基于GA-ELM数控铣刀寿命预测模型研究

在加工过程中,刀具磨损状况对零件的加工质量具有重要影响,精确预测刀具寿命是智能制造系统必须具有的关键功能之一.在分析数控铣刀寿命影响因素的基础上,引入极限学习机(ELM)算法模型,建立数控铣刀寿命预测模型.在寿命预测过程中,采用遗传算法(GA)对ELM模型的输入权值和隐含层阈值进行优化,建立基于GA-ELM的数控铣刀寿命预测模型,同时将其与基本BP神经网络、优化BP神经网络和基于粒子群改进的BP神经网络的预测结果进行对比分析.结果表明,基于GA-ELM的刀具寿命预测模型相比较于其他3种算法更加优越,是一种行之有效且精度高的刀具寿命预测算法.     

基于PSO优化LS-SVM的刀具磨损状态识别

为监测刀具的磨损状态,该文建立了一个基于声发射的刀具磨损状态监测系统。在刀具磨损状态监测实验中,采集加工过程中的声发射信号,提取方根幅值、绝对值均值、均方根、最大值作为反映刀具磨损的时域特征值。针对人工神经网络容易陷入局部极小值、结构难以确定、学习收敛速度慢等缺点,提出最小二乘支持向量机(least square support vector machine,LS-SVM)的刀具磨损状态识别方法。针对LS-SVM性能依赖于惩罚因子和核参数,利用粒子群优化(particle swarm optimization,PSO)算法对LSSVM参数进行自动寻优,建立PSO优化LS-SVM模型进行刀具磨损状态识别。结果表明:与LS-SVM识别模型相比,优化后的LS-SVM模型具有更高的识别率。     

基于随机森林-遗传算法-极限学习机的非侵入式负荷识别方法

提高负荷识别准确率是实现非侵入式负荷监测的关键技术。针对现有模型识别准确率低,特征冗余度高、可分性较差的问题,提出一种基于随机森林(RF)和遗传算法优化极限学习机(GA-ELM)的负荷识别方法。首先从稳态电流信号中提取时域和频域信息作为负荷特征。为进一步减小特征集的冗余度并剔除可分性较差的特征,使用随机森林算法对特征进行优选,得到最优特征集。最后使用遗传算法优化极限学习机的权值和偏置参数,建立负荷识别模型。利用所建立的模型对11个家用电器共16种负荷状态进行识别,实验结果表明,所提模型可以提高识别准确率,使用该模型可以对家用负荷进行快速有效识别。     

基于粒子群优化算法的最优极限学习机

针对极限学习机隐含层神经元个数选取的问题,提出以粒子群优化算法搜索最佳隐含层神经元个数,用极限学习机模型的测试准确率作为粒子群优化算法适应值的方法(PSO-ELM)。基于手写数字数据集digits分别对比了随机设置隐含层神经元个数的极限学习机、用粒子群算法优化的极限学习机输入权重和隐层偏置的极限学习机(PSO-ELM)、传统的BP算法以及SVM算法对手写数字的识别率,对比结果表明,粒子群优化算法得到的隐含层神经元个数在极限学习机中拥有较高的准确率。     

基于EEMD与ELM的单向阀故障诊断

提出了一种基于总体平均经验模态分解和极限学习机的故障诊断方法,该方法利用EEMD将单向阀振动信号分解成若干个不同尺度的本征模函数(IMF),从IMF分量中提取近似熵、能量熵、峭度和均方根4个特征构成特征向量集,用于建立基于极限学习机算法的故障诊断模型。实验结果表明,该方法可以监测高压隔膜泵运行状态,成功诊断出单向阀运行时产生的故障。     

基于经验模式分解和极限学习机的机械故障诊断

针对机械故障诊断过程中特征提取和学习算法的选择问题,提出一种基于经验模式分解和极限学习机的机械故障诊断模型.首先采用小波变换消除机械信号中的噪声,然后采用经验模式分解提取机械信号特征,并采用极限学习机建立机械故障诊断模型,最后通过实例对不同模型的有效性和可行性进行对比分析.结果表明,改进后的模型明显改善了机械故障诊断效果,缩短了机械故障诊断时间.     

