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策略实现刀具状态监测模型优化.结果表明,优化后的PSO-SVM刀具状态监测模型能够有效对SVM的关键参数进行寻优,异步更新学习因子也可加强模型在迭代后期的寻优能力,从而提高刀具状态监测识别的精度.     

基于粒子群算法优化支持向量机的数控机床状态预测

数控机床状态预测对于及时发觉数控机床健康状况有着非常重要的作用.为了实现数控机床状态的准确预测,提出采用粒子群算法优化支持向量机(PSO-SVM)进行数控机床状态预测方法,其中粒子群算法用于确定支持向量机(SVM)中的训练参数,以得到优化的SVM 预测模型.试验结果表明,用PSO-SVM对数控机床状态进行预测,不仅所需样本少,而且具有很好的预测精度.     

特征融合与GA-SVM在刀具状态监测中的应用研究

为保证监测的准确性,刀具监控系统往往采用多个传感器进行监测并采集数据,导致监测成本的增加。通过对一个传感器的信号数据建立多个信号处理模型,将多个模型的特征进行融合,深度挖掘信号中所蕴含有关刀具磨损的敏感特征,提高监测的准确性,降低成本;同时针对将融合所得特征输入支持向量机(SVM)进行刀具磨损状态的识别时,常需要反复调整惩罚参数c和核函数g的问题,采用遗传算法(GA)对惩罚参数c和核函数g进行优化,减少了SVM模型的搭建时间,提高了SVM的识别准确率。     

基于多重分形和PSO-SVM的齿轮箱故障诊断

针对齿轮箱振动信号的非线性和非平稳性,提出一种多重分形和粒子群优化的支持向量机(PSO-SVM)相结合的故障诊断方法。首先采用短时分维作为模糊控制参数的分形滤波器对背景噪声较大的齿轮箱振动信号进行滤波降噪;其次引入多重分形谱算法对滤波后信号进行分析,发现多重分形特征量Δa(q)、f(a(q))max、盒子维数Db能很好地反映齿轮箱工作状态;最后对支持向量机(SVM)的参数利用粒子群优化(PSO)算法进行优化,并将多重分形特征量分别作为SVM和PSOSVM的输入参数以识别齿轮箱故障。结果表明,基于粒子群优化的支持向量机可以提高分类正确率。同时证明了基于多重分形和PSO-SVM在齿轮箱故障诊断中的有效性。     

轨道车辆一系垂向减振器劣化辨识方法研究

减振器是轨道车辆的重要部件,在目前的研究中,缺少对轨道车辆一系垂向减振器劣化阶段进行辨识的研究.为了实现对减振器的劣化阶段进行辨识,提出了一种基于粒子群优化支持向量机(PSO-SVM)模型的减振器性能劣化辨识方法.首先通过仿真软件获得减振器的加速度信号,提取特征后利用SVM模型对特征进行筛选融合,其次使用粒子群寻优算法...     

基于粒子群优化的支持向量机的软测量应用

提出了一种基于粒子群优化算法的支持向量机参数选择方法。针对RBF-SVM,利用PSO算法中粒子速度及其位置与RBF-SVM模型中参数对C和g相对应,找到最优参数,代入支持向量机SVM预测模型中,得到基于粒子群优化算法的支持向量机(PSO-SVM)模型,利用此模型对电厂的一次风量软测量进行预测研究。实验结果表明,经过粒子群优化算法的支持向量机回归模型具有较高的预测精度,粒子群优化算法是选取支持向量机参数的有效方法。     

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EEMD信息熵和PSO-SVM的自动机故障诊断

针对自动机振动信号的瞬态冲击、非线性和非平稳性,提出一种基于集合经验模式分解(EEMD)的信息熵和粒子群优化的支持向量机(PSO-SVM)相结合的故障诊断方法。首先采用小波阈值降噪对振动信号进行预处理;其次运用具有抗混叠效应的EEMD对降噪信号进行分解得到本征模式分量(IMF),从而提取能反映自动机状态的特征参数:能量熵、边际谱熵和奇异谱熵;最后对支持向量机(SVM)的参数利用粒子群优化(PSO)算法进行优化,并将特征向量子集分别作为PSO-SVM和概率神经网络(PNN)的输入参数以识别自动机故障,结果表明:PSO-SVM相对于PNN可以提高故障分类正确率,同时证明基于EEMD信息熵和PSO-SVM方法在自动机故障诊断中的有效性。     

特征降维与决策融合在刀具磨损监测中的应用

声发射技术是刀具磨损状态监测的有效检测方法。针对目前对刀具声发射信号难以实现识别分辨率和计算速率兼容的问题,提出关于刀具磨损状态识别建模的新方法。首先对信号进行小波包特征抽取,并通过核主分量分析对其进行优化。接着在两种神经网络识别结果的基础上,提出基于支持向量机的决策融合算法,从而避免了经典决策融合算法在实际应用中的问题。实验数据证明,该模型能有效提高刀具磨损状态的识别分辨率,且不影响运算的在线性。     

基于谐波特征和GA-SVM的刀具状态监测

刀具状态的监测是实现机械加工自动化重要的一环.为了有效地捕捉刀具的状态信息,提出了一种基于谐波特征和GA-SVM(遗传-支持向量机)相结合的刀具状态监测方法.该方法运用小波变换提取AE信号的谐波特征信息,作为支持向量机的输入参数,GA寻找SVM建立刀具状态模型的最优参数,通过训练建立模型.结果表明,该方法能有效监测刀具磨损状态.     

