高速深切磨削氧化锆陶瓷表面粗糙度的在线监测

从放在工件夹具上的声发射(AE)传感器测得的磨削加工中的AE信号中,提取有关磨削表面粗糙度的信息,用神经网络的方法对高速深切平面磨削工程陶瓷部分稳定氧化锆的工件表面粗糙度进行了在线连续监测.结果表明,该方法基本可行,通过进一步改进,可以用于高速深切平面磨削工程陶瓷工件表面粗糙度的在线监测.     

基于GA-NN的钛合金工件磨削表面烧伤裂纹图像的自动识别

为了解决钛合金等难加工材料工件磨削表面烧伤的在线监测与预报问题，提出了一种神经网络与图像处理技术相结合的钛合金工件磨削表面烧伤裂纹的自动识别算法。该方法中磨削表面图像由彩色CCD获得，首先转化为灰度图像，然后转化为二值点阵图像，再经过点阵数据编码压缩处理表征为模式特征，然后利用BP神经网络和遗传算法相结合的方法训练前向多层神经网络，最后利用训练后的神经网络对磨削表面的烧伤裂纹进行识别。实验及仿真结果表明：该模型的神经网络稳定，学习收敛速度快，具有很强的记忆能力和推广能力，对解决钛合金的磨削烧伤裂纹的实时自动识别问题具有良好的适应性，总有效率达到88％左右。     

基于AE信号的新型砂轮点磨削状态监测方法

提出了一种基于声发射(AE)信号对新型点磨削砂轮磨削状态进行实时监测方法.建立了表面粗糙度与AE信号的对应关系,为监测磨削加工表面粗糙度提供了条件.采用单因素实验研究了各参数对AE信号RMS值的影响规律,结果进一步证明了AE信号与表面粗糙度的对应关系.对比分析了砂轮不同磨损状况下的AE信号,依据此信号可对磨削状态进行实时监测.为了区分声发射源性质的异同,对磨削过程中的AE信号进行了频谱分析,砂轮发生磨损时,AE信号在45~65kHz,80~90kHz,100~110kHz频段的能量升高显著,并且在15kHz附近出现了很高的尖峰,为监测磨削状态提供了一种可行且有效的方法.     

基于进化神经网络的曲面磨削表面粗糙度预测

将人工神经网络技术引入曲面磨削加工领域，介绍了利用BP算法建立的曲面磨削表面粗糙度随磨削用量变化的进化神经网络预测模型．针对BP算法存在收敛速度慢、容易陷入局部极小值及全局搜索能力弱等缺陷，采用遗传算法训练BP神经网络，取代了一些传统的学习算法，设计了基于进化神经网络的学习算法．实验和仿真结果表明，基于进化计算的BP神经网络不仅可以克服单纯使用BP网络易陷入局部极小等问题，而且预测精度较高。     

磨削粗糙度影响因素分析

本文根据磨削表面形成过程分析表面粗糙度的形成机理．并以外圆磨削为例建立磨削过程的数学模型．利用磨削图形概念推导出磨削粗糙度参数公式。依此对磨削粗糙度的影响因素进行分析。     

磨削表面分形行为研究

运用变分法研究了磨削表面的分形行为，认为用分形维数评价磨削表面的表面粗糙度与传统的评价参数相比，具有与采样长度和测量仪器分辨率无关的优点，可作为一个评价参数来评价磨削表面的表面粗糙度．     

磨削表面分形行为研究

运用变分法研究了磨削表面的分形行为，认为用分形维数评价磨削表面的表面粗糙度与传统的评价参数相比，具有与采样长度和测量仪器分辨率无关的优点。可作为一个评价参数评价磨削表面的表面粗糙度。     

点磨削纹理特征及对表面粗糙度评定参数的影响

快速点磨削主要用于轴类零件表面的加工,但由于砂轮存在点磨削变量角度,加工表面纹理特征不同于常规外圆磨削.通过点磨削几何学分析,建立了点磨削纹理方向计算模型,分析了点磨削纹理特征及影响因素.根据外圆磨削试验加工工件表面的实际测量数值与点磨削纹理特征的模拟结果,分析了纹理方向对表面粗糙度评定参数及摩擦学特性的影响.结果表明...     