基于麻雀搜索算法优化支持向量机的刀具磨损识别

针对微小深孔钻削刀具磨损状态检测的工程需求,提出了基于钻削声信号的麻花钻头磨损状态识别方法。根据不同磨损程度的麻花钻在钻削过程中的声信号,使用经验模态分解(empirical mode decomposition, EMD)将声信号分解成若干个固有模态函数(intrinsic mode functions, IMFs),通过时频联合分析探索刀具磨损与声信号特征之间的关联规律;再使用麻雀搜索算法(sparrow search algorithm, SSA)优化支持向量机(support vector machine, SVM)的参数,并利用SVM实现基于声信号特征的刀具磨损状态识别。实验结果表明,微小深孔钻头磨损程度与钻削声信号特征之间存在非线性耦合关系,声信号高频特征对钻头磨损程度的变化非常敏感;采用经过SSA优化后的SVM算法,基于优选的IMF特征能够准确识别钻削刀具磨损状态,识别准确率可达98.246%。     

基于形态分量分析的高速铣削加工刀具磨损在线监测

在高速铣削加工中,铣刀在超高转速下进行不连续切削,刀具磨损迅速且难以监测,严重影响加工精度和产品质量,因此刀具磨损的状态监测极其重要.振动法是一种有效的刀具状态监测方法,但是振动信号包含了多种振动成分及大量噪声,影响刀具磨损状态监测的准确性.针对该问题,提出了一种利用对偶基追踪算法和用形态分量分析对振动信号进行稀疏分解的方法.首先,分析了高速铣削加工过程中振动信号的形态分量特点和稀疏特性,构造了对偶基追踪框架,通过增广拉格朗日变量分离算法进行求解,实现对振动信号中的脉冲成分和谐波成分的分离.其次,构造并提取了脉冲密度和高次谐波频率与基频的幅值比等特征并利用这些特征进行刀具磨损状态监测.最后,通过仿真分析和实验,验证了该方法的可行性.     

基于多目标蜂群算法的数据分类方法

为了保证运算时效的同时,提高复杂数据的分类精度,提出了基于多目标蜂群算法和极限学习机的数据分类算法。该方法以最小的特征个数和最高的分类精度为优化目标,利用改进的多目标蜂群算法对数据的特征个数和分类器参数进行寻优,针对多个有代表性的数据集进行仿真,结果表明所提出方法的有效性。     

基于功率传感器的刀具磨损量预测方法

使用功率传感器监测机床加工功率,和切削力、声发射等传感器相比,功率传感器具有实用性强、对加工过程无影响等优点.针对采集到的功率信号,在分析信号特征相关性的基础上,提出了一个多目标优化RP-SBL的刀具磨损量预测方法.对信号特征进行后处理(Re-processing,RP)消除电网波动和切削中其他偶然因素的影响,进一步提高特征对刀具磨损敏感性.基于处理后的特征,运用稀疏贝叶斯学习(Sparse Bayesian Learning,SBL)方法建立刀具磨损量预测模型.此外,使用非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm II,NSGA-II)对SBL模型相关参数进行优化以提高预测精度.实验研究表明,该方法能够实现刀具磨损量的准确预测.不同预测方法的对比表明,通过特征后处理提高信号特征对刀具磨损的敏感性,保证了刀具磨损量的准确预测,对SBL模型参数进行优化可进一步提高预测精度,减小预测误差的最大值.     

车削过程中刀具磨损和破损状态的自动识别

采用机床主电动机功率法和声发射(AE)法来获取切削过程中发出的刀具磨损和破损信号,建立了刀具状态试验系统.在试验数据的基础上,建立了功率信号的自回归时序模型,在提取作为刀具磨损特征量的模型参数时考虑了切削用量的影响.针对刀具破损时功率信号时域幅值变化的随机性,提出用延时方差法来处理功率信号,数据分析结果表明,这种方法是可行的.针对切削过程中发出的AE信号,采用时频分析的方法进行处理,提取出反映刀具破损的特征量,最后利用2个并行的自适应共振神经网络ART-2实现了刀具状态的自动识别,识别成功率达到95%.     

用声发射信号在线监测切削刀具的磨损与破损

通过监测金属切削过程中的声发射信号，判别切削刀具刃部的磨损状况．监测逐渐增大的声发射信号幅值大小，测量刀具后刀面的磨损情况；检测阶跃式声发射信号的幅值，监测刀具的破损情况．并用微机处理实验数据产生刀具破损的信号．还对刀具破损时声发射信号阀值进行了研究．     

用于监控的切削过程参数估计与刀具磨损特征选取

切削过程的故障诸如刀具磨损、颤振等均与过程的动态特征密切相关,为提供监控所必须的故障模式识别的特征值,本文介绍了适用于监控的切削过程连模与动态参数在线估计方法;刀具磨损特征值的计算;最后通过钻头磨损实验结果的分析、比较,证明了本文提出的用阻尼比的正则滑动平均值 M 以及阻尼比的正则方差 D 作特征值,可有效地监控刀具磨损.     

