卡尔曼滤波修正LS-SVM的刀具磨损识别技术研究

针对刀具磨损状态先验样本少和常规神经网络识别模型收敛速度慢、易陷入局部极小值等问题,提出了基于最小二乘支持向量机(LS-SVM)的刀具磨损量识别技术,并针对模型输出存在系统误差而降低刀具磨损量识别精度的问题,引入卡尔曼滤波算法对时序监测结果进行修正,实现小样本下的刀具磨损量的精确识别。以车削加工为研究对象,采集加工过程中的切削力信号,应用小波包分析技术提取反映刀具磨损状态的特征信息,作为LS-SVM的输入样本,并对模型进行学习训练,完成对刀具磨损状态的识别,最后采用卡尔曼滤波修正其时序监测结果。实验结果表明:LS-SVM模型能高效地实现刀具磨损量识别,需样本数较少,训练速度快,通过卡尔曼滤波修正后的磨损量识别结果精度更高。     

图像测量标定法及其应用

论述了图像测量标定法，并将其用于镍基单晶高温合金DD3的热机械疲劳断口结晶学小面取向的测定，发现断口结晶学小面取向为（111）时，材料具有较高的热机械疲劳寿命，而结晶学小面取向为（001）时，材料的热机械疲劳寿命较低。     

机械密封端面接触状态的声发射监测研究

有效监测机械密封的端面接触状态有助于对密封失效做出早期预警。针对密封声发射信号难以降噪的问题,提出基于神经网络粒子滤波和最小二乘支持向量机的声发射建模方法。首先通过机械密封的端面膜厚测量,研究声发射能量在密封启动过程中的变化规律;接着利用人工神经网络构建信号的状态空间,再通过粒子滤波算法对状态空间滤波降噪;最后从滤波信号中提取特征,并利用最小二乘支持向量机构建机械密封端面接触状态的检测模型。实验数据证明该方法能有效实现机械密封端面状态的无损检测,具有良好的工业前景。     

刀具磨损早期故障智能诊断研究

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。     

声发射和小波包分解技术在刀具磨损状态中的应用

随着现代加工工业的发展,对刀具磨损的监测在保障生产安全和产品质量中发挥着越来越重要的作用。声发射技术是刀具磨损监测的一种新方法。在车削加工过程中采集声发射信号,用声发射信号对刀具磨损状态进行识别。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。     

钛合金车削加工过程中刀具磨损状态监测的小波包子带能量变换特征提取新方法

在小波包分析的基础上,提出对小波包子带能量特征抽取的新算法.考虑到小波包能量子带的动态特性和统计特性可以作为刀具磨损状态识别特征提取的来源,提出将小波包子带能量相对比率、小渡包子带能量相对比率的变化值、小波包子带能量相对比率的变化值的统计偏差(能量距)作为三个新特征值.建立刀具磨损状态监测实验平台,采集刀具三维力反馈、振动信号作为监测信号.按常规特征抽取方法和本研究中提出的方法抽取特征值,形成网络训练、识别特征值空间.用梯度下降法训练建立BP人工神经网络,对27具四种磨损状态进行识别,验证小波包子带能量变换提取到的特征的有效性.     

B样条模糊神经网络在刀具磨损监测中的应用

提出一种基于B样条函数模糊神经网络的刀具磨损量监测方法。利用B样条基函数的正定性、紧密性和归一性,可使训练过程中权值的调整在局部范围内,且系统的输出简单可靠。实验结果证明该系统可成功应用于刀具磨损量的实时监测。