基于粒子群优化的螺纹刀具磨损状态监测模型

螺纹刀具的状态监测是制造加工中非常重要的问题.由于刀具振动信号具有复杂非线性、强耦合等关系,常用的基于支持向量机(SVM)的刀具监测模型由于参数的设置极其依赖人为经验,设置不当会导致监测的识别率不高,在刀具磨损状态判别中收到了限制.针对此难题,依据螺纹刀具的振动特性,结合改进的粒子群算法(PSO),采用异步更新学习因子...     

基于多特征融合的刀具磨损识别方法

针对刀具磨损监测中多传感器融合监测方法的缺点,提出了基于声发射信号多特征融合与最小二乘支持向量机(lease square support vector machine,简称LS-SVM)相结合的刀具磨损状态监测方法。首先,分别采用经验模态分解法、双谱分析法以及小波包分析法提取采样信号在时域、频域、时-频域内的特征,构造联合多特征向量;然后,利用核主元分析法(kernel principal component analysis,简称KPCA)对联合多特征向量进行融合降维处理,通过提取累积贡献率大于85%的主元,剔除了联合多特征中与刀具磨损相关性较小的冗余特征,生成融合特征;最后,将融合特征送入最小二乘支持向量机,有效地实现了（尤其在小样本下）刀具磨损状态的识别,与神经网络识别方法相比具有更高的识别率。     

基于云理论与LS-SVM的刀具磨损识别方法

针对刀具磨损过程中产生声发射信号的不确定性以及神经网络学习算法收敛速度慢、易陷入局部极小值、对特征要求较高等问题,提出了基于云理论和最小二乘支持向量机的刀具磨损状态识别方法。首先,对声发射信号进行小波包分解与重构,滤除干扰频段对求取特征参数的影响;其次,对重构后的信号利用逆向云算法提取云特征参数:期望、熵、超熵,分析刀具磨损声发射信号的云特性及磨损状态与云特征参数之间的关系;最后,将云特征参数组成特征向量送入最小二乘支持向量机进行识别。研究结果表明:所提取的特征可以很好地反映刀具的磨损状态,云-支持向量机方法可以有效地实现刀具磨损状态的识别,与传统神经网络识别方法相比具有更高的识别率,识别率达到96.67%。     

基于EMD-PSO-HMM刀具磨损监控系统

为解决在机械加工过程中刀具的磨损及崩刃对加工质量和效率的影响,通过机器人学习技术,设计一套基于EMD-PSO-HMM刀具磨损监控系统。首先提取不同刀具磨损状态下主轴的电流信号,由于传统小波分析及傅里叶分析在信号分析过程存在一定局限性,文章采用EMD算法对加工过程中主轴电流信号进行不同尺度信号分解并提取特征参数,将提取的特征值输入HMM模型进行训练迭代。为解决HMM模型在模型训练的过程中存在局部最小值的问题,文章引入粒子群算法对HMM模型的输入参数进行全局搜索以达到最优值。基于以上形成的EMD-PSO-HMM刀具磨损监控系统在实际刀具磨损状态评估过程中具有较高的准确性。     

异构数据融合的CNC刀具磨损状态在线识别方法

针对CNC在线视觉识别刀具磨损状态信息源单一、易受干扰导致识别准确率低、可靠性差的问题,提出一种基于异构数据融合的识别方法。采用自主研发的在线视觉检测装置和TCP/IP通信技术,获取工件切痕图像和机床内置传感器数据;基于与磨损相关的异构数据特征信息,利用支持向量机构建初步识别模型;使用邓熵与加权证据理论融合初步识别结果,得到刀具磨损状态最终识别结果。研究结果表明,该识别方法对测试集的识别结果准确率达到100%,且识别结果的均方误差最小,有较强的抗干扰能力。     

