基于刀具磨损状态识别的加工参数多目标优化

在数控铣削过程中,刀具磨损对机床主轴能耗影响很大,同时与刀具加工能力直接相关,需适时调整加工参数以适应不同磨损状态,保证多目标综合最优.针对此问题,基于刀具磨损状态识别,根据不同磨损时期给出相应的加工参数优化策略.首先,以刀具寿命周期内的主轴功率为基础,采用粒子群优化算法(particle swarm optimization,PSO)建立考虑刀具磨损的能耗模型,平均误差低于5%,并基于与刀具磨损的强相关性,以主轴功率作为单一指标识别刀具磨损状态.进一步,为获取影响加工成本的动态性指标——刀具剩余使用寿命(remaining useful life,RUL)及相应的主轴功率,利用人工神经网络(artificial neural network,ANN)建立刀具磨损退化模型,通过描述主轴功率随时间的变化来隐含退化过程,该模型拟合度达0.992.最终,综合考虑能耗、刀具及时间成本,设计多目标优化函数,并通过遗传算法(genetic algorithm,GA)搜索函数最小值,给出不同磨损时期的最优加工参数及优化策略.此加工参数多目标优化融入了主轴功率与刀具RUL等动态指标,可依据主轴功率在线...     

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PSO优化LS-SVM的木材含水率软测量建模

木材含水率是木材干燥过程中重要的技术指标。针对木材干燥过程具有强耦合、大滞后、非线性的特点以及木材含水率检测存在的问题,提出一种软测量方法。利用最小二乘支持向量机(LS-SVM)对非线性系统时间序列数据进行学习,建立被控对象的软测量模型,同时通过粒子群优化(PSO)算法对LS-SVM的惩罚因子和核函数参数进行滚动优化,提高软测量模型的预测精度。将木材干燥窑内的温度、湿度以及木材含水率作为样本数据,通过PSO优化的LS-SVM方法建立木材含水率的软测量模型,进而利用该模型实现对目标检测点木材含水率的软测量。仿真结果表明,PSO-LSSVM软测量模型预测精度高,泛化能力强,满足木材干燥控制系统的实际测量要求。     

基于模糊数学理论的刀具状态识别

利用刀具状态多个特征参数的信息互补，根据理论建立刀具状态识别模型，并根据模糊统计法确定刀具状态与监控参数之间的模糊关系。最后结合原始功率信号的几个特征对刀具状态进行识别。对试验数据的测试表明，这种方法能有效提高刀具状态识别的正确率。     

基于PSO优化LS-SVM的GPRS工业控制网络时延预测

针对GPRS工业控制网络,采用Socket通信方式搭建了测试平台,在此平台上使用TCP和UDP两种协议对GPRS网络实际时延进行了测试和分析,给出了现场应用中的指导意见.基于时间序列分析,采用粒子群优化的最小二乘支持向量机的方法对GPRS工业控制网络时延进行了预测.仿真结果表明,该方法能较好地预测GPRS网络的时延,为之后的网络预测控制提供了良好的基础.     

基于改进Hough变换的刀具磨损状态监测

针对传统Hough变换的参数空间所需存储量大、运算量大、不利于实现实时监测等缺点,提出了一种基于随机Hough变换的改进Hough变换算法,并将该方法用于工件表面纹理图像的处理,通过对工件表面的二值边缘图像进行改进Hough变换,提取直线段平均长度及直线段与切削速度方向的夹角作为特征参数,实现对刀具磨损状态的判断.算法分析和实验结果表明,该算法所需存储空间少,计算量小;提取的特征参数与刀具磨损状态之间存在密切联系,根据特征参数的变化规律可实现对刀具磨损状态的监测.     

基于PSO的氧化铝粉流量LS-SVM预测模型

针对电解铝厂生产过程中氧化铝输送流量在线测量问题,考虑到样本数据较少的因素,采用粒子群优化的最小二乘支持向量机方法,建立氧化铝超浓相输送中氧化铝粉流量的软测量模型.以粒子群优化的方法选取最小二乘支持向量机的模型参数,克服交叉验证法耗时与盲目性的问题,同时发挥最小二乘支持向量机的小样本学习能力强和计算简单的特点.通过采用实际数据进行仿真研究,结果表明,所建预测模型估计值与实际分析值吻合较好,从而验证了PSO-LSSVM预测模型对氧化铝粉流量准确估算的有效性.     

