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     

氧化铝陶瓷磨削金刚石砂轮磨损的声发射监测

阐述了声发射监测工程陶瓷磨削的研究进展,发现目前对金刚石砂轮磨损监测研究基本上是选取声发射信号均方根(即有效值)进行分析,且金刚石砂轮磨损状态的声发射监测准确率不高.为提高金刚石砂轮磨损状态的声发射监测准确率,设计了氧化铝陶瓷磨削声发射实验,并采用支持向量机建立金刚石砂轮磨损状态的分类模型.分析发现氧化铝陶瓷精密磨削中声发射信号最强频谱能量在30~40kHz频段.金刚石砂轮轻度磨损、严重磨损钝化和修锐之后的磨削声发射信号频谱有明显不同;而且磨削声发射信号小波分解系数的方差值能够很好地反映金刚石砂轮磨损状态.结果表明采用磨削声发射信号的小波分解系数方差作为支持向量机判别金刚石砂轮磨损状态的输入特征,金刚石砂轮磨损状态分类测试的准确率达100%.     

基于智能系统磨削力测量的方法研究

随着先进制造技术的发展,智能制造在高端精密制造领域得到了广泛的应用,磨削加工相对其他类型加工,加工精度要求高,而且是机械加工的最后一道工序,对产品的精度和表面粗糙度有着重要的影响。通过消空程智能系统,利用霍尔传感器对轴承内圈精磨沟道加工过程中的功率信号和位移信号进行在线检测,然后对采集到的各种信号进行分析处理,实现间接测量砂轮与工件之间的磨削力,有效地在线监测磨砂轮状态和磨削质量,减少磨削加工过程中的空程,避免磨削过程中砂轮磨损过快产生钝化,对改善产品表面质量和生产效率有着重要的意义。     

磨削过程信号监测与砂轮磨损预测模型构建

针对磨削过程中砂轮磨损难以直接监测的问题,提出了基于多特征优化融合的随机森林(MFOF-RF)算法,以实现砂轮磨损的准确预测.对外圆纵向磨削中采集的功率、加速度和声发射信号进行预处理和特征提取,获得平均值、有效值以及峰值频率等多个时域和频域信号特征.以统计学指标为评价标准,对预测模型的参数进行调优,确定了最佳的砂轮磨损信号特征组合.结果表明,相比于使用单一特征预测砂轮磨损,MFOF-RF模型提高了信号特征与砂轮磨损的相关程度,预测误差降低了30%以上.     

基于小波分析法的传感器信息融合的运动损伤检测方法

传统方法针对多组传感器路径中的检测点,在很大程度上会出现若干存在差异的损伤发生概率,导致运动损伤检测不准确。为此,提出一种传感器信息融合的运动损伤检测方法。利用多帧帧间差的累积消除空洞效应,在此基础之上,融合传感器确定出准确的人体运动区域,以此对不同场景人体运动进行监测;采用小波分析法对监测结果的非平稳信号进行分析,得到运动损伤特征。将传感器信息融合和小波神经网络结合在一起,获取所有传感器的小波能量特征向量,按照最大概率密度函数值和特征向量获取融合运动损伤检测结果及损伤种类。实验结果表明,所提方法检测结果准确,实用性强。     

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EMD的金刚石砂轮磨损状态声发射监测

针对磨削金刚石砂轮磨损状态声发射信号小波分析中存在的问题,根据工程陶瓷部分稳定氧化锆磨削过程中声发射信号非线性非平稳性的特点,采用经验模态分解方法将磨削声发射信号分解为多个平稳的固有模态函数之和,并提取其有效值、方差和能量系数等特征值.在磨削金刚石砂轮从轻度磨损状态转变为严重磨损状态时,固有模态函数的有效值(IMFrms)和方差(IMFvar)增大,而能量系数(IMFpe)发生明显的变化;将其做为最小二乘支持向量机的输入参数,对金刚石砂轮的轻度磨损状态和严重磨损状态成功地进行了智能监测.     

矿井瓦斯监测多传感器信息融合模型

分析了矿井瓦斯监测中存在的对传感器的影响因素多等单个传感器本身所不能解决的问题，提出了利用多传感器信息融合技术来增加系统的信息利用率、提高整个系统的精度、可靠性和容错能力的方法。在讨论矿井瓦斯监测的信息源的基础上，确定了瓦斯监测多传感器信息融合的结构模式，利用状态空间方法对此结构模式进行了描述，建立了瓦斯监测系统多传感器信息融合的状态空间模型。采用人工智能方法，建立了多传感器信息融合的模糊神经网络算法模型，实验结果表明，该模型是有效的。     

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.     

基于声发射技术的砂轮磨损状况在线检测

为了实现砂轮磨损状态在线检测,提高砂轮磨损状态检测的准确性,研究了法向磨削力与砂轮磨损的对应关系;利用小波分解系数统计法对声发射(AE)信号进行了分析;把法向磨削力和统计小波分解系数的特征作为识别砂轮磨损状态的参数指标,建立了基于神经网络(BP)的砂轮磨损状态识别模型。实验结果表明,该方法可以辨识出砂轮的磨损状态,并且具有较高精度。     

外圆磨削表面粗糙度的在线监测方法研究

通过理论分析和试验研究，找到了与磨削表面粗糙度有关的摩擦AE信号特征，在此基础上提出了基于神经网络的外圆磨削表面粗糙度监测方法，利用神经网络建立声发射信号特征信息与磨削表面粗糙度之间的非线性映射关系，仿真结果表明利用该方法可以实现磨削表面粗糙度的在线评估。     

利用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性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。     

超高速点磨削砂轮磨料层优化和表面形貌评价

点磨削砂轮磨料层采用有粗磨区修整倾角的结构可获得良好的磨削性能,较传统砂轮磨料层结构可获得更理想的磨后表面.提出了将平行砂轮改进成倾斜型砂轮以优化点磨削砂轮的磨料层结构,并应用激光传感器配合光学显微镜评价砂轮形貌,研究相关参数与砂轮磨削特性和加工质量间的关系.试验发现,优化后的点磨削砂轮磨料层结构更加合理,磨粒分布均匀且出刃高度波动很小,可以保证优质磨削表面.     

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。     

基于多步预测的PID型神经网络控制

提出了一种基于多步预测的ＰＩＤ型神经网络控制方案,其控制机理类似于位置递式ＰＩＤ控制,但所产生的控制量是误差信号的比例、积分和微分量的一种非线性组合,可以有效地克服常规ＰＩＤ控制存在的快速性和超调的矛盾。通过利用多步预测误差对ＰＩＤ型神经网络控制器进行训练,可以弥补单步预测存在的控制信号波动较大的缺陷。仿真实验表明,基于多步预测的ＰＩＤ型神经网络控制系统有效随机干扰,具有较强的适应性和鲁棒性。     

基于混合智能算法的轴承故障诊断系统设计

设计了基于多种智能方法的轴承试验机故障监测系统,该系统可实现轴承试验机的在线监测,对被试验轴承的的振动信号的时域与频域指标通过多种智能算法进行分析,从而实现轴承故障的综合实时诊断,整个试验过程数据通过网络传送到上位机进行显示并存储到数据库中。该系统在轴承生产企业得到了成功的应用。     

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.