刀具磨损状态综合识别系统

介绍一种以PC机为后台，以双单片机为前台的刀具磨损状态识别系统。并阐述了系统设计中的关键技术与硬软件工作原理。     

基于切削力信号时域频域特征融合的刀具磨损监测

从时域、频域提取了切削力信号特征参数随着刀具磨损量增加的变化规律,提取了切削力信号的峰值因子、Kurtosis系数和频段带能量作为刀具磨损量监测特征参数,并将各个特征量构成的特征矢量输入改进的多层反传神经网络进行融合,实现钻削过程刀具磨损量的智能识别。试验结果表明,该方法具有较高的识别精度和较强的抗干扰能力。     

基于主轴电流和振动信号的数控机床刀具磨损在线预测

为了实现数控机床加工过程中刀具磨损状态的在线预测，提高数控机床智能化水平，提出一种基于主轴电流和振动信号的数控机床刀具磨损在线预测方法。这一在线预测方法采集能够反映刀具磨损状态的主轴电流和振动信号，对信号进行频域、时频分析处理，采用小波包分解和经验模态分解两种方法进行特征提取，得到与刀具磨损状态变化密切相关的特征值，按照递增或递减趋势进行保序回归操作，使用指数平滑方法进行平滑处理，由此建立基于遗传算法参数寻优的支持向量回归模型，用于预测刀具磨损量。试验及应用表明，应用这一在线预测方法，刀具磨损预测的平均误差在25μm以内，满足企业加工要求。     

基于计算机视觉的刀具磨损状态识别技术

刀具磨损状态自动识别系统能够显著地降低制造成本,但是,只有很少的刀具磨损检测理论能够应用到工业实践中去,特别是基于声发射和切削力测量的间接测量技术。本文综述了作为直接测量技术的计算机视觉系统的优点和它的组成及对刀具图像进行处理的基本原理。     

数控机床主轴电流与切削参数关系研究

简单介绍了监测刀具状态的重要性,阐述了主轴电流与刀具磨损量之间的线性关系,同时提出了主轴电流与切削参数之间存在着必然联系。设计了检测电流信号的测试系统,建立了主轴电流与切削参数关系的数学模型,并通过多元线性回归处理确定了该模型中的未知系数。利用F检验法验证模型呈显性成立。通过相对误差及剩余标准差计算,验证了该模型精确度非常高,满足工程实际需要。最后得出了铣削加工中切削参数对主轴电流影响的显著度由强到弱的顺序。     

微细加工中的微型铣床、微刀具磨损及切削力的实验研究

由于微机电系统(Micro Electro Mechanical System,MEMS)在微小零件加工中存在不足,微细铣削加工作为一项补充技术正在日益受到人们的重视。介绍了研制的微型精密三轴联动立式铣床(300 mm×300 mm×290 mm)的系统构成,开发了中文控制软件并集成了视频采集系统,此设备在薄膜型工件(膜厚65 μm)的微槽加工中取得了满意的效果(膜厚方向上材料去除率90.7%,成品率大于80%)。对微径端铣刀进行了力学特性分析,并通过刀具磨损试验分析了微径硬质合金TiA1N涂层及非涂层铣刀的磨损机理。最后通过槽铣硬铝2A12的试验研究了切削用量(主轴转速、背吃刀量和每齿进给量)对微细铣削力的影响,为微细铣削切削机理的深入研究奠定了基础。     

基于切削声音的刀具磨损状态识别研究

人工神经网络可以实现多特征信息的融合,将基于BP神经网络,建立各频率段能量百分比与刀具磨损的映射关系,进行刀具磨损状态识别的研究。最后在Labview环境下调用Matlab神经网络程序,初步实现了刀具磨损的识别。     

油液在线监测系统中磨粒识别技术研究

针对磨损状态监测要求,构建了基于显微图像分析的油液在线监测系统。根据系统光路特点,对磨粒图像进行了基于彩色特征的转换,并通过与背景图像的差值处理来快速提取磨粒目标。基于最小二乘支持向量机设计了磨粒两类分类器,并利用粒子群优化算法对最小二乘支持向量机模型中的参数进行了优化选取;根据磨粒识别体系,设计了基于最小二乘支持向量机的磨粒综合分类器。最后,利用铁谱分析技术对系统性能和识别效果进行了检验,结果表明本系统具有较高的检测精度和识别效果。     

基于主轴电流的铣削力间接监测方法

实时准确地监测铣削状态对于提高加工质量与加工效率具有重要意义,切削力作为重要的加工状态监测对象,因其监测设备昂贵且安装不便而受到限制,为此提出一种考虑刀具磨损的基于主轴电流的铣削力监测方法.首先基于切削微元理论建立了考虑后刀面磨损的铣削力模型,并通过铣削实验进行铣削力模型系数标定;然后对主轴电流与铣削力的关系进行理论建...     

