基于高斯过程潜力模型的刀具磨损预测

刀具磨损预测对于提高加工精度和生产效率具有重要意义。刀具磨损预测模型主要包括基于物理的模型和基于数据驱动的模型。基于物理的模型一般使用经验公式或简化公式对刀具磨损过程进行建模,在切削参数变化的情况下其预测精度通常会变低。另一方面,数据驱动模型通过测量数据来估计刀具磨损,没有考虑刀具磨损机理,导致模型泛化性和结果可解释性较差。为了解决这些问题,提出了一种新的用于刀具磨损预测的高斯过程潜力模型。所提出的模型使用高斯过程对刀具磨损物理模型的未知参数进行建模,建立了一个物理信息机器学习模型。高斯过程潜力模型不仅避免了物理模型的参数识别,而且挖掘了来自物理域和数据域的隐藏信息。此外,通过将物理模型与高斯过程的协方差函数相结合,构建了一个物理信息协方差函数来约束模型的输出,提高了预测精度。多工况试验结果表明,所提方法的绝对平均误差和均方根误差分别为2.5945、3.740 8,比传统数据驱动模型的预测误差要更小,预测精度进一步提升。     

高斯过程的车床刀具磨损预测研究

为了保证产品质量,并能及时、准确、有效的更换刀具,提出利用高斯过程建立模型并对刀具磨损程度进行预测。首先利用Deform软件仿真车床刀具切削过程,建立刀具磨损随时间变化而变化的样本,然后利用该样本建立高斯过程的刀具磨损预测模型。最后进行刀具实际切削实验,利用测量工具测量刀具磨损量,并建立刀具随时间变化的实际磨损样本,利用实际实验数据对预测值进行验证。数据分析结果表明:预测模型可以有效地学习并预测刀具磨损中的非线性关系,而且刀具磨损的预测精度较高。因此在预测刀具磨损程度时,该模型可以作为重要的预测手段。     

基于高斯过程回归方法的钛合金铣削刀具磨损预测

通过钛合金材料切削试验,对铣削加工中切削参数对高进给铣刀刀齿后刀面最大磨损量的影响规律进行分析。采用高斯过程回归法建立了刀齿后刀面最大磨损宽度的预测模型,并进行试验验证。预测结果与试验结果吻合程度较高,验证了预测模型的有效性,为钛合金铣削刀具的磨损预测提供了理论方法和试验依据。     

基于“差分”磨损模型的车削刀具磨损仿真预测研究

研究表明,切削过程中的刀具磨损与刀面温度、刀/屑和刀/工界面的接触压力及相对滑动速度等切削过程变量有关,借助于有限元分析法可对这些切削过程变量进行仿真预测。基于“差分”磨损模型,提出了一种对切削过程中刀具轮廓磨损变化的预测方法,以硬质合金刀具切削AISI1045材料为例,介绍了该方法的原理和实施步骤,并对刀具前后刀面磨损的预测结果进行了试验验证,分析了预测结果与试验结果存在误差的原因。     

高斯差分滤波显著性的刀具磨损检测

为了提高刀具磨损区域检测准确性,本文在研究刀具磨损区域特点的基础上,提出了一种新的刀具磨损检测方法。首先,对采集的刀具图像进行高斯滤波获得高斯滤波图,消除噪声信息;然后,通过高斯差分滤波获得高斯差分图,提取刀具背景纹理信息;在此基础上,利用高斯滤波图与高斯差分图之间的中央-周边操作获得显著图,以消除高频噪声信息以及光照不均等低频背景信息,提高刀具磨损区域的显著性;最后,根据刀具磨损区域特征进行刀具磨损区域分割和滤波。实验表明,推荐方法能够准确检测刀具磨损区域,具有较高的检测准确率。     

