多监控数据融合下的铣削刀具磨损量预测北大核心

提出多监控数据下的刀具磨损精确估计神经网络模型,将多传感器信号数据处理成三种时间特征数据,利用三个相同的子模型分别对特征数据进行处理,并作为多层全连通网络的输入,进而实现刀具磨损的最终估计。使用的子模型结合了Transformer模型和自注意力机制,利用长短期记忆网络(LSTM)增强了刀具磨损的数据获取能力,提高了模型的性能。通过实际铣削数据集的多个实验,验证了该方法的有效性,与其他方法进行了比较,验证了该方法的优越性。     

基于不确定性云推理的刀具磨损量预测方法

针对刀具磨损存在随机性和模糊性的特点,提出基于不确定性云推理的刀具磨损量预测模型。首先利用逆向云算法计算刀具磨损声发射信号的3个云特征参数,期望、熵和超熵;其次,通过条件云发生器挖掘不同磨损阶段磨损趋势与不同磨损阶段云特征参数之间的关系,并构建基于云条件发生器的云预测规则;最后,在此基础上建立了多条件单规则云发生器的磨损量预测方法。研究结果显示:云推理刀具磨损量预测模型符合刀具磨损规律;对非确定模型进行预测,云推理比模糊推理更符合实际情况。此外,该方法能反映磨损的实时情况,具有较强的实用性。     

铝合金切削过程刀具磨损预测研究

为更精确地研究刀具磨损,建立刀具磨损模型至关重要。目前刀具磨损的模型主要是经典的刀具磨损模型和刀具磨损预测模型,刀具磨损预测模型主要为人工神经网络、隐马尔可夫模型和支持向量机模型。分析铝合金切削过程中的刀具磨损机制,总结经典的刀具磨损模型,梳理刀具磨损预测模型。铝合金切削过程中刀具主要的磨损机制为黏着磨损、扩散磨损和磨粒磨损。结果表明：在黏着磨损和磨粒磨损的基础上考虑扩散磨损的刀具磨损理论模型最接近实际加工。     

联想记忆网络及其在刀具磨损量监测中的应用

文章介绍了联想记忆网络的基本概念、组成特点及其在刀具磨损监测中的应用,详细分析了一种格构联想记忆网络-B样条模糊神经网络的结构和算法.研究表明,应用B样条模糊神经网络构造的刀具磨损量监测系统,与BP型前馈神经网络相比,具有训练时间短,拟合精度高,局部推广能力强等特点,有较高的工程应用推广价值.     

不同磨损量PCBN刀具椭圆振动车削仿真研究

通过改变刀具磨损量建立具有不同磨损状态的PCBN刀具切削镍基高温合金Inconel 718的仿真模型,设置边界散热条件模拟浇注式切削液冷却环境,分别进行椭圆振动切削仿真和普通切削仿真.研究了具有不同磨损量的PCBN刀具对椭圆振动切削过程中切削力、切削温度、切屑形态的影响规律,并与普通切削进行对比.结果表明:在刀具磨损量...     

基于神经网络的传感器信息融合和综合在刀具状态监…

本文给出了传感器信息融合和综合的定义和特点，说明了多层前向神经网络的结构及ＢＰ算法，并着重用两个实例分别叙述了基于神经网络的传感器信息融合和综合法在刀具状态测系统中的应用。     

刀具磨损监测的一种数据处理方法

采用声发射传感器采集刀具切削时的信号,提出了一种基于BP神经网络识别刀具磨损程度的方法。该方法将原始声发射信号经高通滤波后直接输入到BP神经网络中进行训练,依靠神经网络的非线性映射能力,使神经网络对不同磨损程度刀具产生的信号进行分类,并能准确判别未知信号所属类别。与传统方法相比,该方法省去了人工提取特征值这一费时费力的环节。研究了神经元个数对神经网络的训练和识别的影响,提高了神经网络的识别精度。实验结果表明,该方法可以准确地预测刀具磨损程度。     

不锈钢可加工性分析及其高效切削刀具技术研究

由于不锈钢中含有Cr、Ni、Ti和Mn等铁族元素,与硬质合金刀片中的Co元素属于同族元素,切削过程中容易产生刀-屑黏结和元素扩散等问题,是典型的难加工材料。以碳素钢45#为参考标准,从切削变形、载荷和加工硬化等方面分析不同种类不锈钢的切削加工性;进行刀具材质、结构和切削参数与不锈钢的切削匹配性研究,并进行参数优选;最后对不锈钢切削刀具的性能进行分析,提出不锈钢车削专用刀具设计方法,实现了高效切削和优异刀具使用寿命双重目标,研究数据以期为难加工材料的高效车削提供参考。     

论刀具磨损量与断屑槽断屑的关系

本文通过实验研究和理论分析,讨论了前、后刀面磨损量对断屑槽断屑效果的影响及断屑槽槽形与磨损量的关系,还讨论了改变槽形以减少磨损量、提高刀具寿命并达到最佳断屑效果的断屑槽的设计原则。图4幅。     

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。     

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。     

深度卷积神经网络在多工况下刀具磨损状态监测中的应用

为了解决复杂多工况下刀具磨损状态的监测问题,提出一种基于深度学习的刀具磨损状态监测方法,并构建敏感特征值提取函数.基于刀具磨损数据集,建立多种工况下刀具磨损状态的监测模型,进行多工况下刀具磨损状态监测研究.研究结果表明:当敏感值界限设置为0.3时,从声发射、振动和电流信号的特征值中可以提取出56个敏感特征值;以均方根误...     

基于小波神经网络的高速铣削刀具磨损识别

刀具磨损一直是制造技术中引人注目的重要问题,对于高速切削来说由于加工成本较高而且刀具价格比较昂贵,因此对高速切削中的刀具状态进行识别和监控具有非常重要的意义.文章通过建立小波神经网络来实现对高速加工中刀具状态的识别,结果与实际情况基本一致,从而表明通过此方法是可以较好的对高速加工刀具状态进行识别的.     

基于粒子群算法的RBF神经网络齿轮磨损预测

针对机械设备磨损难以预测问题,提出RBF神经网络预测模型,并结合粒子群算法优化模型参数。利用变速箱型号为SG135-2系列的K727840ZW齿轮磨损实验输入-输出数据,通过基于粒子群算法的RBF神经网络建立输出预测模型,并与传统的AR模型、BP神经网络模型及Hermite神经网络模型预测作比较。仿真结果表明,基于粒子群算法的RBF神经网络模型结构简单、预测精度高,验证了所提方法的有效性和实用性。     

基于遗传算法优化HMM的刀具磨损状态监测研究

对于切削过程中的刀具磨损,采用隐马尔可夫模型(HMM)来识别刀具不同的磨损状态。并且针对隐马尔可夫模型的Baum-Welch算法易陷入局部极小的缺陷,提出一种利用遗传算法优化Baum-Welch算法中B初值的改进方法,从而提高HMM对刀具磨损状态的识别率。通过对切削过程中主轴电机的输出电流信号进行小波包分解提取特征向量,利用Lloyd算法进行量化编码,作为观测序列输入优化的HMM来识别刀具的磨损状态。实验结果表明,该方法能够准确有效地进行铣刀磨损状态监测。