基于主成分分析和BP神经网络的微铣刀磨损在线监测

为提高微铣刀磨损在线监测系统的预测精度,尝试通过主成分分析法对微铣削振动信号的时域和频域特征进行降维,将降维后的特征输入改进型BP神经网络模型,实现微铣刀磨损特征分类.结果表明,提出的微铣刀在线监测方法能够准确识别微铣刀的各种磨损状态,此外,和其它分类算法相比,提出的基于遗传算法的BP神经网络模型在分类精度和计算效率方...     

基于迁移学习与残差网络的刀具磨损状态监测

针对现有基于深度学习的刀具磨损状态监测方法训练样本少、识别精度低的问题，建立基于迁移学习（TL）与深度残差网络(ResNet)的铣刀磨损状态监测模型。将刀具加工过程中的振动监测信号通过连续小波变换转换成能量时频图，作为网络模型的输入；将在ImageNet数据集上训练的ResNet50模型作为预训练模型，通过迁移学习的方法，应用到刀具磨损状态监测领域当中。实例验证表明:TL-ResNet模型的平均识别准确率达到98.52%，实现了刀具不同磨损状态下的智能识别，有效提高了刀具磨损状态监测的准确性和稳定性。     

CNC铣刀磨损状态的大数据分析与预测方法研究

为在铣切加工过程中预测铣刀的磨损状态以及时发现并更换将要磨钝的铣刀,以保障产品质量,运用传感器采集CNC铣床在加工过程中铣床及铣刀的振动信号数据,应用大数据方法研究CNC铣刀磨损状态的分析和预测方法。为保证铣刀磨损状态的识别精度、识别稳定性和分析模型的鲁棒性,采用小波包分解理论对铣床x、y、z三向振动信号数据进行降噪处理,提取时域特征和能量特征,筛选出与磨损状态相关性较大的34个特征。应用XGBoost算法建立铣刀磨损状态的数据分析模型,使用宏平均值评估模型性能,结合SMOTE技术对特征向量进行过采样,使各磨损状态类别样本均衡。借助公开的球头铣刀加工数据集对所提方法进行验证,实验结果表明：利用XGBoost算法能正确分析铣刀磨损状态的数据,能识别出铣刀磨损预警阶段。XGBoost算法的预测精度高、稳定性好、泛化能力强,易应用于工业大数据领域     

基于切削声和切削力参数融合的刀具磨损状态监测

针对单一传感器监测刀具磨损状态存在的不足,提出了将声传感方式和力传感方式综合利用,以人工神经网络作为多传感器信息融合的方法.在立式数控加工中心上铣削加工45<'#>钢调质试件,利用驻极体传声器和Kistler测力仪检测与刀具磨损相关的特征量,得出铣削声信号特征量LPCC的第6、7、8阶分量,X、Y向切削力以及绕z轴的力矩与刀具磨损密切相关.以这6个特征量作为神经网络的输入信号,利用有动量的梯度下降的BP算法建立了刀具磨损状态监测的多参数融合模型.研究结果表明神经网络输出值与实际测量值基本相符合,切削声和切削力特征融合后提高了识别刀具磨损程度的准确性和稳定性.     

结合时空特征的多传感器刀具磨损监测

针对传统深度学习方法监测刀具磨损状况时,相关特征提取繁琐,数据隐含信息提取不全面导致识别精度较低等问题,提出了结合时空特征的多传感器刀具磨损监测模型。首先,将不同传感器采集的波形信号经简单预处理后作为输入,再使用多通道1D卷积神经网络(MC-1DCNN)提取输入数据的空间特征;然后,利用双向长短时记忆网络(BiLSTM)提取时序特征;最终,由全连接层和Softmax层对特征进行分类。仿真结果表明,监测模型流程简单、识别准确率高,具备较强的可适用性。     

基于AR模型的铣刀磨损诊断

传统的铣刀磨损故障诊断大多采用小波分析结合神经网络的方法,该方法的缺点是算法复杂,计算量大,很难实现铣刀磨损的在线识别并对其进行反馈控制。本文引入自回归（AR）模型来表征刀具切削过程的正常工作状态,用Levinson-Durbin递归算法求解Yule—Waker方程获得AR模型的系数。将建立的AR模型作为线性滤波器处理其它各种状态铣刀振动信号,获得预测误差信号,之后对预测误差信号进行各种统计特征分析。试验结果表明,预测误差信号的方差是有效的与刀具磨损相关的指标,可以用来在线识别加工过程铣刀磨损状态。     

完备变分模态分解和多传感器卷积神经网络的轴承故障诊断方法

针对传统滚动轴承故障诊断方法难以提取和辨识故障特征等问题,提出一种完备变分模态分解（CVMD）和工业多传感器卷积神经网络（MSCNN）相结合的轴承故障识别模型。在采集到的滚动轴承故障振动数据中加入2对符号相反但幅值相等的白噪声,并使用变分模态分解将故障振动数据分解为若干本征模态分量（IMFs）并进行集成平均;利用综合指标选择合适的IMFs分量并重构;针对多传感器结构,在卷积神经网络的基础上,提出MSCNN网络,并将重构后的振动信号输入MSCNN进行自动特征学习与故障诊断。结果表明：所提出的CVMD-MSCNN模型的故障诊断准确率达99.76%,标准差为0.16,相比于其他深度学习方法,其诊断准确率和稳定性较优。     