刀具磨损特征量的在线识别

在实际切削条件下，运用时序分析、对车刀刀杆垂直方向上的振动加速度信号的有关特征量分布及规律性作了探讨和分析、选择出能较好地反映刀具磨损过程状态变化的特征量。这些特征量可用于构造在线识别刀具磨损状态的判别函数、以实现自动化生产刀具工况的在线监测。实验证明这些特征量灵敏度高、实时性和可靠性好。     

用切削声信号识别刀具磨损

研究了硬质合金刀具在其后刀面的磨损处于不同阶段时，切削声在可闻阈内的变化规律，提取了频带声压级作为特征量，并建立了相应的判别函数，为刀具在线监测提供一条新途径。     

支持向量机的刀具磨损状态监测

为了监测刀具磨损状态,建立了一个基于功率传感器的刀具磨损状态监测系统.提出了一种基于主成分分析(PCA)与C-支持向量机(C-SVM)相结合的刀具磨损状态监测模型.通过功率传感器采集切削过程中的电流和功率信号,采用PCA对采集的参数进行特征提取,选择对刀具磨损状态影响最大的主成分作为C-SVM的输入样本,实现对刀具磨损状态的准确识别.通过数控车床切削实验表明,即使在较少的样本条件下,该方法仍然有效,并与反向传播(BP)神经网络进行了性能比较.     

刀具状态的ANN—模糊识别

提出了利用人工神经网络（ＡＮＮ）及模糊识别理论融合多监控参数进行刀具状态识别的方法．该方法首先对各监控参数按刀具不同状态的敏感性进行分组,并利用多个ＡＮＮ子网络建立各组参数与刀具状态的模糊隶属度关系,然后利用模糊决策法对各ＡＮＮ子网络确定的刀具状态模糊隶属度进行综合评判并按最大隶属度判定刀具状态．该方法不仅具有ＡＮＮ的并行运算特点,而且具有模糊综合评判的容错性,从而提高状态识别的实时性和正确率．结合功率信号的多个特征对大量实验数据的测试表明,该方法可将ＡＮＮ的识别正确率从平均８８％提高到９５％．     

基于Hurst指数与纹理分析的刀具磨损状态监测技术研究

通过对车削工件表面纹理进行单幅与车削序列的Hurst指数计算,研究了车削工件表面纹理、Hurst指数和刀具的磨损状态之间的关系.结果表明,初期加工出的纹理,Hurst值大于0.5,表明车削工件表面纹理是一种可预测的纹理,刀具处于初期磨损阶段;在正常车削阶段,Hurst值在0.6左右,表明车削工件表面纹理在持续着这种规律性和周期性,刀具为正常磨损阶段;在刀具进入剧烈磨损阶段,Hurst值小于0.5,车削工件表面纹理杂乱无规律,刀具濒临破损.     

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%.     

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。     

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。     

基于机器视觉的刀具磨损检测技术

针对当前国内外刀具磨损检测的缺点和存在的问题,设计了基于机器视觉的刀具磨损检测方案,分析了刀具磨损检测的原理和识别过程,并结合图像处理的方法,采用自适应中值滤波对刀具图像进行平滑去噪,进一步得到刀具的二值化图像,再采用Canny边缘检测技术提取刀具轮廓信息.最后提出基于人工神经网络的刀具磨损检测算法.     

基于自适应小波基的刀具磨损检测

通过刀具磨损特征向量的定义和提取,建立了奇异性指数和刀具磨损的对应关系,并利用小波变换对切削力信号进行分析,实现了刀具的磨损检测.     

基于自适应小波基的刀具磨损检测

通过刀具磨损特征向量的定义和提取,建立了奇异性指数和刀具磨损的对应关系,并利用小波变换对切削力信号进行分析,实现了刀具的磨损检测。     

基于CC2430的刀具磨损检测系统

设计了一种以MEMS加速度传感器和无线射频芯片CC2430为核心的刀具磨损检测系统,完成了系统的软硬件设计、制作与系统调试,研制出了试验样机。对刀具磨损监测系统进行了积极的探索,为刀具监测系统研究探索了一种新的思路,丰富和发展了刀具监测技术。