基于小波包和BP神经网络的刀具磨损状态识别

刀具磨损状态影响金属切削过程,因此监测刀具磨损状态对提高产品质量有着重要的意义。设计刀具磨损状态监测系统,利用传感器采集刀具振动信号,通过小波包对振动信号进行数据分析,并把不同频段的能量值作为刀具磨损状态的特征值,建立BP神经网络,从而在刀具磨损状态和振动信号特征向量之间建立映射关系,完成刀具磨损状态的监测。利用C++Builder和Matlab软件混合编程实现了系统的功能。试验表明,系统运行良好,能够对刀具磨损状态进行正确识别。     

基于差分进化小波神经网络的刀具磨损状态识别

提出应用小波神经网络进行刀具磨损状态识别的方法,给出了具体的识别流程。构建了小波神经网络,并实现了差分进化对网络参数的优化。通过检测加工现场的切削力和切削声音信号,将其进行信号处理后作为小波神经网络的训练样本,将差分进化应用于小波神经网络结构和参数的优化中,最终实现刀具磨损状态的识别。仿真结果表明差分进化小波神经网络能够有效避免神经网络不收敛的缺点,提高学习速度,采用差分进化小波神经网络进行刀具磨损状态识别,具有较高的诊断精度和效率。     

基于最佳小波基小波特征的神经网络刀具磨损状态监测方法

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.     

基于PSO优化的小波神经网络在刀具磨损识别中的应用

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。     

基于分形理论和神经网络的刀具磨损监测

提出了一种基于分形理论和神经网络的刀具磨损监测方法,从切削力动态分量中提取分形维数D、从切削力静态分量中提取切削力比R这两个特征量作为监测刀具磨损状态指标,并将这两个特征量及切削速度作为神经网络的输入.试验结果表明,该方法能有效识别刀具的磨损状态.     

刀具磨损的小波检测

通过建立刀具磨损时的切削力信号奇异性指数与刀具磨损状态的对应关系 ,利用小波变换对切削力信号进行分析 ,实现了对刀具磨损的间接测量     

基于改进一维卷积神经网络和通道注意机制的刀具磨损预测研究

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。     

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。     

基于小波变换的刀具磨损状态检测

分析切削加工过程中刀具磨损的规律以及在不同的刀具磨损阶段切削力信号的奇异性指数 (即Lipschitz指数 )的变化规律。根据这一变化规律 ,提出自动化生产过程中刀具磨损状态的在线检测的方法。     

基于小波变换的刀具磨损检测方法

提出采用切削力信号的奇异性指数作为衡量刀具磨损的参量。利用小波变换对切削力信号进行分析 ,变换结果的模极大值点反映了刀具发生磨损或破损的时刻 ,而其奇异性指数的大小则反映了刀具的磨损状况。试验结果表明了该方法的有效性。     

基于小波神经网络的机床刀具检测

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。     

基于脉冲耦合神经网络的刀具磨损检测

将仿生学中的脉冲耦合神经网络（PCNN）引入刀具磨损检测中,利用刀具磨损区域灰度强度明显高于刀体和背景区域灰度强度的特点,通过空间邻近和灰度相似集群像素获得分割的二值图像,从而达到对刀具磨损区域进行检测的目的。对车削加工中刀具不同磨损阶段的磨损图像进行分割试验,证明了该算法可以有效地判断刀具的磨损状态。     

基于卷积神经网络的刀具磨损在线监测

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。     

基于卷积神经网络的刀具磨损评估方法

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、...     

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。     

基于小波多分辨率分析和RBF神经网络的刀具磨损状态识别

刀具磨损监测对于提高加工过程的精度和自动化程度具有重要意义。本文提出一种基于RBF函数神经网络的刀具磨损状态监测模式。该系统利用声发射传感器对切削过程进行监测,采用多分辨率小波分解技术从声发射信号中提取反映刀具磨损的特征向量,并输入RBF神经网络,实现了刀具磨损的自动识别。     

基于小波神经网络的切削刀具状态监测

提出了一种基于小波神经网络的切削刀具状态监测方法，即提取反映刀具磨损状态的特征参数，利用小波神经网络的非线性模型，实现在线状态监测；同时针对多输入输出问题带来的网络规模大、收敛速度慢等问题，提出了一种网络优化算法，即采用改进的遗传算法寻找最优小波基元，从而简化小波网络并加快收敛。仿真实例证明该方法是有效的。     

基于小波神经网络的刀具故障监测系统

用声发射传感器采集刀具的切削状态信号，用小波分析和神经网络技术对信号进行特征提取和仿真训练，并建立了基于小波神经网络的刀具故障监测系统。系统对已测得的刀具切削状态信号进行仿真试验，结果表明：系统对刀具故障的预报正确率为93．3％，可有效地应用到工程实践中。     

基于小波神经网络的机械故障预测

良好的局部放大特性和多分辨率学习特性使得小波神经网络比神经网络有更强的自适应能力、更快的收敛速度和更高的预报精度。本文构造了一个小波神经网络,给出了基于小波神经网络的机械故障趋势预测方法,并通过对煤矿提升机闸瓦间隙进行故障预测,验证其方法的可行性。