基于BP神经网络和D-S证据理论的刀具磨损监测方法

将BP神经网络和D-S证据理论相结合的方法运用于刀具磨损监测中,采用小波包分解法对刀具磨损过程中产生的声发射信号进行特征提取,构建特征向量,利用BP神经网络识别判断刀具磨损状态;通过BP神经网络的输出结果和训练误差计算D-S证据理论的基本概率赋值,并用D-S证据理论对BP神经网络的识别结果进行决策级融合。实验结果表明:该方法避免了神经网络识别时的误诊,提高了整个刀具磨损监测系统识别的准确性和可靠性。     

基于HPSO优化BP神经网络的刀具磨损状态识别

针对BP神经网络容易陷入局部极值导致识别精度低的问题,文章提出了一种基于混合粒子群算法(HPSO)的BP神经网络优化算法。在刀具磨损监测实验过程中,采集刀具切削的声发射(AE)信号,利用小波包分解算法对AE信号进行滤波,并进行特征提取。将频带能量特征和切削参数分别作为主特征和辅助特征,并对其对归一化处理。采用混合粒子群优化算法(HPSO)对BP神经网络预测模型进行优化,利用优化后的模型对测试样本进行模式识别,结果表明,优化后的HPSO-BP模型能够有效地降低神经网络陷入局部极值的情况,提高刀具磨损识别精度。     

基于切削力的小波神经网络刀具磨损状态监测

为了有效地进行刀具状态监测,采用小波神经网络对刀具进行故障诊断.通过小波变换提取刀具磨损切削力信号的特征,利用小波包分解技术对信号进行分析,得到有效的特征量作为BP神经网络的输入样本,并对网络进行学习训练,完成对刀具磨损状态的有效识别.仿真结果表明该方法是有效的.     

基于双谱奇异值分解的刀具磨损识别方法

针对刀具磨损声发射信号的非线性、非平稳特性,提出一种基于双谱奇异值分解的刀具磨损特征提取方法.对刀具不同磨损阶段的声发射信号进行双谱分析,构造初始特征向量矩阵,然后对初始特征向量矩阵进行奇异值分解,计算奇异谱,将奇异谱作为刀具磨损特征向量,利用最小二乘支持向量机对刀具磨损状态进行识别.实验结果表明:所提取的特征可以很好地反映刀具的磨损状态,最小二乘支持向量机更适于在小样本下实现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.     

基于声发射信号的振动钻削刀具磨损状态监测试验研究

针对钻削加工时难以直接观察刀具磨损状态的问题,基于声发射采集系统设计了超声轴向振动钻削刀具磨损状态监测装置,并在7075铝板上进行超声振动钻削试验。分析刀具磨损状态对声发射信号RMS值的影响,并通过小波分解技术对比分析刀具在不同磨损状态下的声发射信号变化规律;根据声发射信号对刀具磨损状态进行实时监测。试验结果表明:声发射信号的RMS值与刀具的磨损程度呈正相关;通过小波分解可知,随着刀具磨损的增加,信号的能量逐渐由低频段向高频段转移,可以通过监测声发射信号RMS值与能量的变化实现刀具磨损状态的有效识别。     

基于声信号HMM的刀具磨损程度分级识别

为有效地实时在线监测刀具的磨损状态，提出了基于声音识别技术的刀具磨损监测方法，进行了基于切削声信号HMM的刀具磨损程度的分级识别，监测系统能够对刀具的五级磨损划分进行准确识别，这为刀具的磨损监测提供了一条切实可行的途径。     

刀具磨损状态特征参数提取与识别方法研究

为准确识别刀具磨损状态,提出了基于MF-DFA的特征提取方法和基于LS-SVM的磨损状态辨识方法。设计了刀具磨损试验方案;提出了具有可调节参数的改进阈值小波降噪方法,解决了硬阈值降噪不连续和软阈值降噪失真问题,降噪后信号的信噪比和均方误差优于另外两种阈值;分析了多重分形谱参数与声发射信号特征对应关系,基于此初选了特征参数,根据刀具不同磨损阶段各参数的分布情况优选了特征参数,且优选特征参数聚类效果极佳;采用基于LS-SVM算法的磨损阶段识别方法,分别使用初选特征参数与优选特征参数进行模式识别,实验结果表明,优选特征参数的识别精度明显高于初选特征参数;与BP神经网络、SVM算法相比,LS-SVM算法的识别准确率最高、时间消耗最小。     

L-M优化算法BP网络在刀具磨损量预测中的应用

在线刀具磨损量估算及其未来发展趋势预测对于指导现实生产有着十分重要的意义.提出基于L-M优化算法BP神经网络的刀具磨损量在线预测方法.对声发射信号进行小波包分解,得到32个不同频带内的信号,用于构造初始特征向量矩阵;对初始特征向量矩阵进行奇异值分解,计算奇异谱,将奇异谱做为刀具磨损的特征向量,利用神经网络在线预测刀具磨损量.试验结果表明:预测结果能准确地跟踪实际的刀具磨损曲线,并且L-M优化算法比其他改进算法迭代次数少,收敛速度快,精确度高.     