基于粗糙集和BP神经网络的刀具状态监测

在刀具磨损状态监测中,能够提取到的反映不同刀具磨损状态的特征量较大,基于神经网络的状态识别无法去掉冗余特征,会存在训练时间长和准确率降低等问题。针对这些问题,提出基于粗糙集-BP神经网络的刀具磨损状态监测方法,利用粗糙集对特征进行属性约简,去掉冗余信息,从而优化特征,并且减少神经网络的输入端数据,可以缩短神经网络的训练时间和提高识别的准确率。通过对实测刀具数据进行分析,证明了该方法的有效性。     

基于BP神经网络和D-S证据理论的刀具磨损监测方法

将BP神经网络和D-S证据理论相结合的方法运用于刀具磨损监测中,采用小波包分解法对刀具磨损过程中产生的声发射信号进行特征提取,构建特征向量,利用BP神经网络识别判断刀具磨损状态;通过BP神经网络的输出结果和训练误差计算D-S证据理论的基本概率赋值,并用D-S证据理论对BP神经网络的识别结果进行决策级融合。实验结果表明:该方法避免了神经网络识别时的误诊,提高了整个刀具磨损监测系统识别的准确性和可靠性。     

基于声发射的铣刀破损信号特征的提取与优化

铣刀破损监测对实现加工自动化具有重要的意义.提出了基于小波变换的铣刀声发射破损特征提取与优化方法.首先,采用小波变换对铣刀声发射信号进行多分辨率分解,然后提取各频段子信号的能量比作为刀具破损监测的特征量.通过对正常切削、随机冲击和刀具破损这三类信号的比较分析,证明了该特征提取方法能够有效地反映刀具状态.最后,通过正交统计,分析了切削速度、进给速度和切削深度对特征量的影响,并对特征量进行优化.     

基于改进LSTM-AdaBoost的铣刀磨损量预测

针对铣刀磨损量预测时精度低的问题,提出一种基于黑寡妇算法（BWO）优化的长短期记忆神经网络（LSTM）与AdaBoost集成学习算法相结合的铣刀磨损量预测方法。在铣刀磨损振动信号中提取时域、频域以及时频域多域特征。通过BWO算法优化LSTM的核心参数,并将优化后的LSTM网络与AdaBoost算法进行结合,构建铣刀磨损量预测模型。最后用PHM Society 2010铣刀全寿命周期的振动数据进行实验。研究结果表明：所提方法能够有效地预测出铣刀磨损量变化值,优化后模型的平均绝对误差百分比为3.436%、均方根误差为6.471、决定系数 R2 为0.935。该方法能够获得准确率更高的铣刀磨损量预测值,预测效率更高。     

基于BP和RBF神经网络的表面质量预测研究

目的 研究RBF和BP神经网络在铣削加工中的作用,实现对铣削加工质量的预测,改善铣削性能。方法 对环形铣刀与常用的球形铣刀进行对比,然后基于MATLAB平台,建立以铣削速度、进给量和铣削深度为输入参数,表面粗糙度为输出参数的RBF神经网络模型。通过大量的试验数据对RBF神经网络模型进行训练,然后再用训练好的RBF神经网络模型预测表面粗糙度,将预测值与实测值进行比较,验证RBF神经网络的预测性能。将训练好的BP神经网络模型与RBF神经网络所建模型的预测结果进行比较。结果 发现用RBF方法预测的表面粗糙度相对误差的绝对值不超过6%,最大误差为0.056 098,平均误差为0.022 277,而BP方法的最大误差为0.074 947,平均误差为0.036 578。结论 环形铣刀加工质量更好。RBF神经网络的预测精度较高,具有比BP神经网络更优的预测能力,且拥有建模时间短、收敛速度高、训练过程稳定以及学习速度快等优点,能有效进行铣削质量预测。     

Data fusion neural network for tool condition monitoring in CNC milling machining

Several data fusion methods are addressed in this research to integrate the detected data for the neural network applications of on-line monitoring of the tool condition in CNC milling machining. One dynamometer and one accelerometer were used in the experiments. The collected signals were pre-processed to extract the feature elements for the purpose of effectively monitoring the tool wear condition. Different data fusion methods were adopted to integrate the obtained feature elements before they were applied into the learning procedure of the neural networks. The training-efficiency and test-performance of the data fusion methods were then analyzed. The convergence speed and the test error were recorded and used to represent the training efficiency and test performance of the different data fusion methods. From an analysis of the results of the calculations based on the experimental data, it was found that the performance of the monitoring system could be significantly improved with suitable selection of the data fusion method.     

基于改进长短期记忆网络的铣刀磨损量预测研究

针对铣刀磨损量预测精度低的问题，提出一种高精度铣刀磨损量预测方法。该方法通过遗传算法（GA）寻出长短期记忆网络（LSTM）的最优参数，并将参数输入LSTM实现改进模型GA-LSTM。采用时域、频域及时频域方法提取特征，应用皮尔逊相关系数法筛选出与铣刀磨损量高度相似的特征向量，输入GA-LSTM模型进行训练，并对测试数据进行预测。实验结果表明:与传统的机器学习方法BPNN或深度学习方法FE-LSTM、CNN相比，GA-LSTM的均方根误差分别下降了41.3%、39.0%、51.5%，平均相对误差分别下降了48.3%、40.8%、56.7%，模型的预测识别精度有较大提高，实现了铣刀磨损量的有效预测。     

基于人工神经网络的铣刀破损监测

在对众多反映刀具信息的信号选取中,选择了振动信号作为研究对象.根据试验数据,对切削过程中产生的振动信号进行了分析与处理,提出了能够反映刀具破损的特征量.讨论了一种适合于变切削参数铣削加工中刀具破损的监控方法,建立了基于人工神经网络的铣刀破损振动监控仿真系统.仿真实验表明:BP网络能够有效地用于铣刀破损监控系统中.建立的刀具破损监控系统能够达到预期效果,有很好的使用价值.