基于GA-SVR的数控机床热误差建模

为了提高数控机床加工精度,消除数控机床热误差对加工精度的影响,文章提出了基于GA-SVR(遗传算法-支持向量回归机)的数控机床热误差建模方法.为了构建机床的热误差模型,首先采用温度传感器与位置传感器测量机床的温度与对应的机床主轴变形量.其次把获得的数据进行支持向量回归机建模训练,同时使用遗传算法寻找支持向量回归机相关参数的最优值.最后建立机床热误差模型,并验证模型的准确度.结果表明,基于GA-SVR的数控机床热误差建模方法具有精度高和鲁棒性强的特点.     

基于支持向量机和遗传算法的刀具故障诊断

提出了把支持向量机和遗传算法结合起来,应用于数控机床的刀具故障监测.应用支持向量机的分类步骤,能够有效地解决小样本问题.利用遗传算法对支持向量机所用核函数的参数进行优化,以致在较短的时间内找到全局最优解.这两种方法的结合是数控机床的刀具诊断的行之有效的方法.     

基于多源信息融合与随机映射的机床故障诊断

在采用多源信息进行机床故障诊断时,需要特征降维以降低模型复杂度,但传统的特征降维方法因涉及矩阵分解等原因时效性不高。针对此问题,提出一种基于多源信息融合与高斯随机映射的数控机床故障诊断方法。该方法针对多源信息的高维度特征,采用高效的随机映射(RP)方法进行降维,然后将降维后的特征向量输入到支持向量机(SVM)进行分类识别。实验表明,在处理高维数据时,随机映射在准确性以及时效性方面优势明显,利用该方法可以实现机床多种类型故障的高效、准确诊断,具有重要的工程实用价值。     

云-SVM模型及在数控机床刀具磨损状态预测中的应用

数控机床刀具磨损不仅直接影响加工质量,而且还会导致加工设备损坏和加工安全事故,因此正确对刀具状态进行识别和预测具有重要的现实意义。结合云模型和支持向量机的优点,提出了包含输入层、云化层、SVM层、逆云化层和输出层等五层结构的云-SVM模型,利用该模型对刀具磨损状态的识别和预测进行了仿真,结果表明该模型能够较真实的识别和预测磨损状态,具有较强实用性。     

基于PCA和SVM的微铣刀磨损状态识别

刀具磨损的状态识别精度对机床加工的质量和生产效率至关重要,为了提高刀具磨损状态的识别度,提出了一种能够有效识别微铣刀磨损状态的方法.首先对采集到的振动信号进行时域和频域分析,提取多个时域特征和频域特征,然后应用主成分分析法对提取的特征进行信息融合,再以融合后的特征向量作为支持向量机的样本输入,避免由于支持向量机初始参数...     

基于支持向量机的机床切削比能预测方法

针对建立数控机床切削比能预测模型时实验样本数量少,预测量数值变化波动大的问题,提出了一种基于支持向量机理论的数控机床切削比能预测方法。应用正交试验法设计实验方案,进行了不同参数组合条件下的铣削实验;利用MATLAB软件及其结合加载的LIBSVM工具箱编写程序对模型中的各参数进行寻优处理,预测不同加工参数下的机床切削比能;以数控铣床加工45号钢为例,将预测值与实验值进行对比,模型的均方误差达0. 0094,相关系数达到93. 5%,证明了该模型在切削比能预测方面的可行性。该研究对数控机床节能加工和工艺优化具有重要意义。     

基于机器学习机床机械加工特征信息与加工材料关联性研究

为了开展数控机床机械加工特征信息检测与分析方面的研究,以健康状态的机床对不同工件材料进行切削加工,通过数据采集系统采集在不同切削状态下机床主轴输出的机械特征信息,利用机器学习的方法对特征信息进行分析和判断,提出一种基于机床主轴振动信号与机床主轴负载电流特征信息融合的工件材料精确识别判断模型。首先,获取机床在不同加工状态下的主轴振动信号以及主轴负载电流信号,利用变分模态分解(VMD)算法对其进行分解获得本征模态分量(IMF)并计算各个IMF的多尺度加权排列熵(MWPE)进行信息融合构建特征向量;然后使用灰狼优化(GWO)算法对传统支持向量机进行优化并对4种常见工况进行识别判断。试验结果表明:基于信息融合的特征提取与GWO-SVM相结合的方法能够利用机床加工状态输出的数据特征信息对正在加工的材料种类进行精确识别判断。     

