遗传算法优化的模糊神经网络在刀具磨损诊断中的应用

针对刀具磨损监测时,采集的振动信号含有强烈的背景噪声,难以提取故障频率的问题,提出采用形态滤波消噪后进行经验模态分解来提取故障频率;同时,为了准确监测刀具的磨损状态,将提取的故障特征输入到遗传算法优化的模糊神经网络对刀具的磨损进行识别,模糊神经网络的基函数采用B样条基函数。传统的网络学习算法采用梯度下降法,这在学习过程中容易陷入局部最小,论文采用遗传算法寻求全局的最优解。实验表明,该方法能有效地应用于强噪声背景下的刀具磨损识别。     

基于径向基函数神经网络的发动机磨损预测分析

针对BP神经网络算法的不足,利用径向基函数(RBF)神经网络建立设备的磨损预测模型,对光谱分析数据进行实例仿真,并与BP网络模型进行对比研究.仿真结果表明,该模型预测精度高,训练时间短,大大优于BP神经网络模型.     

基于结构自适应径向基神经网络的油样光谱数据建模

基于光谱分析数据的机械磨损状态预测有利于发现机械系统的早期磨损故障。由于神经网络对于非线性模型的辨识和非平稳信号的预测，与传统预测模型相比具有明显的优势，将神经网络预测方法运用于光谱分析，提出了基于神经网络预测的光谱分析监测技术。在预测模型中采用了在函数逼近、分类能力和学习速度均优于BP网络的径向基函数（RBF）神经网络模型，针对RBF网络的结构对于信号预测或模型辨识的精度具有影响很大的问题，提出了结构自适应RBF网络预测模型。利用遗传算法，对神经网络输入节点数、径向基函数分布系数及网络训练误差进行了优化，得到了最优的RBF网络预测模型。最后，对某航空发动机实际的光谱分析数据进行了预测和分析，并与ARMA模型进行了比较，结果充分表明了文中方法的有效性和优越性。     

基于径向基神经网络的刀具寿命预测模型研究

通过分析总结影响刀具寿命的主要影响因素,建立铣削刀具加工参数与刀具寿命的径向基神经网络模型。训练模型使用了10组样本数据,以刀具直径、铣削速度、铣削宽度、铣削深度、进给量、刀具齿数作为网络输入参数,采用十折交叉验证方法对所构建模型进行验证,能够对刀具寿命进行较为准确的预测。与传统BP神经网络模型比较发现,径向基神经网络具有更好的预测精度和稳定性,是预测刀具寿命的一条有效途径。     

基于RBF神经网络和遗传算法的油膜附水滴切削参数优化

为了优化油膜附水滴切削工艺参数,降低切削力,减少刀具磨损和提高切削加工质量,结合神经网络和遗传算法,基于MATLAB软件对切削试验数据进行训练.通过构建径向基函数RBF和反向传播BP神经网络模型,并对切削力和表面粗糙度综合加权后综合目标进行预测.对比两种模型的精度后,选择更精确的RBF神经网络模型.利用遗传算法GA优化...     

基于本征模函数和广义回归网络的刀具声发射信号诊断

针对刀具加工声发射信号非平稳特点,提出基于本征模函数和广义回归神经网络的刀具切削声发射信号故障诊断方法。该方法对刀具声发射信号进行经验模态分解,抽取本征模函数,并计算各阶模函数能量分布,提取特征向量作为神经网络的输入,利用果蝇算法优化广义回归神经网络径向基函数分布系数。试验结果证明了该方法的有效性和稳定性。     

基于径向基函数神经网络的超分辨率图像重建

为了突破成像极限,经济可行地获取高质量的卫星图像,提出了一种基于径向基神经网络的超分辨率图像重建算法。以径向基神经网络为基础,依据卫星图像退化模型获取网络训练所需的学习样本图像,采用向量映射的方式加速网络收敛。其中,径向基函数的中心、宽度及网络的隐含层数、连接权值是决定径向基神经网络的关键参数,直接关系到网络的重建性能。采用最近邻聚类算法,动态地建立起基函数的中心及宽度,自适应地确定网络的隐含层数及连接权值。建立起的径向基函数神经网络显著地提高了图像重建性能和网络收敛速度(221s即可收敛)。仿真实验和泛化实验表明,训练好的径向基神经网络可以有效地进行卫星图像的超分辨率重建,效率高,误差小。     

基于AR模型和径向基神经网络的滚动轴承故障诊断

径向基函数(RBF)神经网络是一种三层前馈型非线性神经网络，它具有较强的函数逼近能力和分类能力。根据径向基函数神经网络的优点，在对滚动轴承正常和故障振动信号特征分析的基础上，提出了采用时间序列方法对其建立AR模型，利用AR模型特征参数建立径向基函数神经网络，并用该网络对滚动轴承的故障信号进行了诊断。理论和试验证明了该方法的有效性，且具有较高的诊断精度。     

高阶统计量与RBF网络结合用于齿轮故障分类

提出一种基于高阶统计量特征提取的径向基函数网络齿轮故障分类方法,以齿轮箱振动信号的高阶统计量估计值作为齿轮故障特征,以径向基函数神经网络作为分类器,成功地对齿轮故障进行了分类。研究表明,高阶统计量和径向基函数神经网络相结合的齿轮故障分类方法是有效的。     

基于奇异值分解的滚动轴承故障诊断的神经网络方法

径向基函数神经网络是一种三层前馈型神经网络,它具有较强的非线性函数逼近能力和分类能力.根据径向基函数神经网络的优点,在对滚动轴承振动信号故障特征分析的基础上,提出一种应用奇异值分解将高维相关变量转化为低维独立变量,并利用其特征值建立径向基函数神经网络的方法,同时将该网络用于对滚动轴承的故障诊断.理论和试验证明了该方法的有效性,且具有较高的故障分类精度.     

