共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
3.
以小波分析理论为基础,提出了以对数熵理论确定最佳小波包分解树结构的方法,提出了基于声发射信号最佳小波基最佳小波分量频段能量的声发射信号小波特征,开发了基于最佳小波基小波特征的神经网络刀具磨损状态在线监测系统,实验结果表明,该系统具有较高的监测精度,能满足工业现场对刀具磨损状态实时在线监测的要求. 相似文献
4.
基于PSO优化的小波神经网络在刀具磨损识别中的应用 总被引:2,自引:0,他引:2
刀具状态监控是保证自动化加工顺利进行的重要环节,本文针对切削加工中功率信号的获取,以及反映刀具状态的信号特征抽取的问题,设计了采集功率信号,利用小波包分解的方法抽取反映刀具磨损状态的特征值作为神经网络输入值,采用神经网络对特征值进行训练,然后借用粒子群算法(PSO)算法优化神经网络及其结构的方法,获得了结构简单、准确性高、实时性好的神经网络,仿真和试验表明该方法对特征信号反映灵敏,对切削参数的变化不敏感,能够准确反映刀具的磨损状态。 相似文献
5.
6.
7.
对刀具磨损状态的准确预测有利于提高产品质量和降低生产成本,而现有预测模型多采用人工提取特征,存在费时费力等问题。提出一种结合通道注意机制的改进一维卷积神经网络的刀具磨损预测模型。该模型将卷积神经网络中的全连接层替换为卷积、池化层来增强模型的特征提取能力;最后一层采用1×1卷积和全局平均池化整合全局信息来提高预测精度;同时引入通道注意机制来增强重要特征通道的权重,进一步提高预测精度。实验结果表明,该预测模型的MAE为6.89μm,比预测模型MLP和SVR分别降低了15.54μm, 12.27μm,比CNN降低了8.78μm。 相似文献
8.
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。 相似文献
9.
10.
11.
根据小波分析在时频域的自适应性,在与神经网络相结合的基础上,将其运用到机床刀具的检测上,此种方法方便快捷,减少了神经网络的输入节点数,加快了神经网络的训练速度,提高了网络训练的准确度。试验表明,该方法得到满意的结果。 相似文献
12.
13.
基于卷积神经网络的刀具磨损在线监测 总被引:1,自引:0,他引:1
为了提高刀具磨损在线监测的精度和泛化性能,提出一种基于卷积神经网络的刀具磨损量在线监测模型。利用时域传感器信号对刀具磨损量进行定量分析,避免数据预处理带来的信息丢失;采用深度网络自适应地提取特征,取代传统的人工特征提取过程,并通过加深网络进一步挖掘信号中隐藏的微小特征。实验结果表明,该模型对刀具后刀面磨损量监测效果较好,可以有效避免人为特征提取的局限,精度和泛化性都有一定程度的提高。与相关研究的对比也证实了其可行性和有效性。 相似文献
14.
15.
采用可靠的刀具磨损评估方法对于提高加工质量和生产效益具有重要意义.提出一种基于卷积神经网络的刀具磨损评估方法,采用短时傅里叶变换对采集的主轴电机直流电流和交流电流进行处理,得到对应时频谱,将时频谱输入所设计的卷积神经网络模型,评估得到刀具磨损值.采用铣削数据集对卷积神经网络模型进行训练和验证,表明在主轴转速、切削深度、... 相似文献
16.
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。 相似文献
17.
18.
19.