基于近似熵与支持向量机的异步电机故障诊断研究

针对异步电机故障发生率高、故障类别难以有效识别的问题,提出一种基于近似熵与支持向量机的故障诊断方法。通过构造故障再现试验,分别测取4种不同状态类别的多测点振动信号样本。利用近似熵算法计算其近似熵样本值,得到4种不同状态类别的近似熵故障特征向量。结合支持向量机算法,构建支持向量机分类模型。近似熵特征量被划分为训练样本和测试样本,经验证其故障诊断准确率达97.5%,改进BP神经网络诊断方法的准确率为92.5%,结果表明：近似熵结合支持向量机方法具有更高的诊断精度。     

基于EMD和DHMM的刀具故障诊断

为了有效监测刀具的磨损状态,提出了一种基于经验模态分解(EMD)和离散隐马尔科夫模型(DHMM)的刀具故障诊断方法。首先对振动信号进行EMD分解,得到若干固有模态函数(IMF),选取前几个能量较大的IMF进行标量量化处理得到特征向量后,作为观测值序列输入已训练好的DHMM模型进行故障状态识别。此外,通过与支持向量机(SVM)故障诊断方法进行比较,结果表明,EMD-DHMM刀具故障方法能够更有效地识别刀具的故障状态。     

基于PSO优化SVM数控机床主轴系统故障诊断的研究

通过分析主轴系统的故障特征和产生机理,提出了一种基于变分模态分解(VMD)与多尺度加权排列熵(MWPE)的故障特征提取方法和粒子群(PSO)优化支持向量机(SVM)的数控机床主轴系统故障分析诊断模型。首先,利用变分模态分解方法对所采集的主轴系统振动信号进行分解,得到若干有效本征模态分量(IMFs);其次,通过多尺度加权排列熵提取故障特征信息,利用SVM模型对故障特征信息进行分类与识别;为了提高模型的识别准确率,将引入粒子群优化算法(PSO)对SVM模型参数进行优化。实验验证表明,所提出的信号特征提取方法和状态识别模型在数控机床主轴系统的故障诊断方面取得了很好的成效,其故障识别准确率最高达99.56%。     

基于GA-IDBN的滚动轴承故障声发射信号识别

针对变工况条件下的滚动轴承故障声发射信号识别问题,提出了一种基于遗传算法(Genetic Algorithm,GA)与改进深度信念网络(Improved Deep Belief Network,IDBN)结合的故障检测与诊断新方法。对滚动轴承故障声发射监测信号的分析结果表明,GA-IDBN模型对滚动轴承的外圈、内圈、保持架故障的声发射监测信号的识别准确率明显优于DBN(深度信念网络)、支持向量机等模型的,识别准确率可达到95.5%;并且,GA-IDBN模型具有很强的普适性,可以识别出滚动轴承在不同通道、不同转速情况下的运行状态。证明了GA-IDBN模型具有很强的工程实用价值。     

基于小波分析和支持向量机的刀具故障诊断

为了有效地进行刀具状态监测,提出了一种基于小波分析和支持向量机相结合的刀具故障诊断方法。首先运用小波包对AE信号进行分解和重构,然后提取各个频带里的信号能量值,将该能量值作为特征参数输入到支持向量机,进行学习训练,完成对刀具磨损状态的有效识别。仿真结果表明该方法是有效的。     

LMD和SVM相结合的电机轴承故障诊断研究

为了提高电机轴承故障诊断的准确率,提出了基于粒子群优化的支持向量机(SVM)故障诊断的方法。文章采用局部均值分解(LMD)提取电机轴承振动信号特征作为支持向量机的特征向量;采用粒子群优化算法(PSO)优化支持向量机的核函数参数和惩罚参数,以此建立分类器用于识别电机轴承故障类型。通过仿真实验验证该方法能够有效的识别电机轴承故障状态。     

基于最小二乘支持向量机的精密数控机床热误差建模与补偿研究

为了减小热误差对数控机床加工精度的影响,以自主研制的五轴精密数控机床为研究对象,得出定位误差与温度之间的变化规律。运用最小二乘支持向量机(LS-SVM)建立Y轴的热误差模型,并对LS-SVM模型进行参数寻优。根据LS-SVM模型计算出移动轴热平衡状态下定位误差的预测值与测量值对比曲线,通过分析发现LS-SVM热误差模型性能较好,其拟合偏差带宽较窄,均方差较小。依据LS-SVM模型进行定位误差补偿实验,误差降低了87. 3%。实验结果证明最小二乘支持向量机建模方法具有较高的预测精度、补偿精度。     

