基于维纳过程截齿磨损退化预测研究

针对掘进机的截齿磨损状态问题，构建了基于灰色-马尔科夫链模型、Gamma过程预测模型以及维纳过程磨损状态预测模型。通过搭建试验台，提取振动及声发射数据样本，考虑试验环境对试验数据提取的影响，应用小波包分解方法，对数据进行降噪处理。定义6种截齿磨损程度状态，每种状态取50组数据样本，进行模型精度验证，均符合精度要求，进而应用模型进行数据预测研究，对比真实试验数据，结果表明：振动信号加速度能量和下灰色-马尔科夫模型相对误差为0.89%,Gamma模型相对误差为0.47%,维纳过程相对误差为0.39%;声发射信号加速度能量和下灰色-马尔科夫模型相对误差为1.02%,Gamma模型相对误差为0.84%,维纳过程相对误差为0.47%;三种模型预测精度都很好，其中维纳过程预测误差最小，为掘进机截齿磨损退化状态预测研究提供了新的方法。     

声发射和小波包分解技术在刀具磨损状态中的应用

随着现代加工工业的发展,对刀具磨损的监测在保障生产安全和产品质量中发挥着越来越重要的作用。声发射技术是刀具磨损监测的一种新方法。在车削加工过程中采集声发射信号,用声发射信号对刀具磨损状态进行识别。利用小波包分解技术对信号进行分析,得到有效的特征量作为BP神经网络的输入样本,并对网络进行学习训练,完成对刀具磨损状态的有效识别。     

基于EEMD-SVM的刀具磨损状态研究

针对刀具磨损监测中信号的非平稳特性和小样本建模中神经网络容易陷入局部值的问题,提出基于多传感器信号,运用集合经验模态分解(ensemble empirical mode decomposition,EEMD)和支持向量机(support vector machine,SVM)相结合的算法,实现对刀具磨损多状态的识别。首先对振动信号进行集合经验模态分解,将其分解为若干个本征模态函数(intrinsic mode function,IMF)之和,然后计算得到三向切削力信号的均值和各本征模态函数分量的能量百分比值作为磨损状态分类特征,最后运用支持向量机和Elman神经网络对刀具在不同磨损状态下的特征数据样本进行训练和识别。实验结果证明该方法能很好地实现对刀具磨损状态的识别,与Elman神经网络相比,支持向量机具有更高的识别率,更适合小样本情况下刀具磨损状态的分类识别。     

基于信息融合的刀具磨损状态智能识别EI北大核心CSCD

采集声发射和振动加速度信号,搭建了数控车床刀具磨损状态多信息数据采集系统;用正交试验法采集相关数据并分析了不同切削条件、不同刀具磨损程度下数控车削加工过程中的声发射和振动信号;用小波包分解法提取了声发射和振动信号的最佳特征频段作为识别刀具磨损的特征参量,采用BP神经网络将数控切削过程中刀具磨损的声发射与振动信号特征信息进行融合,研究了数控车削刀具磨损状态的智能识别技术。     

基于信息融合的刀具磨损状态智能识别

采集声发射和振动加速度信号,搭建了数控车床刀具磨损状态多信息数据采集系统;用正交试验法采集相关数据并分析了不同切削条件、不同刀具磨损程度下数控车削加工过程中的声发射和振动信号;用小波包分解法提取了声发射和振动信号的最佳特征频段作为识别刀具磨损的特征参量,采用BP神经网络将数控切削过程中刀具磨损的声发射与振动信号特征信息进行融合,研究了数控车削刀具磨损状态的智能识别技术。     

基于卷积门控循环神经网络的刀具磨损状态监测

针对刀具磨损状态在线监测需求,提出一种基于卷积门控循环神经网络的刀具磨损状态在线监测方法。综合卷积神经网络和门控循环神经网络的优点,构建了卷积门控循环神经网络;以切削力为输入信号,通过小波变换滤除噪声;利用卷积神经网络提取表征刀具磨损状态关键信息的高维特征;通过门控循环神经单元使模型在时间尺度上的累积效应得到充分表达,体现磨损的时序特性。实验表明,在有限的刀具磨损数据样本条件下,通过卷积门控循环神经网络进行刀具磨损状态监测具有较好的效果,其准确率达到97%。     