基于模糊神经网络的刀具磨损识别

为了实现刀具磨损状态的自动识别，采用机床功率法进行了刀具自然磨损和不同切削参数（切削速度、进给量和切削深度）对功率信号影响的实验。在此基础上，建立了功率信号的时序AR模型。在提取作为刀具磨损特征量的AR模型参数时，考虑了切削用量对模型参数的影响，提出了特征量选取的准则，使所提取的特征量更加实用化，通过具体自学习和良好函数逼近能力的神经网络获得了特征量对刀具状态的隶属函数，并利用模糊神经网Fuzzy ART实现了刀具磨损状态的自动识别，识别正确率为95%，说明所提出的方法是有效可行的。     

基于分形维数的刀具状态在线监测新方法

以分形几何理论为基础,对刀具不同磨损阶段声发射信号的分形特征进行了分析。提出了计算非完全分形体信号波形的关联维数时尺度范围的确定方法,分析了声发射信号在刀具磨缶过程中分形维数的变化特性。刀具磨损切削实验数据表明,声发射信号的分形维数受切削参数变化影响较小,分形维数反映了声发射信号的几何特征,其大小能较好地反映刀具的不同磨损状态。实验结果表明,该方法能正确地实时在线监测刀具的不同磨损状态。     

WAVELET PACKET AND FUZZY NEURAL NETWORK FOR TOOL CONDITION MONITORING *

在自动化制造中,线监控刀具状况以保护刀具与加工工件显得越来越重要．近年来,许多研究者在此领域进行了广泛的研究,然而由于加工过程的不确定性,现有的刀具监控系统的可靠性还有待提高．本文提出了一种基于小波包分析与模糊神经网络的自适应刀具监控系统,该系统利用小波包分析方法将加工过程振动信号分解为不同的频率段,并在此基础上,建立了自适应特征提取方法,为模糊神经网络提供最优的特征输入,然后模糊神经网络据此进行决策,分析刀具磨损状况．实验结果表明：该系统模糊神经网络能有效通过学习人类模糊知识和在线学习样本来提高刀具监控精度．     

超高强度钢高速切削工艺参数优化

针对超高强度钢高速铣削过程中刀具磨损严重的问题,采用金属陶瓷刀具对超高强度钢进行高速铣削试验,从而建立刀具磨损速率的预测模型.以切削速度、进给量和轴向切深3个切削工艺参数作为设计变量,以刀具磨损速率最小和切削效率最高作为优化目标,基于遗传算法对切削工艺参数进行优化,获得了最优切削工艺参数组合.     

基于深孔钻削噪声信号的钻头磨损特征提取方法研究

采用深孔钻削过程中的噪声信号对钻头的磨损状态进行监测,建立了钻削过程噪声信号采集系统。运用改进的经验模态分解方法对经过广义形态滤波后的噪声信号进行了模态分解,获得了钻削噪声信号的本征模态函数。采用希尔伯特变换对本征模态函数进行处理,获得了与本征模态函数对应的边际谱。研究了谱频段能量和峰值随钻头磨损的变化规律。结果表明,边际谱频段能量和峰值与钻头磨损状态之间存在密切联系,根据噪声信号边际谱特征参数的变化规律可实现钻头磨损状态的监测。     

基于切削参数和刀具状态的铣削功率模型

以经典铣削力模型为基础，同时考虑刀具磨损的影响，建立了基于切削参数（主轴转速、进给量、背吃刀具（即切削深度）、工件材料及刀具材料）的铣削功率模型。试验证明，该铣削功率模型能正确反映铣削功率信号与刀具状态及各种切削参数之间的关系。     

一种基于模式识别的刀具磨损监测方法

将刀具磨损状态的在线监测作为模式识别中的两类模式分类问题,从切削振动信号中抽取特征向量;根据投影原理构造了最佳特征平面.在此基础上提出了一种具有自学习功能的G(D)判别函数,对车削试验的磨损状态进行分类,确诊率达95％,漏诊率小于0.6％,判别时间少于15s,适用于在线监测。