基于HGWO-MSVM的齿轮箱故障诊断研究

针对齿轮箱多类故障信号非线性、不确定性难以进行有效识别的问题,提出了一种混合灰狼优化算法(Hybrid Grey Wolf Optimizer,HGWO)优化多分类支持向量机(Multi-class Support Vector Machine,MSVM)的齿轮箱故障诊断方法。首先利用小波包对齿轮箱故障信号进行降噪处理,并通过信号中各频带的能量,提取能量特征值,再将获取的特征值输入优化后的MSVM模型进行故障模式的识别。实验结果表明,相对于传统的诊断模型,基于HGWO-MSVM的齿轮箱故障诊断模型能够更有效地诊断齿轮箱的实际运行状态,提高识别效率和精度。     

基于希尔伯特-黄变换和等距特征映射的刀具磨损状态监测

为了实现刀具磨损状态监测的自动化与高精度,文章提出了一种基于希尔伯特-黄变换(hilbert-huang transform,HHT)和等距特征映射(isometric feature mapping,Isomap)的刀具磨损状态监测方法。首先采用经验模态分解算法对采集的信号进行降噪处理;然后对降噪后的信号进行Hilbert变换得到Hilbert时频谱,同时计算Hilbert边际谱及其统计特征量;最后利用Isomap算法进行特征融合及优化,将优化后特征向量送入支持向量机(support vector machine,SVM)中,并通过网格搜索法优化SVM的相关输入参数来建立最优分类模型。研究结果表明:Isomap算法具有较好的特征融合及降维效果,且Isomap-SVM分类模型对测试集的识别准确率为95%,文章所提方法可以有效地识别刀具磨损状态。     

基于改进支持向量机的产品服务系统客户流失预测模型

为协助设计师能精准地为客户提供有效的产品服务系统整体解决方案,针对其客户流失预测问题,提出了一种改进粒子群算法与支持向量机相结合的客户流失预测方法(IPSO-SVM)。该方法包括构建了产品服务系统客户流失模型及IPSO-SVM算法模型。首先,IPSO-SVM算法采用粒子位置表示支持向量机的参数,并基于Sobol序列对粒子群位置与速度初始化,然后位置更新时引入动态自适应非线性惯性权重的方法。最后,以某高档数控机床公司客户流失状态为案例,通过与BPNN、SVM、PSO-SVM进行比较,验证所提方法在该数控机床产品服务系统客户流失模型中的有效性与可行性。     

基于EMD和ADS的刀具磨损在线监控系统开发

为实现刀具磨损状态准确快速的识别,开发了一套基于自动化设备规范(ADS)通信技术和经验模态分解(EMD)的刀具状态在线监控系统。运用EMD将振动信号分解成多个固有模态函数分量(IMF),综合使用相关系数法以及能量值法筛选了前6阶IMF分量的均方根值作为监测特征,然后将监测特征作为支持向量机的输入,建立监测特征与刀具磨损状态的关系模型。加工中的一定长度的振动数据经ADS技术传输到建立好的支持向量机(SVM)模型中,完成刀具状态的识别。使用TwinCAT和Matlab实现了整套系统的功能。经试验验证,刀具监控系统运行稳定,能对刀具状态进行准确快速的判断。     

基于双能X射线的液体危险品识别分类方法

受定位不准、容器影响因素的影响,X射线安检机在液体识别领域识别精度低。为了提高识别精度,基于X射线透射原理,提出了一种理想状态下基于双能X射线安检机的液体识别方法,并给出了高低能图像处理方法以获得准确的容器定位,利用支持向量机和逻辑回归模型对R值进行分类,解决了难以提取有效原子序数实现液体分类识别的问题,并通过仿真和试验验证了算法的可用性。     

机床主轴热误差的累积法建模研究

为实现数控机床热误差的快速精确建模,提出一种基于累积法的机床热误差建模新方法。对一台立式加工中心,利用温度传感器与非接触式激光位移传感器同步测量主轴温度变化及热变形值,对获取的模型数据进行累积算子求和,构建累积矩阵及热误差正规方程来估计模型中的参数以实现热误差建模。利用该方法构建的热误差模型分别与最小二乘法(LS)、最小二乘支持向量机(LSSVM)模型进行对比,结果表明:累积法的建模精度要高于最小二乘法,且建模时间比最小二乘支持向量机法要少。