共查询到10条相似文献,搜索用时 140 毫秒
1.
2.
刀具磨损监测过程是一个模式识别过程,模糊推理和人工神经网络都是进行模式识别非常有效的办法,针对模糊系统和神经网络各自表现出来的不足,将模糊推理和神经网络结合起来,充分利用模糊系统在处理结构性知识上的优势和神经网络在自学习和并行处理上的能力,形成模糊神经网络进行刀具磨损在线监测识别.通过研究模糊系统和神经网络的结合形势,... 相似文献
3.
提出一种基于径向基函数神经网络的铣刀磨损监控方法,径向基函数神经网络的输出是刀具磨损的具体值,这样有利于对刀具磨损进行各种实时补偿。实验表明,利用径向基函数神经网络进行状态识别可对小型立铣刀的磨损进行监控,能够取得良好的效果,同时证明RBF网络的训练速度优于BP网络。 相似文献
4.
针对刀具的早期故障监测中因存在强烈的背景噪声而难以提取故障特征的问题,提出了基于二次采样随机共振消噪和B样条神经网络智能识别的故障诊断方法。首先利用在随机共振过程中,噪声增强振动信号的信噪比特性,将刀具振动信号进行随机共振输出,提取有效特征,再输入到B样条神经网络进行智能识别,进而获得刀具的磨损值。同时,为了得到与输入信号最佳匹配的随机共振参数,提出了基于遗传算法的多参数同步优化的自适应随机共振算法,克服了传统随机共振系统只实现单参数优化的缺点。实验结果表明,该方法能实现弱信号检测,能有效地应用于刀具磨损故障诊断中。 相似文献
5.
采用小波神经网络的刀具故障诊断 总被引:2,自引:0,他引:2
为了有效的进行刀具状态监测,采用小波神经网络的松散型结合对刀具进行故障诊断。通过小波变换提取刀具磨损声发射(AE)信号的特征.即对AE信号进行小波分解,提取了5个频段的均方根值作为神经网络的输入,来识别刀具磨损状态。试验表明,均方根值完全可以作为刀具磨损过程中产生AE信号的特征向量。仿真结果表明,基于小波神经网络的刀具故障诊断对刀具磨损状态的识别效率高.该方法是有效的。 相似文献
6.
7.
建立了一个以模糊推理为基础的模糊神经网络模型,该模型采用了自组织竞争学习与BP算法相结合的混合学习算法。利用该模型进行了刀具磨损识别的实验研究,实验结果表明该模型能够可靠地对刀具磨损进行识别。 相似文献
8.
9.
针对多传感器刀具磨损监测系统输入维数较多、神经网络结构复杂、收敛速度慢等缺点,提出了粗糙集和遗传算法优化神经网络的模型.该模型首先利用粗糙集理论的属性约简对输入数据进行处理,从而达到减少神经网络输入维数、简化神经网络结构的目的.然后通过遗传算法优化神经网络的初始权值和阈值,以提高神经网络的收敛速度,避免神经网络陷入局部极值点.将该模型应用到刀具磨损监测,通过对声发射信号和电流信号进行处理,提取特征向量值,将特征值先通过自组织神经网络进行连续属性离散化,再通过粗糙集理论进行属性约简,最后通过遗传算法优化的BP神经网络进行识别,取得了很好的效果,证明了此模型的有效性和可行性. 相似文献