基于多维时间序列模型的内燃机磨损状态预测研究

现有的油液光谱数据预测方法仅考虑单一数据内部前后间的联系,忽视不同种类数据间的相互影响。多维时间序列模型能够将多种元素光谱数据融合起来同时进行建模,利用所建模型对光谱数据进行预测,提高预报精度。通过内燃机台架实验获得多种元素的光谱数据,选择典型的磨损元素Fe和Al、污染元素Si以及添加剂元素Mg作为分析元素,通过分析找出相关性较大的元素,利用多维时间序列模型对其进行预报,从而对内燃机的磨损状态进行准确判断。结果表明,将多维时间序列模型引入油液光谱数据预报能对内燃机的磨损状态进行准确预测。     

基于小波分析和神经网络的刀具磨损预测

提出一种基于多分辨率小波分析和BP神经网络的刀具磨损预测方法,采用多分辨率小波分析刀具不同磨损状态的切削力信号,提取其中增幅最大两个尺度上细节信号的能量和均方差作为BP神经网络的输入,通过自我识别法确定BP神经网络的最佳隐含层神经元数目,利用预先训练好的BP神经网络对刀具磨损状态进行预测。该方法能够建立刀具磨损状态与切削条件参数之间复杂的非线性函数关系,可实现一定切削条件下的刀具磨损状态预测。     

基于MIC和改进Bagging-GPR的刀具磨损预测

为实现刀具磨损的准确预测,对加工过程的换刀和参数优化提供指导,提出一种基于最大信息系数(MIC)和改进的Bagging集成高斯过程回归(Bagging-GPR)的刀具磨损预测方法,建立切削力信号与刀具磨损间的非线性映射关系。采集加工的切削力信号,运用时域、小波包分解和经验模态分解提取切削力信号特征,并利用MIC分析特征与刀具磨损的相关度来实现特征选择,避免预测模型的“维数灾难”。为提高预测模型的精度,考虑高斯子模型内部核函数的差异性及准确性,利用Bagging对高斯核函数进行随机组合,作为各子模型的核函数,构建改进的Bagging-GPR模型实现刀具磨损值预测,并基于铣削实验数据验证了所提方法的有效性和优异性。     

基于WPD_EMD和SVM刀具磨损故障诊断模型

通过采集2种磨损程度不同的同类型刀具加工工件时机床主轴的振动信号,提出WPD_EMD和SVM故障诊断模型判断刀具磨损程度。首先利用小波包工具去除高频噪声信号,其次利用EMD分解得到若干个固有模态函数和一个残差,计算各个固有模态函数和EMD分解前信号的相关系数,合并相关系数大的固有模态函数得到新信号。计算新信号的绝对均值作为时域特征参数。选取若干组试验数据作为支持向量机训练集,建立判断刀具磨损程度大小的故障诊断模型。试验表明该故障模型预测刀具磨损程度准确率100%,为判断刀具实时加工工件的磨损程度提供新的途径。     

刀具磨损感知数据驱动下的DBN预测模型研究

针对制造车间数控刀具在连续作业过程中易出现过度使用或提前置换的现状,对刀具磨损感知数据获取方法和磨损预测模型构建进行研究.为避免传感器噪声影响,采用OPC技术直接与机床协同完成数控通信,并设计一套双镜头垂直分布的感知数据获取系统;为增强预测模型泛化能力,采用Dropout优化后深度信念网络(DBN)作为预测模型,先在特...     

基于混合高斯模型的目标跟踪系统设计

随着机器人在各行各业的广泛应用,使其与周围环境的交互变得越来越重要,而视觉可以使其具备非接触式的环境感知能力。针对这一难题提出了一种机器人的视觉系统设计方法,主要工作有:首先建立背景的混合高斯模型,并在追踪过程中实时更新以适应外界环境的变化。然后运用共面P4P重定位的方法,提高了目标定位的精度。其次引入卡尔曼滤波的结构相似度目标追踪算法,增强了系统的鲁棒性和实时性。最后通过实验的方法验证了该视觉系统的有效性。     