冲击载荷作用下锥形截齿磨损的试验和数值模拟研究

通过试验和离散元数值模拟方法,研究锥形截齿的耐磨性能及其磨损特征对截割载荷的影响。在单齿旋转截割试验台上,以砂岩为试验对象,采用3种不同齿尖材料的锥形截齿进行岩石截割试验,并结合试验后齿尖的磨损面形状建立磨损截齿模型,利用PFC~(3D)进行岩石截割的数值模拟研究。统计结果表明:在截割载荷各分量中,法向力显著高于切向力和侧向力;硬质合金截齿、合金钢截齿及有耐磨涂层的合金钢截齿的质量损失依次为0.07%,0.28%和0.22%,硬质合金耐磨性优势突出,堆焊耐磨涂层对截齿有一定的保护作用;齿尖磨损区域的扩展,使截齿连续过载,加剧磨损;通过离散元方法获得的截割载荷与试验方法测定结果接近。在相同截割条件下,对硬质合金和合金钢齿尖耐磨性能的研究,为截齿的寿命估计提供必要参考。     

采煤机截割部传动系统故障信号小波包分解方法研究

采煤机主要通过截割部上的滚筒截割煤岩,若其传动系统发生故障将导致采煤工作中断,造成巨大的经济损失。以MG2×70/325采煤机为依托,采用PRO/E建立了断齿、裂纹齿轮和缺陷轴承等常见故障模型,利用ANSYS及ADAMS建立了引入故障形式的采煤机截割部刚柔耦合虚拟样机模型,提取各惰轮轴轴向和径向受力数据,作为建立故障诊断系统的样本。用Coif4小波对数据进行小波包分解,求各子带能量值,作为神经网络输入向量,结合Elman神经网络建立采煤机截割煤岩时的故障诊断模型,仿真结果表明:该方法可有效地诊断传动系统的故障零件和类型,对于复杂工况下,采煤机故障检测以及在线实时监测具有一定的指导意义。     

基于深度学习理论的轴承状态识别研究

针对滚动轴承振动数据耦合程度高,信号特征提取和识别模型建立困难的问题,提出了一种基于深度学习理论的状态监测方法。提取振动信号的时域、频域和时频域特征构成特征向量;通过稀疏自编码非监督学习网络对输入向量进行特征学习,并将单层网络叠加构成深度神经网络;最后采用少量有标签数据对整个深度神经网络进行微调训练,建立轴承状态监测模型。试验结果表明,提出的方法对于轴承状态识别准确率达到90.86%,且性能退化阶段识别率最高,能满足视情维修的工程需求。     

基于信息融合的柴油机缸套磨损故障诊断研究

针对柴油机缸套磨损故障进行模拟实验,获取了柴油机机体表面振动、铁谱分析故障信息,并对多源多维故障信息进行预处理,解决了模糊神经网络的输入矢量的模糊特性化、输出矢量的隶属函数、学习样本的选择及网络的学习训练等问题;在上述工作的基础上,建立了柴油机缸套磨损故障诊断的模糊神经网络模型.为验证诊断模型的有效性,选取了四组分别来自不同故障类别的数据作为检验样本,运用模糊神经网络模型进行诊断,其诊断结果与实际情况十分吻合.研究表明,基于多信息的模糊神经网络模型能较有效地对柴油机缸套磨损故障进行诊断,此方法能减小故障诊断的不确定性,提高诊断精度.     

Tool condition monitoring in milling based on cutting forces by a neural network

Automated machining systems require reliable online monitoring processes. The application of a multilayered neural network for tool condition monitoring in face milling is introduced and evaluated against cutting force data. The work uses the back-propagation algorithm for training neural network of 5 2 10 2 2 architecture. An artificial neural network was used for feature selection in order to estimate flank wear ( Vb ) and surface roughness ( Ra ) during the milling operation. The relationship of cutting parameters with Vb and Ra was established. The sensor selection using statistical methods based on the experimental data helps in determining the average effect of each factor on the performance of the neural network model. This model, including cutting speed, feed rate, depth of cut and two cutting force components (feed force and vertical Z -axis force), presents a close estimation of Vb and Ra . Therefore, the neural network with parallel computation ability provides a possibility for setting up intelligent sensor systems.     

