刀具切削状态模糊性及识别方法

论述刀具切削状态识别过程中存在的模糊问题及识别方法。方法对刀具切削状态模糊性进行了理论分析,将模糊划分理论与神经网络识别方法相结合,给出神经网络非线性映射作用一般扩展原理的推论以及模糊模式识别及推理规则;结果对不同切削负载,给出相应模糊推理机制和模糊判别规则。     

自动化刀具切削状态监控仪的研究

论述自动化刀具切削监,控仪原理及组成结构,方法在流体声发射和电机电流传感器方案的基础上,讨论以不同切削负载为条件的监控原理,论述其硬件和 组成和结构。     

高速切削刀具磨损研究

随着科学技术的飞速发展,高速切削也得到了更为广泛的应用。本文首先介绍了高速切削刀具的磨损形态,然后阐述了陶瓷刀具、立方氮化硼刀具、金刚石刀具、金属陶瓷刀具和涂层刀具的磨损机理,最后探讨了高速切削加工铸铁、淬硬钢时的磨损寿命。     

刀具切削状态的多传感器信息综合法

针对刀具切削状态的监测和识别，讨论了传感信息融合，特征信息融合和决策信息融合三个不同层次的结构，以加工过程中的负载程度给出了三种不同的监测和识别准则及结构，并以神经网络为综合过程的工具，建立了刀具切削状态的多传感器的信息综合方法，实例验证了此方法的可行性和实用性     

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。     

硬质合金刀具变速切削磨损累积规律

通过理论分析和试验研究,探讨硬质合金刀具在变速切削条件下磨损累积的规律.研究表明:由于硬质合金刀具在不同的切削速度条件下具有不同的磨损机理,变速切削条件下刀具磨损具有后效作用,因此,在变速切削条件下刀具磨损平均速率加快.文中建立了刀具磨损累积规律的半经验数学模型。     

基于切削参数和刀具状态的车削力模型

建立刀具状态监控特征量与切削参数及刀具状态之间的定量或定性关系是实现刀具状态监控系统的基础,文中以切和为监控特征量,建立了基于切削参数（切削深度、进给量、工件材料及刀具材料）与刀具状态（主要考虑后刀面磨损量）的车削力模型,设计了车削刀具磨损的试验系统及具体的试验方案,并进行了相应的切削试验,结果证明,该模型基本能正确反映车削力信号与刀具状态及各种切削参数之间的关系。     

陶瓷刀具切削淬硬钢的刀具磨损研究

研究氧化铝陶瓷刀具切削淬硬GCr15轴承钢切削过程中的刀具磨损形态、耐磨性能,刀具磨损过程中刃型变化规律及其对切削机理的影响,提出陶瓷刀具“自励”的观点,讨论刀具磨损与破损的关系和陶瓷刀具耐用度标准。     

超声振动切削时硬质合金刀具磨损机理研究

根据硬质合金刀具片材料的结构相碳化钨和粘结相钴在机械性能方面的差异，探讨了超声振动削时刀具磨损的机理，分析表明，刀具磨损速率的大小与碳化钨晶粒度的大小密切相关，试验表明，只有在采用超细晶粒度的硬质合金刀片时，超声振动切削才能提高刀具寿命，而进一步提高其寿命的根本途径是采用浸润性能良好的低粘度矿物油作切削液。     

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.     

数据融合在发电机故障诊断中的应用

讨论基于RBF神经网络的数据融合技术用于发电机故障诊断的原理和方法，介绍网络结构、训练算法和数据融合，重点说明网络的设计及专家经验知识的应用，仿真结果表明，该诊断方法效果良好。     

Dempster-Shafer证据推理在数据融合中的应用

介绍了Dempster-Shafer证据推理的基本概念和理论,并将数据融合思想引入到机械设备故障诊断中,采用Dempster-Shafer证据推理进行融合计算,验证了这一方法的有效性.     