基于小波多分辨率分析和RBF神经网络的刀具磨损状态识别

刀具磨损监测对于提高加工过程的精度和自动化程度具有重要意义。本文提出一种基于RBF函数神经网络的刀具磨损状态监测模式。该系统利用声发射传感器对切削过程进行监测,采用多分辨率小波分解技术从声发射信号中提取反映刀具磨损的特征向量,并输入RBF神经网络,实现了刀具磨损的自动识别。     

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 CONDITION MONITORING USING ACOUSTIC EMISSION,SURFACE ROUGHNESS AND GROWING CELL STRUCTURES NEURAL NETWORK

The monitoring of tool wear is a most difficult task in the case of various metal-cutting processes. Artificial Neural Networks (ANN) has been used to estimate or classify certain wear parameters, using continuous acquisition of signals from multi-sensor systems. Most of the research has been concentrated on the use of supervised neural network types like multi-layer perceptron (MLP), using back-propagation algorithm and Radial Basis Function (RBF) network. In this article, a new constructive learning algorithm proposed by Fritzke, namely Growing Cell Structures (GCS) has been used for tool wear estimation in face milling operations, thereby monitoring the condition of the tool. GCS generates compact network architecture in less training time and performs well on new untrained data. The performance of this network has been compared with that of another constructive learning algorithm-based neural network, namely the Resource Allocation Network (RAN). For the sake of establishing the effectiveness of GCS, results obtained have been compared with those obtained using Multi Layer Perceptron (MLP), which is a standard and widely used neural network.     

基于RBF神经网络模型的司太立合金磨损量预测

司太立(Stellite)合金是一种能耐各种类型磨损、腐蚀以及高温氧化的硬质合金.为研究其磨损性能,以Stellite6为例,在自行设计的摩擦磨损机上进行室温干摩擦和润滑条件下的磨损实验.以实验数据为基础,建立该合金磨损量的RBF神经网络预测模型.结果表明:RBF神经网络预测模型具有较好的收敛效果和预测精度,具有良好的应用前景.     

基于BP和RBF神经网络的滚动轴承故障诊断比较

通过仿真实例,应用BP和RBF神经网络对滚动轴承的故障诊断进行了比较研究,结果表明,BP网络和RBF网络仿真效果都比较理想,但RBF网络构建简单,训练速度快且比较稳定,体现了RBF神经网络的优越性。     

基于RBF神经网络的虚拟轴机床末端刀具运动位姿实时检测研究

实现虚拟轴机床末端刀具位姿的实时检测目前仍然是虚拟轴机床在数控加工领域实现高精度控制和产业化的障碍之一。针对六自由度虚拟轴机床的末端刀具位姿检测进行研究。首先对虚拟轴机床进行运动学分析,然后以虚拟轴机床末端刀具的位姿逆解作为神经网络的训练样本,构建结构自适应确定的RBF神经网络,实现虚拟轴机床从关节变量空间到工作变量空间的映射,最后利用已训练好的RBF神经网络实现虚拟轴机床末端刀具位姿的实时检测。实验结果表明:利用该方法实现虚拟轴机床末端刀具运动位姿的检测不仅具有可行性,而且具有较高的检测精度,为虚拟轴机床末端刀具的直接闭环高精度控制奠定了基础。     

Pre-evaluation on surface profile in turning process based on cutting parameters

Traditional online or in-process surface profile (quality) evaluation (prediction) needs to integrate cutting parameters and several in-process factors (vibration, machine dynamics, tool wear, etc.) for high accuracy. However, it might result in high measuring cost and complexity, and moreover, the surface profile (quality) evaluation result can only be obtained after machining process. In this paper, an approach for surface profile pre-evaluation (prediction) in turning process using cutting parameters and radial basis function (RBF) neural networks is presented. The aim was to only use three cutting parameters to predict surface profile before machining process for a fast pre-evaluation on surface quality under different cutting parameters. The input parameters of RBF networks are cutting speed, depth of cut, and feed rate. The output parameters are FFT vector of surface profile as prediction (pre-evaluation) result. The RBF networks are trained with adaptive optimal training parameters related to cutting parameters and predict surface profile using the corresponding optimal network topology for each new cutting condition. It was found that a very good performance of surface profile prediction, in terms of agreement with experimental data, can be achieved before machining process with high accuracy, low cost, and high speed. Furthermore, a new group of training and testing data was also used to analyze the influence of tool wear on prediction accuracy.     

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。     

基于神经网络多传感器融合的刀具摩损定量监测的研究

研究了前馈神经网络（ＦＮＮ）的自构造型学习算法，提出了基于神经网络多传感器融合的一般结构及刀具磨损监测方法，讨论了多传感器的选择、多传感器信号的采集与预处理以及多传感器信号的特征选择与正规化处理，并就铣削过程的刀具磨损监测进行了实验研究，结果表明，所提出的方法可获得９３％的识别率。