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.     

支持向量机在刀具磨损多状态监测中的应用

基于多传感器信号、采用多分类支持向量机(support-vector-machine,SVM)实现了刀具监测的多状态辨识.通过对切削过程中的多向切削力和振动信号等多传感器信息进行分析,分别获得时域、频域和小波域的信息作为磨损分类特征;同时,运用基于一对多(one-versus-all,OVA)的多分类支持向量机对刀具不同磨损状态下的特征数据样本进行训练和识别.对切削过程中不同磨损状态的分类结果表明,多分类支持向量机具有出色的学习能力,能够实现在小样本情况下的不同磨损阶段分类,并具有较高的识别精度.     

基于模糊支持向量机的刀具磨损检测

提出一种基于模糊支持向量机(FSVM)的切削过程中刀具磨损检测方法,对切削加工过程中的刀具磨损状态进行诊断与预测。提取切削加工过程中刀杆的振动信号和切削刀具的切削力信号,对其进行分帧处理,提取FFT特征量,对该特征向量进行模糊支持向量机的学习和训练。实验结果表明,该方法能够充分发挥模糊支持向量机的权系数作用,有效检测切削过程刀具的磨损程度,与同类识别方法的识别结果相比较,具有一定的优越性。     

基于模糊支持向量机的刀具磨损检测

提出一种基于模糊支持向量机(FSVM)的切削过程中刀具磨损检测方法,对切削加工过程中的刀具磨损状态进行诊断与预测。提取切削加工过程中刀杆的振动信号和切削刀具的切削力信号,对其进行分帧处理,提取FFT特征量,对该特征向量进行模糊支持向量机的学习和训练。实验结果表明,该方法能够充分发挥模糊支持向量机的权系数作用,有效检测切削过程刀具的磨损程度,与同类识别方法的识别结果相比较,具有一定的优越性。     

基于仿生感知的机床刀具故障诊断系统

现有刀具故障诊断系统具有系统庞大、成本高,精度低等问题,亟需开发一种高精度、低成本的刀具故障诊断系统.为此,提出一种基于仿生应变传感器的数控机床刀具故障诊断系统,该系统首先将精度高、价格便宜的仿生柔性裂纹阵列振动敏感元件封装成刚性的仿生应变传感器,使其适用于采集机床刀具振动信号;然后从采集的刀具振动信号中提取时域和频域特征,并使用支持向量机算法建立刀具故障诊断模型.通过实验对离线故障和实时机床加工环境中的在线故障进行诊断,结果表明,设计的基于仿生应变传感器的刀具故障诊断系统对机加故障诊断的准确率大于88％,在保证故障诊断性能的同时降低了检测成本.这是将灵敏度高、成本低的仿生柔性敏感元件应用于工业故障诊断的一次全新尝试.     

基于最小二乘支持向量机的振动切削力软测量模型及其应用

为提高振动切削过程工件加工精度,利用最小二乘支持向量机建立振动切削力软测量模型;利用数控车床振动切削实验系统所采集数据作为最小二乘支持向量机的输入参数,振动切削力作为输出参数进行仿真分析。研究结果表明:该振动切削力软测量模型具有较高的建模精度和较强的泛化能力;对振动切削力进行软测量后,加工工件表面粗糙度平均误差可降低50%以上,圆度平均误差可降低70%以上。     

基于小波奇异性和支持向量机微铣刀破损检测

针对微铣削过程中刀刃破损的现象,提出了基于振动信号奇异性分析的自学习式支持向量机的刀具破损检测方法.对两种状态信号作连续小波变换,计算小波模极大值和信号的李普希兹指数(Lips).通过Lips识别刀具状态,拟合Lips分布概率密度函数并验证其符合正态分布,将Lips分布的均值、方差作为特征值,通过遗传算法参数寻优建立了刀具破损状态的支持向量机(SVM)识别模型,也称最优模型.利用最优模型预测刀具破损状态,其预测准确度从84%逐步提高至90%,提升了系统预测模型的鲁棒性.最后通过实验验证了该方法的有效性.     

基于支持向量机的无线传感器网络分布式检测

为减少基于似然比检测的无线传感器网络最优分布式检测方法对信道状态、噪声分布和传感器检测性能等信息的依赖,满足实际系统的需要,提出使用支持向量机实现无线传感器网络分布式信号检测的方法.该方法无需预知信道状态和噪声分布信息,简化了无线传感器的节点功能.该方法将传感器节点测量结果以模拟非编码方式发送至数据中心,数据中心利用训练好的支持向量机对接收到的信号进行判决.仿真结果表明,该方法可获得较高的检测精度.     

基于形态分量分析的高速铣削加工刀具磨损在线监测

在高速铣削加工中,铣刀在超高转速下进行不连续切削,刀具磨损迅速且难以监测,严重影响加工精度和产品质量,因此刀具磨损的状态监测极其重要.振动法是一种有效的刀具状态监测方法,但是振动信号包含了多种振动成分及大量噪声,影响刀具磨损状态监测的准确性.针对该问题,提出了一种利用对偶基追踪算法和用形态分量分析对振动信号进行稀疏分解的方法.首先,分析了高速铣削加工过程中振动信号的形态分量特点和稀疏特性,构造了对偶基追踪框架,通过增广拉格朗日变量分离算法进行求解,实现对振动信号中的脉冲成分和谐波成分的分离.其次,构造并提取了脉冲密度和高次谐波频率与基频的幅值比等特征并利用这些特征进行刀具磨损状态监测.最后,通过仿真分析和实验,验证了该方法的可行性.     

