀具磨损声发射信号的云特性及磨损状态与云特征参数之间的关系;最后,将云特征参数组成特征向量送入最小二乘支持向量机进行识别。研究结果表明:所提取的特征可以很好地反映刀具的磨损状态,云-支持向量机方法可以有效地实现刀具磨损状态的识别,与传统神经网络识别方法相比具有更高的识别率,识别率达到96.67%。 相似文献
8.
9.