基于缸盖振动信号频域特征识别气缸压力的研究

在不同的燃烧状况下同时测量缸盖表面振动信号和缸内压力信号,对平均处理后的信号进行频域分析,发现缸内压力信号中相对于基频前50阶的谐波分量包含了所关心的主要信息.根据频域分析得到的复数谱的对称特性建立了训练样本,并对建立的BP和RBF神经网络进行训练.训练的结果表明RBF神经网络可以在更短的训练时间内,获得更小的均方误差.利用不同的神经网络进行了缸内压力信号的识别,识别的结果表明,RBF神经网络识别的精度高于BP神经网络.     

基于声发射信号与BP神经网络的煤粉粒径识别研究

煤粉粒径的测量是燃煤电站一项重要的工作。针对目前筛分法存在的缺点,提出了一种结合声发射信号与BP神经网络在线识别煤粉粒径的方法。在频域中对噪声信号与煤粉声发射信号进行比较,确定了信号中反映煤粉粒径的频率区间,并利用小波包置零方法对信号进行去噪,在信噪比与信号平滑度方面比较了几种常用小波函数的去噪效果。通过功率谱分析发现了信号能量随煤粉粒径的变化特征。最后提取信号能量特征,利用BP神经网络对煤粉粒径进行识别。研究结果表明,结合声发射信号与BP神经网络识别煤粉粒径,可以获得良好的效果。     

Tool Wear Monitoring in Drilling Using Multiple Feature Fusion of the Cutting Force

1. IntroductionTool wear brings about vibration of the machine tool and deterioration of surface roughness and dimensional accuracy of the workpiece, and even causes tool damage and workpiece damage as well as downtime of the machine tool when the tool is badly worn. It is reported that 75% of all the downtime of equipment is owed to tool failure in production. So on-line monitoring of tool condition and tool wear is a key technique that realizes high efficiency and automation of the machining…     

基于BP神经网络的高含水岩石爆破震动参数预报

运用现场试验震动监测得出水介质对高含水岩石爆破地震波传播规律的影响,再结合BP神经网络理论,将水介质纳入网络模型,建立爆破震动参数预报的BP神经网络模型。采用高含水岩石爆破现场监测数据对网络模型进行训练。把训练达到最优后的预报结果与实测结果作对比,发现BP神经网络模型预报参数与实测值较为接近。     

基于SCADA数据和改进BP神经网络的塔筒应力预测

针对风电机组载荷监测中应变片寿命短的缺陷,基于风电场海量状态监测数据,利用遗传算法和粒子群算法对BP神经网络进行改进,建立塔筒应力预测模型,并通过综合相关系数实现输入参量的有效选择.仿真结果表明,改进后的GA-BP神经网络预测模型和PSO-BP神经网络模型,预测结果的最大、最小相对误差等指标均比BP神经网络预测模型好;...     

神经网络在二维图像识别中的应用

本文提出了一种基于神经网络的二维图像识别技术。选取一组机械零件的二维图像,对每张图像进行放缩和旋转变换,并分析、提取对应图像的nmi特征和7个不变矩特征作为BP网络的输入样本,图像的二进制编号为输出样本构建BP神经网络。并对网络进行抗干扰训练,使网络对理想输入及带噪声的输入均有较好的识别率。实验证明该网络具有一定的工程实用性。     

基于径向基函数网络的刀具磨损识别

提出了一种基于灰色关联度优化网络神经元数目和径向基函数网络用于刀具磨损量预测的方法.以选取合理的涵盖影响刀具磨损的有关因素,采用不同切削条件下铣削加工过程刀具后刀面磨损的多组实验数据对网络模型进行训练以及对刀具磨损量进行估计和预测,预测结果与实际基本吻合.结果表明,该方法克服了用一个多元线性公式描述由切削条件和切削带来的后刀面磨损量的变化的刀具磨损高度非线性模型方法的缺陷,对于与刀具磨损量相关因素的非线性本质较易准确表达,所建立的刀具磨损网络模型可以较满意地计算出不同切削条件下刀具后刀面的磨损量.