疲劳驾驶状态数据融合技术研究

疲劳驾驶已成为造成交通事故的主要原因之一,研究有效检测驾驶员疲劳的方法已刻不容缓。现研究集中在单一信号的采集,容易出现误操作,本文基于两个科研项目和七大专利进行多信号融合的研究与设计。用Kalman滤波算法、Welch算法和Adaboost与CamShift相结合的算法分别来分析通过车速、加速度、侧向位移、脉搏和CCD图像传感器采集进来的信号。最后应用D-S证据理论实行二级信息融合,综合判断驾驶员的疲劳程度并作出相应的措施控制机动车。     

广义系统解耦融合Wiener状态估值器

应用现代时间序列分析方法,基于自回归滑动平均（ARMA）新息模型和白噪声估计理论,在线性最小方差分量标量加权最优信息融合准则下,提出了多传感器广义线性离散随机系统分量解耦融合Wiener状态估值器,可统一处理融合滤波、预报和平滑问题,可处理非因果广义系统。为了计算最优加权,给出了计算局部估计误差互协方差阵公式。它的精度比每个局部估值器精度高。一个MonteCarlo仿真例子说明其有效性。     

电子电路故障诊断的神经网络数据融合算法

针对模拟电路故障元件诊断的不确定性问题,将BP网络引入数据融合之中,结合模糊集合论,构造－模糊神经网络故障分类器,并将其应用于电子电路故障诊断之中。通过测试电子电路中被诊断元件的工作温度和工作电压这2个物理量,求出两传感器对各待诊断元件的故障隶属度,利用模糊BP网络故障分类器进行数据融合,得到融合的各待诊断元件的故障隶属度,从而确定故障元件,并通过单传感器诊断结果与融合诊断结果比较,说明多传感器融合的优越性。     

多传感器信息融合的时间不确定性

分析了测量融合方案的测量信息时间不确定性,将时间不确定性转化为系统不确定性．以跟踪问题为例,讨论了卡尔曼滤波器、确定性系统的鲁棒滤波器和参数不确定性系统的鲁棒滤波器3种滤波器的应用,给出了3种滤波器的求解结果,并对其表现进行了比较．仿真结果表明,在时间不确定性条件下,3种滤波器的性能都有所下降,2种鲁棒滤波器的滤波误差的方差始终比卡尔曼滤波器的方差小。     

基于多传感器数据融合的故障诊断技术

提出了一种基于多传感器数据融合的故障诊断系统框架 ,给出了故障诊断融合技术的详细算法和提高系统柔性与开放性的方法 ,以及与其他故障诊断方法相融合的方法与算法 .提出的基于多传感器数据的故障诊断融合技术具有较好的实时性、柔性与开放性 .检测、控制与多传感器故障诊断相融合可使系统在不增加设备投资的前提下改善系统的性能     

采用神经网络数据融合改善传感器的静态特性

为解决在全桥差动的电桥测量中,环境温度的变化对因桥臂之间的特性差异所造成的测量误差影响显著,而这种影响却又无法用一般的数学式子进行描述的问题,利用神经网络可以学习的功能,将电桥的两个输出电压信号作为标定数据,采用神经网络对标定数据进行处理,从而既提高了电桥测量的环境温度适应范围,也提高了其测量精度.经过神经网络的数据融合,测量误差可由原来的15%下降到2%.     

带有等式状态约束的多传感器数据融合算法

在状态估计理论的实际应用中,状态向量常常包含可以预先获知的约束信息,有效地利用这些先验信息可以进一步明确状态元素之间的关系,理论上可以提高对系统的状态估计精度.针对约束滤波的已有研究成果,将其引入到多传感器系统,提出了约束系统多传感器数据融合算法.通过建立线性等式约束方程,将传统卡尔曼滤波结果投影到约束子空间,然后对局部传感器的约束滤波结果采用分布式最优加权融合,并且通过协方差匹配技术检测观测数据异常的传感器,使之不参与到数据融合中.仿真结果表明,约束系统分布式加权融合算法的有效性和可行性,并且比集中式融合算法具有更好的稳定性.     

自校正观测融合解耦Wiener状态预报器

对于带未知噪声方差和带不同观测阵的多传感器系统,应用现代时间序列分析方法,基于子系统和加权观测融合系统的滑动平均(MA)新息模型的在线辨识,提出了一类自校正加权观测融合解耦Wiener状态预报器。用动态误差系统分析方法,证明了它按实现收敛于当噪声方差已知时的最优加权观测融合解耦Wiener状态预报器,因而它具有渐近全局最优性。一个目标跟踪系统的仿真例子说明了其有效性。