基于信息融合的精密磨削砂轮磨损状态在线识别方法研究

高质量非球面光学元件批量制造是目前精密磨削技术力求实现的目标。为了提高非球面光学元件精密磨削的加工效率,必须在加工过程中动态识别砂轮磨损状态,在砂轮接近或达到寿命周期时对其进行修整。寻求一种经济可行的方式,实现砂轮寿命周期在线评估,利用声发射、砂轮振动、磨削力等多种类型加工过程信号,提取和选择能够全面、灵敏反应砂轮磨损状态的特征,基于Dempster-Shafer证据理论,进行多源信息融合,实现精密磨削砂轮磨损状态在线识别。     

基于振动信号的砂轮磨损状态的在线特征识别

主要研究了基于振动信号的砂轮磨损状态在线特征识别.在分析砂轮磨损机理及其与振动关系基础上,进行了砂轮磨损试验研究,在时频域对砂轮磨损状态的多种特征信号进行提取和对比分析,获得了反映砂轮磨损状态的特征信号.     

金刚石砂轮磨削性能退化评估

为了提取高精度磨削干涉中的声发射信号特征,实现砂轮磨削性能退化评估,针对熔石英开展全寿命周期金刚石砂轮磨削实验,基于小波包分析确定砂轮磨损敏感频段为低频段,然后计算声发射信号在低频段的归一化能量占比,再利用主成分分析对能量占比进行特征降维获得单值特征,利用该单值特征绘制砂轮磨削性能退化曲线。研究结果表明,监测特征能够清晰反映砂轮初期磨损、正常磨损和过度磨损三个阶段,且监测结果不受加工参数影响;砂轮磨削材料破裂尺度与声发射频率具有一定关系,伴随砂轮磨损的加剧,较大尺度破裂的比例上升,造成65kHz以下低频段特征的能量占比增大,监测特征显著增加,磨粒崩碎产生新的切削刃,砂轮的去除能力有所改善,监测特征数值回落,但是,不同样本的声发信号频谱差异性显著增加,说明砂轮加工状态不稳定,不利于精密与超精密加工中维持稳定质量的要求。砂轮形貌图像的白像素占比变化曲线验证了声发射特征对砂轮磨损状态判断的正确性。     

基于BP网络的光学玻璃磨削砂轮钝化识别

砂轮钝化对光学玻璃磨削的加工质量有很大影响。为提出一个快速、准确的砂轮钝化识别算法,对BK9玻璃进行了平面磨削钝化试验,并采集其磨削力及声发射信号。对法向磨削力进行统计分析,确定了光学玻璃磨削中砂轮存在的三种磨钝状态。提出平均采样方法,对声发射信号进行快速降维并提取特征向量,输入BP神经网络进行训练。针对采样参数及网络结构进行优选,最终结果表明时,模型分类识别效果最好,准确率达到。     

基于BP神经网络的超声振动钻削钻头磨损状态监测试验研究

搭建了超声轴向振动钻削钻头磨损状态的钻削力和声发射信号采集系统,采集不同磨损状态下钻中区域的钻削力和声发射信号进行小波分解,得到与钻头磨损状态相关的特征量作为识别钻头磨损状态的特征参数,输入到建立的6-13-3的三层BP神经网络模型中进行融合,识别钻头磨损状态。试验结果表明,通过BP神经网络技术将钻削力和声发射信号融合识别钻头磨损的准确率约88.9%,能够有效监测钻头磨损状态。     

基于油液-振动多维特征与PSO-LSTM的齿轮箱磨损状态监测

针对单独从振动特征、油液特征对齿轮箱进行磨损状态监测存在特征维度单一、准确率低的问题，提出基于油液-振动多维特征与粒子群优化算法-长短时记忆神经网络(PSO-LSTM)的齿轮箱磨损状态监测算法。对铁谱图像进行预处理，提取磨粒浓度特征、磨粒个数特征，对振动信号进行小波阈值去噪，并提取时域特征，得到油液振动十四维特征作为LSTM模型的输入；采用粒子群优化算法对LSTM模型进行参数寻优。实验验证：使用油液振动十四维特征的PSO-LSTM模型的识别准确率要优于单独使用振动和油液特征的PSO-LSTM模型，PSO-LSTM模型对于油液振动十四维特征数据的识别准确率全面优于未经优化的LSTM模型。     

基于模糊小波极限学习机的刀具磨损状态识别

刀具磨损作为机械加工过程中的常见现象,直接导致了切削力增加、工件表面粗糙度恶化以及尺寸超差等不良后果,极大地影响加工效率.采集加工过程中切削力、振动及声发射信号,利用线性回归法对信号进行特征提取及降维;采用不同刀具的磨损数据训练模糊小波极限学习机(FWELM),降低加工过程的不确定性对识别模型的影响,并解决加工系统的信息模糊造成的建模困难问题,提升刀具磨损识别模型的泛化能力.利用标准刀具磨损数据集测试结果证明,基于FWELM构建的刀具磨损状态识别模型识别的每个刀具磨损阶段的准确率及总体识别准确率皆高于极限学习机构建的识别模型.     