基于小波神经网络的刀具状态监测

建立了一种小波基函数神经网络的切削刀具磨损状态监测系统。通过提取反映刀具磨损状态的特征参数：声发射，主功率，进给电流为输入信号，利用Morlet解析小波神经网络的非线性模型，获得表示刀具磨损状态的特征量，来实现刀具磨损状态在线智能监测。它可以有效地提高系统识别的精确度和可靠性。     

基于无监督深度学习的声发射信号聚类分析

为提高声发射信号检测诊断的自动化程度,直接从声发射波形出发,提出了一种基于深度神经网络与聚类分析的声发射信号分类方法。针对声发射信号标签数据难以获取的问题,采用无监督学习方式,根据大量声发射实测波形进行深度一维卷积自编码器训练,实现了声发射信号特征的自动提取,进而结合K均值聚类算法准确区分不同类型的声发射信号。铅芯在复合材料板上突然断裂和摩擦的声发射试验表明,提出的方法能自动识别不同类别的声发射信号,识别效果优于基于人为设定声发射信号特征的聚类方法。     

Tool wear detection with fuzzy classification and wavelet fuzzy neural network

In the paper, a new method of tool wear detection with cutting conditions and detected signals is presented, which includes the model of wavelet fuzzy neural network with acoustic emission (AE) and the model of fuzzy classification with motor current. The results of tool wear estimated by cutting conditions and detected signals (spindle motor current, feed motor current and AE) are fused by fuzzy inference. Experimental results show that the method of tool wear detection is reliable and practical.     

基于主成分分析和BP神经网络的微铣刀磨损在线监测

为提高微铣刀磨损在线监测系统的预测精度,尝试通过主成分分析法对微铣削振动信号的时域和频域特征进行降维,将降维后的特征输入改进型BP神经网络模型,实现微铣刀磨损特征分类.结果表明,提出的微铣刀在线监测方法能够准确识别微铣刀的各种磨损状态,此外,和其它分类算法相比,提出的基于遗传算法的BP神经网络模型在分类精度和计算效率方...     

基于BP神经网络的外圆磨削颤振在线识别和监测方法

为提高机床磨削加工过程中对颤振现象识别的能力,提出一种基于BP(back?propagation)神经网络模型的颤振识别方法。通过对加工过程中传感器采集到的高频声发射信号以及振动信号相关特征值的提取,获得关于颤振的多特征参数样本库,并用其对BP神经网络模型进行学习和训练,建立BP神经网络在线识别颤振的算法模型,实现对机床加工过程中是否发生颤振的在线监测和识别。试验结果表明:这种基于BP神经网络模型的颤振识别测试结果与磨削加工试验中的磨削颤振现象结果相符合。该方法能够有效地识别磨削加工过程中的颤振,并起到在线监测识别的作用。      

改进的神经网络技术在声发射定位中的应用

针对时差定位法受很多因素影响的弊端，将神经网络技术应用到声发射源定位中。提取最能揭示声发射源的特征参数和运用主元分析技术来降低输入样本的数量；采用增加隐含层神经元个数探讨它们的误差变化来确定隐含层；运用附加动量法和优化选取初始阈值等措施进行网络设计。将设计好的网络运用到实例中，通过与实际缺陷位置的比较，结果表明，选择合理的网络结构和输入参数可准确定出结构损伤位置，且精度有较大的提高，计算更简单有效。     

基于参数策略的改进粒子群优化PNN神经网络刀具磨损研究

刀具磨损直接影响工件加工质量和尺寸精度,正确掌握刀具磨损状态及时换刀,减少机床停机时间,将直接提高加工效率。为提高刀具磨损状态识别准确率,提出一种基于参数策略的改进粒子群优化PNN(IPSO-PNN)神经网络识别刀具的磨损状态。相较于BP神经网络收敛速度慢、易陷入局部最优的缺点,IPSO-PNN神经网络结构简单、训练简洁快速。与BP神经网络和标准PNN神经网络仿真结果对比,结果表明:IPSO-PNN神经网络识别准确率高,收敛速度快,仿真耗时短,能有效提高刀具磨损识别准确率。     

Analysis of acoustic emission in chatter vibration with tool wear effect in turning

The progressive wear of cutting tools and occurrence of chatter vibration often pose limiting factors on the achievable productivity in machining processes. An effective in-process monitoring system for tool wear and chatter therefore offers the unique advantage of relaxing the process parameter constraints and optimizing the machining production rate. This research presents a dynamic model of the cutting RMS acoustic emission (AE) signal when chatter occurs in turning, and it determines how this motion is related to the RMS AE signal in the presence of tool flank wear. The tool wear effect on acoustic emission generated in turning is expressed as an explicit function of the cutting parameters and tool/workpiece geometry. The AE generated from the sliding contact on the flank wear flat during chatter is investigated based on the energy dissipation principle. This model offers an explanation of the phenomenon of chatter vibration in the neighborhood of the chatter frequency of the tool. It also sheds light on the variation of the RMS AE signal power in close correlation to the characteristic of the state of wear. Cutting tests were conducted to determine the amplitude relationship between RMS AE and cutting parameters. It is shown that RMS AE is quite sensitive to the dynamic incremental changes in the friction and the wear flat mechanism active in machining processes.     

A brief review: acoustic emission method for tool wear monitoring during turning

Research during the past several years has established the effectiveness of acoustic emission (AE)-based sensing methodologies for machine condition analysis and process monitoring. AE has been proposed and evaluated for a variety of sensing tasks as well as for use as a technique for quantitative studies of manufacturing processes. This paper reviews briefly the research on AE sensing of tool wear condition in turning. The main contents included are:

1. The AE generation in metal cutting processes, AE signal classification, and AE signal correction.

2. AE signal processing with various methodologies, including time series analysis, FFT, wavelet transform, etc.

3. Estimation of tool wear condition, including pattern classification, GMDH methodology, fuzzy classifier, neural network, and sensor and data fusion.

A review of AE-based tool wear monitoring in turning is an important step for improving and developing new tool wear monitoring methodology.