基于HHT算法和功率信号的刀具磨损预测

采用希尔伯特-黄变换对主轴功率信号进行处理,构建了两个反映刀具磨损状态的刀具磨损系数,建立了钻削工况下刀具磨损量的预测模型,并通过实验验证了模型的有效性。实验结果表明:提出的方法可实现精确度高达95%的刀具磨损预测,在刀具磨损预测领域具有良好的应用前景。     

基于改进EGM(1,1)的刀具磨损预测

刀具磨损及寿命预测一直是刀具管理研究的重要领域,但由于加工工艺、使用强度及环境因素的极度未确知性,很难取得对刀具寿命的准确判断,因而增加了机床或工件损坏的风险,所以需要构建模型实现对磨损程度的有效预测。本文首先通过一定条件下的刀具磨损实验,测量出刀具在相同工作时间内的磨损值,然后采用新信息优先的新陈代谢EGM(1,1)模型对特定条件下的数据序列进行拟合与预测,并与传统EGM(1,1)进行比较。结论发现新陈代谢EGM(1,1)模型具有更高的预测精度、更小的拟合误差,对提高刀具磨损及寿命预测的准确性具有重要方法意义。     

基于高斯回归分析的高温合金刀具磨损在线预测方法

目前的高温合金刀具磨损在线预测方法预测时间过长,预测误差较大.为了解决上述问题,基于高斯回归分析方法建立了一种新的高温合金刀具磨损在线预测方法,设立高斯回归模型,分析切削力和刀具磨损时间序列数据,对数据进行划分,列出线性数据和非线性数据.引入平滑度理论对建立的高斯回归模型进行优化,借助构建的高斯回归模型计算刀具刀面的最...     

基于贝叶斯优化Bi-LSTM的刀具磨损状态监测模型

针对刀具磨损在线监测过程中信号特征较弱、外界噪声干扰较大导致的预测准确度较差问题,提出了一种基于贝叶斯优化(BO)双向长短时记忆网络(Bi-LSTM)的刀具磨损状态监测模型。结合斯皮尔曼相关系数和最大互相关系数来筛选降噪后切削力信号的时域、频域及时频域特征,输入到建立好的Bi-LSTM模型进行训练;针对Bi-LSTM模型参数组合对精度影响大且难以选择的问题,采用贝叶斯优化算法进行超参数寻优;利用铣削加工实验对模型进行验证。结果表明,该方法能快速得到模型最优超参数,同时兼具稳定性和准确性,与其他深度学习模型相比,准确率更高,实验证明了该模型的有效性和可行性。     

基于高斯混合模型的水果分类识别方法研究

对于水果的识别分类,目前大部分还是使用人工去完成分类,但是由于长期的重复劳动会使人工受到劳动强度和视觉疲劳的影响,容易造成错误,难以适应产业的发展。因此,为了提高水果识别分类的效率,使得水果分类能够更加的智能化、自动化,在此应用机器视觉技术针对水果识别分类展开研究。通过搭建水果图像采集平台系统,使用HALCON图像处理软件对水果进行了阈值分割和特征提取等操作,成功实现了水果与背景的分割,最后使用gmm（高斯混合模型）算法分类器对水果进行训练。实验表明：该方法能够准确有效的识别并区分出水果,在检验训练完成的分类器结果准确率为100%,100%,100%,90%,83%,验证了将高斯混合模型应用在水果分类识别方面的有效性。     

基于多传感数据融合的刀具磨损状态预测研究

为提高制造系统可靠性,提出了一种基于人工智能的多传感器数据融合方法用于预测刀具磨损状态。通过人工智能算法对于监测过程中的多传感器数据进行特征融合,进而使用支持向量机进行回归分析,从而对刀具磨损状态进行预测。主要选取经典特征选择技术包括核主成分分析,局部线性嵌入和最小冗余最大相关方法进行特征融合,通过数控铣床上的刀具磨损损伤实验验证该方法的有效性。结果表明,刀具磨损预测模型可以以更加经济有效的方式精确估计刀具磨损宽度,精度等同于离线的显微镜仪器测量,此外核主成分分析方法预测精度最高。