基于人工蜂群-BP神经网络的刀具磨损监测

为了提高刀具磨损状态监测准确度,提出基于人工蜂群-BP神经网络算法的刀具磨损状态监测方法。使用力传感器和振动传感器设计了磨损状态监测平台;使用匹配追踪算法对信号进行了去噪;提取了信号时域、频域、时频域的特征参数,使用核主成分分析法对特征参数进行了降维,确定了反应刀具磨损状态的15个特征参数;提出了人工蜂群-BP神经网络算法的刀具磨损状态识别方法,使用人工蜂群算法优化BP神经网络算法参数;经实验验证,传统BP神经网络识别准确率为78.75%,优化BP神经网络算法识别准确率为100%。     

碟形金刚石砂轮变速修整的磨削力特征和系统稳定性研究

在建立杯形砂轮修整碟形金刚石砂轮修整模型的基础上,分析了砂轮接触刚度对磨削系统稳定性和磨削力的影响。通过杯形砂轮修整碟形金刚石砂轮的修整力试验,对磨削力的信号特征、变化规律进行了数理检验。结果表明:磨削力信号是一种平稳的周期性非正态振动信号;砂轮接触刚度增加,径向磨削力增加,系统稳定性下降;低速磨削时磨削力最大;砂轮变速磨削,径向磨削力降低,修整效率最佳。     

曲线磨削受力模型建模研究

曲线磨削常用于高强度模具、刀具等轮廓类零件的加工,属于干式磨削,加工过程中的动态磨削力和零件制造性能密切相关.基于切屑分离准则和材料摩擦属性,对曲线磨削中单颗磨粒的受力状态进行分析,建立曲线磨削单颗磨粒的受力模型.针对曲线磨削圆弧砂轮的加工特点,计算砂轮刀尖轮廓微元磨削力,然后通过整个砂轮刀尖圆弧积分,建立砂轮的整体受力模型.在此基础上,设计了曲线磨削试验,用于确定模型参数,并对所建立的受力模型进行检验.试验结果表明,所建立的受力模型磨削力预测效果良好,理论值和试验值的平均偏差在10％左右.     

基于GAF-CNN的刀具磨损程度识别研究

针对刀具磨损的检测需求，提出一种GAF-CNN方法，对铣刀的力信号进行格拉姆角场处理，以铣刀的一维力信号转化的二维图像作为卷积神经网络的输入，进而识别出刀具磨损的3种状态。经过实验，GAF-CNN分别在训练集和测试集得到99%和98%的准确率。最后，将文中实验结果与采用相同数据集并以处理过的时序信号作为输入的其它实验进行对比。对比结果显示，提出的GAF-CNN方法对刀具磨损程度识别有更高的分类准确率，证明了该方法的可行性。     

基于磨削声与电流的砂带磨损状态识别

为实时监测砂带磨损状态,采用基于磨削声信号与电流信号的监测方案。首先,利用时域分析方法与小波包分析方法提取砂带磨损信号特征,通过朴素贝叶斯方法融合两种信号,从而识别砂带磨损状态;其次,为提高砂带磨损状态识别准确率,针对朴素贝叶斯方法的分类特性,改进了一种基于Fisher判别率与互信息的信号特征选择方法。实验结果表明,利用基于Fisher判别率与互信息方法能够挑选出可分性好同时特征间相关性弱的信号特征,基于朴素贝叶斯的砂带磨损状态识别方法能够准确地识别砂带磨损状态。     

基于小波分析和GA-SVM的金刚石 砂轮磨损的声发射监测研究

针对工程陶瓷磨削中金刚石砂轮磨损状态判别准确度不高的问题,在部分稳定氧化锆陶瓷金刚石砂轮精密磨削的声发射智能监测实验中,在深入研究部分稳定氧化锆陶瓷磨削机理的基础上,对磨削声发射信号进行了5层离散小波分解。研究结果表明:金刚石砂轮磨损后,磨削声发射信号小波分解系数的有效值和方差,以及声发射信号小波能谱系数在低频率段都有所增大;利用部分稳定氧化锆磨削声发射信号的小波能谱系数或小波分解系数的有效值和方差值的组合,作为判别金刚石砂轮磨损状态的特征值,采用基于遗传算法支持向量机对金刚石砂轮的磨损状态判别准确度达100%,判别准确度明显优于BP神经网络方法。     

基于WOA-VMD-SVM数控机床刀具健康状态评价体系的建立

刀具的健康状态直接影响着数控机床的加工性能。对刀具的磨损、破损等健康状态因素进行前期预测和判断,可有效防止因刀具健康状态异常而导致加工质量不稳定等问题。根据刀具在机加工过程中因磨损状况而引起机床机械特性的变化展开分析与研究,即通过采集与刀具健康状态相关联的机床主轴振动信号,并对该信号进行处理和特征提取,建立基于WOA-VMD-SVM刀具健康状态预测识别模型。经实验分析与验证,所建立的模型具有很高的识别准确率,其准确率高达96.8%,高于SVM模型和GA-SVM模型,由此表明该模型能够高效、准确地对刀具磨损状态进行识别和分类。     