Drilling torque control using spindle motor current and its effect on tool wear

Drilling torque was estimated using the spindle motor current and controlled through feedrate manipulation for the reduction of drill wear. A PID controller was used to control the cutting torque measured indirectly from the spindle motor current. The effect of cutting torque control on drill flank wear was also investigated. Experimental results showed that the drilling torque was well-regulated at a given reference level and the risk of drill failure and drill flank wear were reduced remarkably through cutting torque control. Moreover, the suggested cutting torque control system does not disturb the cutting process and is practical in an industrial environment.Nomenclature I _rms Root mean square value of spindle motor current (ampere) - I _u,v,w U, V, and W phase current of the spindle motor (ampere) - I _rms,c Spindle motor current due to cutting (ampere) - I _rms,t Tare current of the spindle motor (ampere) - T _c Cutting torque (Nm) - T _s Sampling rate (Hz) - N _r Number of revolution - N _d Number of data per revolution - K _I Spindle motor current gain (ampere N^–1m^–1) - _d Time constant of the spindle system (sec)     

基于粒子群优化SVM的刀具磨损量预测

针对SVM预测刀具磨损量存在的参数不易确定的问题,提出了新的基于粒子群优化SVM的智能预测方法。在介绍粒子群算法和SVM回归模型基本理论的基础上,提出用自适应粒子群优化算法优化SVM参数的策略,采用小波包方法对切削声信号进行分解处理,建立了基于粒子群优化SVM的刀具磨损量预测模型。试验分析的仿真结果表明,所建立的刀具磨损量智能预测模型具有较强的推广能力和较高的预测精度。     

基于粒子群优化算法的水源微生物自动识别

水源微生物检测在水源生物安全监测等方面具有非常重要的意义，而传统的显微镜观测等方法存在效率低、需要专业人员操作等不足，为此提出了一种水源微生物自动识别方法。采集水样，并制作水源微生物图像集，编写全自动与半自动两种图像分割算法用于提取目标微生物区域，并提取6种图像特征。基于以上特征数据，研究水源微生物识别模型的优化问题：首先，优化部分特征参数；接着，融合所有特征，建立粒子群优化算法的支持向量机（support vector machine optimized by particle swarm optimization, PSO-SVM）微生物识别模型，并与其他识别算法进行比较。结果表明，相比于其他3种算法，PSO-SVM能更有效地识别各种微生物，其平均识别率达到97.08%。     

在线支持向量机在数控铣床刀具磨损预测建模中的应用

刀具磨损的自动监测是现代制造技术的关键技术之一,是保证自动化加工顺利进行的前提之一.在实际生产当中,对刀具磨损的检测,不能停机检测而只能采取在线的间接监测方法.提出一种基于在线支持向量机的数控铣床刀具磨损的预测方法.结果表明,所提方法具有参数调整时间快、泛化能力强的优点,可以比较准确地监控刀具磨损.     

基于进化神经网络的刀具寿命预测

为预测道具寿命,引入人工神经网络技术,建立了刀具寿命预测神经网络模型,同时对切削参数进行优化选择.在刀具寿命预测中,针对反向传播算法存在收敛速度慢、容易陷入局部极小值及全局搜索能力弱等缺陷,采用遗传算法训练反向传播神经网络,设计了进化神经网络的学习算法.实验和仿真结果表明:基于进化计算的反向传播神经网络可以克服单纯使用反向传播网络易陷入局部极小值等难题,刀具寿命的预测精度较高,从而为刀具需求计划制定、刀具成本核算,以及切削参数制定提供理论依据,节约了制造执行系统中的生产成本.