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。     

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.     

基于分形理论的水合物回波特征提取及分类识别

针对海底裸露块状天然气水合物的探测问题,为了能从超声回波中准确提取天然气水合物的特征信息并与其他海底沉积物的特征进行分类识别,提出基于分形理论的水合物分类识别方法。通过实验室超声探测装置获取各类海底沉积物样品和天然气水合物样品的回波信号,并利用分形理论对回波信号进行分析,提取不同海底底质的声学回波特征,然后利用分类算法对底质进行分类识别。利用概率神经网络对沉积物试样回波样本的原始广义维数谱及经过核Fisher判别分析法优化后的特征进行分类识别。研究结果表明：采用多重分形方法提取的不同海底底质的广义维数谱特征差异明显,可以达到区分天然气水合物和其他沉积物的目的;未经优化的原始广义维数谱的识别准确率约为68.8%,而采用降维优化处理后的识别准确率提高到82.3%,表明经降维优化后的核Fisher判别分析法对天然气水合物回波信号的识别具有较好的适应性和较高的准确率。     

氧化锆陶瓷车削刀具几何参数的多目标优化

通过氧化锆车削试验测得切削力和刀具磨损量,以工件材料去除量与刀具磨损量的比值作为刀具利用率的量化指标.采用粒子群算法改进BP神经网络,并以此对单因素试验值进行训练预测.采用最小二乘拟合,建立刀具利用率和切削力关于各刀具几何参数的一元模型,以相关系数检验模型的可靠性.基于一元模型,分别提出了刀具利用率和切削力关于刀具几何参数的多元模型.利用粒子群算法结合正交试验值对多元模型进行优化求解,并通过验证试验证明了多元模型具有较高的精度.将多元模型作为目标函数,以刀具利用率最大和切削力最小为优化目标,基于粒子群算法进行了刀具几何参数的多目标优化,验证试验结果表明优化得到的刀具几何参数是合理的.     

基于广义分形的旋转机械故障诊断识别与分类

运用多重分形理论,提出广义维数最小二乘法的计算公式,对实测的时域信号进行了广义维数计算,得到广义维数序列值,并从广义维数中获取盒维数、信息维数、关联维数以及敏感维数。对故障样本进行功率谱分析、广义维数计算分析．找出用分形维数分析识别故障的依据。另外运用广义维数序列和数学方法相结合提出分形诊断分类方法,用广义维数最大相关系数和广义维数序列单值优化逼近原理方法,对待检信号的耦合故障分别进行了试验数据与理论响应模拟、振型数据的诊断、识别分类,收到了良好的一致效果。通过对转子系统故障诊断的实例说明从广义维数中提取的各分形维数都能较好的对故障状态进行诊断、识别：且耦合故障的分形诊断分类方法具有较好的实效性。     

基于经验模式分解和BP神经网络的刀具状态监测方法

为提高刀具检测识别率,采用经验模式分解法分解不同状态刀具的切削声音信号,计算各信号分量的能量百分比,形成特征向量。利用三次样条插值方法对特征向量进行插值,插值后的特征向量保留了原始信号的所有特征成分,应用BP神经网络识别刀具的状态。实验结果表明:经验模式分解方法和BP神经网络相结合可以有效识别铣刀状态,平均识别率达86%。     

基于Copula EDA优化BP神经网络的表面粗糙度预测

为了提高预测机械加工表面粗糙度的精度,提出了基于Copula分布估计算法(estimation of distribution algorithm,EDA)优化BP神经网络的方法.以铣削45#钢为试验对象,采用控制变量法进行切削试验.在线测量主切削力、轴向力、径向力和振幅,并进行数据处理,得到相应切削力的平均值、标准差、均方根值及振幅,同时离线测量二维粗糙度R_a、三维粗糙度平均值S_a和均方根值S_q.对切削分力的平均值、标准差、均方根值及振幅与粗糙度做相关性分析,选择Kendall秩相关系数最大的主切削力平均值作为输入变量,输入BP神经网络和基于Copula EDA优化BP神经网络,进行训练和预测.试验结果表明:基于Copula EDA优化BP神经网络的预测精度总体高于BP神经网络的预测精度,对R_a,S_a和S_q的平均预测精度分别达到91.98%,91.03%和89.10%.     

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%.     