基于LSTM-RNN的滚动轴承故障多标签分类方法

为实时监测砂带磨损状态,采用基于磨削声信号与电流信号的监测方案。首先,利用时域分析方法与小波包分析方法提取砂带磨损信号特征,通过朴素贝叶斯方法融合两种信号,从而识别砂带磨损状态;其次,为提高砂带磨损状态识别准确率,针对朴素贝叶斯方法的分类特性,改进了一种基于Fisher判别率与互信息的信号特征选择方法。实验结果表明,利用基于Fisher判别率与互信息方法能够挑选出可分性好同时特征间相关性弱的信号特征,基于朴素贝叶斯的砂带磨损状态识别方法能够准确地识别砂带磨损状态。     

基于声发射信号的带材剪切刀具磨损在线监测方法

在铁基纳米晶合金带材剪切加工过程中，其刀具的状态对于保证加工质量至关重要。针对铁基纳米晶合金带材剪切加工过程中的刀具磨损状态监测问题，提出了一种基于声发射信号的剪切刀具磨损在线监测方法。首先，通过搭建声发射监测设备确定了相应的参数，采集原始声发射信号进行了预处理，得到了剪切加工阶段的信号，将其用于后续处理；然后，分析了剪切刀具磨损以及带材质量随剪切加工过程变化的关系，并根据剪切加工过程中获取的声发射信号，进行了时域、频域、时频域特征提取，分析了获得的特征与刀具磨损之间的关系，利用ReliefF和主成分分析(PCA)算法进行了特征选择与降维处理，得到了具有良好相关性的特征；最后，基于所选特征，构建了支持向量机(SVM)人工智能模型，用以识别剪切刀具的磨损阶段。研究结果表明：随着刀具磨损的加剧，带材质量下降，声发射信号特征值与刀具磨损存在对应关系；采用ReliefF-PCA-SVM模型能够实现95.56%的分类准确率，能够有效地对剪切加工过程中的刀具磨损进行在线监测。     

基于myRIO的砂轮磨损状态监控

大批量工件生产时,砂轮磨损和钝化会导致工件表面质量和尺寸精度的下降,严重时会造成工件报废,增加不必要的经济损失。提出了一种高效简便的砂轮磨损在线监测的方法,利用嵌入式开发设备NI myRIO提取砂轮工作状态中的振动信号,综合分析砂轮磨损与振动信号特征值之间的内在联系。通过两组固定工艺参数条件下的磨削实验,提取砂轮磨损判别阈值,并建立工艺数据库,以实现磨削过程自适应控制,提高生产效率。     

深度学习与多信号融合在铣刀磨损状态识别中的研究

为精确地识别刀具磨损状态,提出了一种深度学习与多信号融合相结合的识别方法.以自编码网络为基础,构建了堆叠稀疏自编码网络.采集铣刀不同磨损状态下的力信号、振动信号及声发射信号,并对上述信号进行小波包分解以便获取能够表征铣刀磨损的时频域特征.利用无监督学习和有监督学习对堆叠稀疏自编码网络进行训练,建立了深度学习的铣刀磨损状态识别模型.研究结果表明,多信号融合的深度学习模型对铣刀磨损状态识别准确率达到94.44％.     

深度学习与多信号融合在铣刀磨损状态识别中的研究

为精确地识别刀具磨损状态,提出了一种深度学习与多信号融合相结合的识别方法.以自编码网络为基础,构建了堆叠稀疏自编码网络.采集铣刀不同磨损状态下的力信号、振动信号及声发射信号,并对上述信号进行小波包分解以便获取能够表征铣刀磨损的时频域特征.利用无监督学习和有监督学习对堆叠稀疏自编码网络进行训练,建立了深度学习的铣刀磨损状态识别模型.研究结果表明,多信号融合的深度学习模型对铣刀磨损状态识别准确率达到94.44％.     

纳米ZrO2陶瓷的超声振动延性域磨削特性研究

本文分析了纳米ZrO2陶瓷在普通和超声磨削状态下的裂纹扩展过程及延性去除机理;通过对不同磨削状态的磨削力及AFM和SEM对表面质量的观察,做了在普通和超声磨削状态下的对比试验,研究了临界延性磨削深度对磨削力及表面质量的影响关系;基于超声振动磨削过程及磨削力的分析,讨论了超声振动增加延性磨削深度的原因,最后通过AFM对延性域加工表面形貌的形成机理进行了观察。研究表明：超声加工能明显提高纳米ZrO2陶瓷的临界延性磨削深度,振动方向垂直于砂轮线速度方向时,其磨削效果要优于振动方向平行于砂轮速度方向的磨削效果。通过在延性域范围内磨削,超声加工能高效地获得纳米加工表面,超精密磨削表面是由不同幅值多种波形叠加的结果。