基于多源同步信号与深度学习的刀具磨损在线识别方法

为提高刀具状态监测系统的实用性、避免实际加工过程中工序变换产生的信号干扰,提出一种基于多源同步信号与深度学习的刀具磨损在线识别方法。该方法利用自动触发的方式实现了机床运行在特定工序时的刀具振动、主轴功率、数控系统参数等多源信号的同步在线采集,保证信号同步性的同时有效避免了因工序变换而产生的信号波动干扰;进一步利用高频振动特征实现了 “切削过程”与“切削间隙”采集样本的准确划分,并基于皮尔逊积矩相关系数筛选出强关联特征,保证了多源监测信号融合样本的可用性;最后基于一维卷积神经网络建立了刀具磨损在线识别模型。实验结果表明,该方法无论从识别精度还是诊断效率,均能实现实际加工过程中刀具磨损状态的在线识别。     

Estimation of tool wear during CNC milling using neural network-based sensor fusion

Cutting tool wear degrades the product quality in manufacturing processes. Monitoring tool wear value online is therefore needed to prevent degradation in machining quality. Unfortunately there is no direct way of measuring the tool wear online. Therefore one has to adopt an indirect method wherein the tool wear is estimated from several sensors measuring related process variables. In this work, a neural network-based sensor fusion model has been developed for tool condition monitoring (TCM). Features extracted from a number of machining zone signals, namely cutting forces, spindle vibration, spindle current, and sound pressure level have been fused to estimate the average flank wear of the main cutting edge. Novel strategies such as, signal level segmentation for temporal registration, feature space filtering, outlier removal, and estimation space filtering have been proposed. The proposed approach has been validated by both laboratory and industrial implementations.     

Tool wear monitoring system for CNC end milling using a hybrid approach to cutting force regulation

A tool wear monitoring system is indispensable for better machining productivity, with the guarantee of machining safety by informing of the time due for changing a tool in automated and unmanned CNC machining. Different from monitoring methods using other signals, the monitoring of the spindle current has been used without requiring additional sensors on the machine tools. For reliable tool wear monitoring, only the current signal from tool wear should be extracted from the other parameters to avoid exhaustive analyses on signals in which all of the parameters are fused together. In this paper, the influences of force components from different parameters on the measured spindle current are investigated, and a hybrid approach to cutting force regulation is employed for tool wear signal extraction from the spindle current. Finally, wear levels are verified with experimental results by means of real-time feedrate aspects, varied to regulate the force component from tool wear.     

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...     

异形螺杆数控铣削刀具磨损智能建模研究

介绍了一种在线估算螺杆数控铣削中刀具磨损量的新方法。该方法基于螺杆铣削过程变切削参数的工况,提取了振动信号和功率信号的刀具磨损特征值,基于自适应神经—模糊推理系统建立了刀具磨损数学模型。实验证明,由此建立的刀具磨损模型能够排除切削参数变化的干扰,可以较好的反映加工中刀具磨损状态,同时也为具有时变切削参数特性的加工过程刀具磨损状态监控提供了新的研究方法。     

Prediction of tool breakage in face milling using support vector machine

A new approach is proposed using a support vector machine (SVM) to classify the feature of the cutting force signal for the prediction of tool breakage in face milling. The cutting force signal is compressed by averaging the cutting force signals per tooth to extract the feature of the cutting force signal due to tool breakage. With the SVM learning process, the output of SVM’s decision function can be utilized to identify a milling cutter with or without tool breakage. Experimental results are presented to verify the feasibility of this tool breakage prediction system in milling operations.     

[设备健康管理]基于机床信息的加工过程刀具磨损状态在线监测

为实现刀具磨损状态的在线监测,提高监测系统的实用性,提出一种基于机床信息的加工过程刀具磨损状态在线监测方法。采用OPC UA通信技术在线采集与存储数控机床信息,得到与磨损相关的机床内部过程信息,并基于这类信息与相应的刀具磨损信息,利用卷积神经网络建立了刀具磨损状态识别模型。应用案例证明了该方法的监测性能,与其他传统监测方法相比,该方法更适用于实际的生产加工。     

基于BP神经网络的截齿磨损程度在线监测

为实现截齿截割过程中磨损程度的实时精准在线监测,提出了一种基于BP神经网络的截齿磨损程度多特征信号融合的检测方法。通过提取截割过程中不同磨损程度截齿的三向振动信号、红外温度信号和电流信号,建立了不同磨损程度截齿的多特征信号样本数据库,采用多特征信号样本对BP神经网络进行学习和训练,建立截齿磨损程度的识别模型,实现截齿磨损程度在线监测与精确识别。实验结果表明:基于BP神经网络的截齿磨损程度监测系统,网络判别结果和测试样本的实际磨损程度类别相符,该BP神经网络系统能够对截齿磨损程度类型进行准确的监测和识别。     

LS-SVM回归算法在刀具磨损量预测中的应用

提出了基于最小二乘支持向量机回归算法的刀具磨损量预测方法。该方法首先利用经验模态分解算法对非线性、非平稳的声发射信号进行平稳化处理,得到了若干个固有模态函数;然后建立了每个固有模态函数的自回归模型,并提取模型系数构造特征向量;最后采用最小二乘支持向量机回归算法实现了刀具磨损量的预测。该方法与神经网络预测算法相比,具有更高的预测准确率,可有效预测当前切削状态下10s后的刀具磨损量。     

异形螺杆铣削过程刀具磨损建模研究

介绍了一种螺杆铣削过程刀具磨损建模的方法。该方法针对螺杆加工中变切削参数的工况，提取了振动信号和功率信号的刀具磨损特征值，并建立了信号特征值与刀具磨损量之间的映射关系，从而得到刀具磨损模型。实验证明，由此建立的刀具磨损模型。能够排除切削参数变化的干扰，可以较好地反映加工中刀具磨损状态。同时也为具有时变切削参数特性的加工过程刀具磨损状态监控提供了新的研究方法。