基于可靠性的GH4169车削参数优化

为了保证刀具寿命的同时尽可能地提高加工效率,对切削参数进行优化至关重要.因此,建立了车削过程中的刀具磨损模型,可用于预测多种切削条件下任意时刻的刀具磨损量,从而推导出刀具寿命模型.考虑不确定性参数对车削加工的影响,建立了基于可靠性的车削优化模型,并采用序列优化与可靠性评估方法对优化模型进行求解以获得最优切削参数.最后,通过实例验证了该方法在高温镍基合金GH4169车削参数优化中的优势和可行性.     

刀具压入破岩声发射分形特征实验

选用一字型刀具对花岗岩进行静力破碎实验,采用AEwin-USB型声发射信号采集系统采集声发射信号,应用分形理论分析不同加载速率下声发射分形特性.结果表明,随着加载速率的增加,刀具破岩程度愈显剧烈,且伴随着的声发射信号更强;声发射振铃计数率、能量率曲线能够很好描述刀具破岩过程;刀具破岩过程中声发射参数序列具有分形特征,且分形维数随加载速率的增大而逐渐减小;声发射分形维数随时间变化规律很好地反映了刀具破岩是一个降维有序、耗散结构的过程;刀具破岩声发射序列分维曲线呈一个波动上升→持续降低直到最低的变化规律,可以将分形维数持续降低作为岩石破坏失稳的前兆依据.     

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。     

基于分形和神经网络的柴油机振动诊断方法

提出了一种基于分形理论和神经网络技术的柴油机振动诊断方法,首先对柴油机的振动信号进行小波降噪,然后提取相应的不同迭代阶数的广义分形维数,并将其作为RBF神经网络的输人参数,以运行工况作为输出参数训练神经网络模型．训练后的神经网络可以利用测量的振动信号来判断柴油机的故障状况．实验及仿真结果表明：采用的小波降噪技术可以较好地再现振动信号特征,有效提高故障识别率;同时基于分形和神经网络技术的诊断方法在柴油机故障诊断中是有效可行的,对于单个故障的正确识别率达到了100％,具有较高的工程适用性,对其他复杂机械的振动诊断同样具有参考价值．     

基于分形和神经网络相结合的土体冻胀量预测

根据土体的粒度分布具备分形性质的特征,通过理论分析和计算获得了所研究土体的分形维数,从而实现了土体结构特征的量化,为采用神经网络对冻胀量的预测过程中考虑士体的结构特征奠定了基础。在研究了BP神经网络的基础上,建立了其拓扑结构,采用L-M优化算法进行了迭代求解,预测结果与试验结果具有良好的一致性和吻合度,反映了土体冻胀过程的非线性特征和局部特征,弥补了理论模型和数值分析中无法考虑土体内部结构的缺陷,以及在预测中考虑土体的结构特征是必要的。     

相关向量机模型在边坡稳定性预测中的应用

近年来,边坡稳定性预测得到了广泛的研究,及时、准确的预测可以有效的预防边坡破坏灾害的发生。本文提出了一种基于相关向量机(RVM)的边坡稳定性预测模型,结合京-新高速公路高堑边坡工程实例,通过对比支持向量机（RVM）模型、RBF神经网络模型和支持向量机(SVM)模型的拟合及预测结果来分析其可行性。结果表明:相较于SVM模型和RBF神经网络模型,RVM模型的三种预测指标值均是最小的。其中,平均绝对误差（MAE）分别降低了86.02%和22.11%,均方根误差（RMSE）分别降低了72.05%和1.09%,相对均方误差（RRMSE）也分别降低了75.89%和21.13%,表明RVM是一种预测边坡稳定性的稳健工具,该方法能较为准确地预测出不同指标下的边坡安全系数。     

改进BP神经网络在流型智能识别中的应用

为了克服ＢＰ神经网络的易陷入局部极小、收敛速度慢等缺点,利用非线性最小二乘法对其进行了改进,改进后的ＢＰ神经网络的收敛速度提高了１￣２个数量级,同时利用压阻式压关器测得了水平管内油气水多相流压差信号,根据分形理论中的重要构相空间法提取出压差信号的特征向量,再将特征向量送入改进的ＢＰ神经网络中,从而完成对油气水多相流流型的智能识别,结果证明,改进的ＢＰ神经网络能有铲地自动识别出油气水多相流的流型。     

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。