利磨削火花信号识别砂轮磨损状态

本文提出了利用磨削火花温度信号在线识别砂轮磨损状态的新方法。在大量试验的基础上，根据磨削火花信号的特征及砂轮磨损过程的特点进行了机理探讨，获得了磨削火花信号特征量与砂轮磨损状态之间的对应关系。研究结果表明，所提方法是可行的，磨削火花信号的统计特征量能够反映砂轮磨削的不同状态。本文研究为进一步利用磨削火花信号实现砂轮磨损状态在线辨识提供了基础。     

磨削工艺参数对磨削表面粗糙度影响的研究

本文分析了砂轮表面特性和修整对磨削表面粗糙度的影响;运用最优回归试验设计进行了试验研究,得出了同以往公式不同的磨削工艺参数与磨削表面粗糙度间的数学模型,指出了砂轮修整用量对磨削表面粗糙度有显著影响。     

基于声发射信号的精密外圆切入磨削加工时间优化及仿真

针对精密外圆切入磨削智能监控的需求,设计了一种基于声发射信号的精密外圆切入磨削加工时间的在线优化算法。通过建立AE信号RMS曲线理论模型,获得了声发射信号与磨削系统时间常数的关系,建立了优化前各阶段AE信号RMS曲线;编写外圆切入磨削加工时间的在线优化算法,通过试验分析磨削系统加工时间对加工精度及表面粗糙度的影响,并对优化算法进行验证,建立优化后各阶段AE信号RMS曲线。试验结果表明:该优化方法能够在保证总去除量不变的情况下缩短加工时间,为精密外圆切入磨削提高加工效率、改善加工工艺提供了重要依据。     

基于BP神经网络的高效深磨工程陶瓷工件表面粗糙度的声发射预测

对BP神经网络的原理、算法和公式进行了介绍,在对Matlab及其神经网络工具箱介绍的基础上,采用3个声发射特征值:即声发射信号有效值、FFT峰值和标准差作为输入,工件表面粗糙度作为输出,用BP神经网络的方法对高效深磨加工工程陶瓷Al2O3的工件表面粗糙度进行了训练、预测和分析. 结果表明,使用BP神经网络可以实现高效深磨加工工程陶瓷工件表面粗糙度的监测.     

基于多传感器融合的磨削砂轮钝化的智能监测

利用多传感器信息融合技术 ,通过模糊分类的方法对不同的磨削条件进行模糊化处理 ,构建了砂轮钝化监测多传感器融合系统结构 ;应用BP神经网络将磨削过程中声发射、磨削力和功率传感器信号合理融合 ,提出了自适应变学习率策略 ,将其神经网络输出的信号特征值作为表征砂轮钝化状态识别的判据 ,进行了砂轮钝化监测实验·结果表明 ,使用多传感器信息融合方法比使用单一传感器方法识别率高 ,监测效果好 ,并可实现智能监控和及时修整砂轮     

基于神经网络的磨削砂轮状态的在线监测

利用声发射(AE)传感器和功率传感器为信号源,固定时间间隔内的声发射信号幅值增量累加及砂轮碰撞破碎时电机功率信号的陡变为砂轮状态识别的特征值,应用BP神经网络建立信号特征值与砂轮状态之间的非线性关系模型,可以为小批量、多品种产品磨削加工中砂轮状态的智能化在线监测提供准确有效的途径·测试结果证明了该系统的可行性,为磨削加工实现智能控制奠定了基础,并能为砂轮修整确定最佳的周期     

磨削过程声发射信号传播特性研究

分析了磨削加工过程中声发射现象产生机理和声发射信号数学模型,利用新型流体声发射传感器监测磨削加工过程。方法讨论了磨削过程的声发射信号在流体声发射传感器的传播特性,并就液体喷射速度和角度等因素对其传播特性的影响进行了理论分析。     

工程陶瓷高速深磨中声发射的实验研究

建立了工程陶瓷高速深磨中声发射的实验系统,自主开发了其中的声发射信号虚拟仪器采集系统.对部分稳定氧化锆(PSZ)和氧化铝进行了高速深磨声发射的实验研究,分析了磨削参数和工程陶瓷材料对声发射信号的影响.研究了砂轮修整前后声发射信号的变化.结果表明,即使在砂轮超高速和大切深下,声发射增加仍较小.选择砂轮超高速、大切深和小的工作台速度对高效低成本磨削工程陶瓷是有利的.运用声发射还可对砂轮磨损状态进行在线监测.     

基于神经网络的磨削温度在线监测预报系统

对磨削弧区温度进行在线监测,是磨削加工自动化中必不可少的重要环节,该文介绍了一个基于人工神经网络的磨削弧区温度在线监测、预报系统。具体给出了监测系统的组成及测温方案,并提出了一种更适宜进行动态预报的改进型ＢＰ网络作为磨削温度的预报模型。工艺实验证明该系统能够较好地实现磨削温度的在线监测与预报。     

精密砂带研磨特性研究及应用

理论分析了精密砂带外圆研磨材料表面的特性，弄清了低粗糙度加工表面是由于磨粒切刃在材料表面形成了致密均匀的交叉微细磨痕，补偿了单一方向磨痕高度的不均匀．为研究淬硬合金不锈钢材料磨削加工表面粗糙度的主要影响因素，在齿轮泵齿轮轴上进行了磨削试验．结果表明：适当减小砂带接触压力能有效降低工件表面粗糙度；在稳定研磨时间内加工表面粗糙度值可以达到精密级．