采用切削刃重构的刀具磨损视觉检测方法

针对目前难以在复杂恶劣的油污粉尘环境中实现对刀具图像的高质量采集和刀具磨损视觉特征的高精检测,对磨损缺失刀刃这一类最为典型且危害最大的刀具磨损开展研究,提出一种采用切削刃重构的刀具磨损视觉检测方法。首先,在数控机床加工台一侧搭建集成了一套具有镜头保护与清洁功能的图像采集装置,用于在机定期自动采集刀具磨损图像;然后,将采集的图像经以太网传输至计算机图像处理系统,利用设计的切削刃重构法对刀具磨损缺失区域进行切削刃重构,以此得到完整刀具图像,进而利用图像差分,将重构后的刀具图像与磨损刀具图像相减,实现刀具磨损缺失区域的自动识别;最后,基于识别的磨损特征测量刀具磨损的评估指标参数值,并判断是否需要换刀。实验结果表明：所提检测方法具有较大优势,解决了油污粉尘机加环境下刀具磨损图像采集困难的难题和难以从图像中分割识别刀具磨损缺失特征的难题,实现了刀具磨损的视觉高精高效检测;与现有的刀具磨损视觉检测系统以及现有的Canny边缘检测法、自适应阈值法等6种图像分割方法相比,所提方法避免了拆卸刀具进行离线显微镜检测和模板匹配的烦琐过程,可进行在机自动检测,同时平均检测准确率至少提升20%。     

基于PSO优化LS-SVM的刀具磨损状态识别

为监测刀具的磨损状态,该文建立了一个基于声发射的刀具磨损状态监测系统。在刀具磨损状态监测实验中,采集加工过程中的声发射信号,提取方根幅值、绝对值均值、均方根、最大值作为反映刀具磨损的时域特征值。针对人工神经网络容易陷入局部极小值、结构难以确定、学习收敛速度慢等缺点,提出最小二乘支持向量机(least square support vector machine,LS-SVM)的刀具磨损状态识别方法。针对LS-SVM性能依赖于惩罚因子和核参数,利用粒子群优化(particle swarm optimization,PSO)算法对LSSVM参数进行自动寻优,建立PSO优化LS-SVM模型进行刀具磨损状态识别。结果表明:与LS-SVM识别模型相比,优化后的LS-SVM模型具有更高的识别率。     

采用WSVM的三维无线传感器网络节点定位

为了提高无线传感器网络三维节点的定位精度,针对SVM的核函数构建问题,提出一种基于小波支持向量机(WSVM)的定位算法.首先,收集三维传感器锚节点信号强度,构建支持向量机学习样本;然后,将其输入到小波支持向量机进行学习,建立三维传感器节点定位模型;最后,采用仿真实验对模型性能进行测试.研究结果表明:与传统三维定位算法对比,使用小波支持向量机中的三维传感器节点进行定位时,精度水平得到有效提升,获得更加稳定的节点定位结果,可以广泛应用于实际无线传感器网络系统中.     

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.     

基于分形和支持向量机的装备技术状态预测模型

基于分形和支持向量机回归理论,建立了装备技术状态预测模型.将反映装备运行状态的特征数据作为时间序列,首先进行相空间重构,得到时间序列的最小嵌入维数,以此作为支持向量机输入节点数.利用支持向量机对样本训练,建立预测模型.以装备振动信号预测为实例,表明将时间序列最小嵌入维数作为支持向量机输入节点数目,所建立的模型是最优的.支持向量机预测结果和真实值相比误差较小,可以满足装备技术状态分析和预测的要求.     

石油化工行业危险源监控系统设计

石油化工行业危险源监控系统拟通过建立自组无线传感器网络可以将各种传感器,如温度、湿度、压力、振动、光照、气体传感器或者振动、声音、磁力、微波等传感设备,通过无线的方式构成任意的网络拓扑,形成区域无线覆盖。实时监测、感知和采集网络分布区域内的各种环境或监测对象信息,从而准确判断温度压力过载、有毒有害气体泄漏、入侵者非法闯入等危险信号。现已完成了传感器网络节点和后台管理系统的研发工作,开发出了一套完整的无线传感器网络危险源监控系统的组网演示系统和原型系统。     

数据融合法在监测刀具切削状态中的应用

从多传感器数据融合观点出发，提出利用多通道传感信号的均值和标准差为基本参数，由其高阶项和人工神经网络进行数据融合，并用故障树推理方法诊断刀具切削状态的分析方法；经计算机模拟，证实了神经网络对刀具不同磨损程度的识别能力；在立式加工中心上，利用新型非表面接触式声发射（ＡＥ）传感器和振动加速度传感器组成的多通道传感数据进行了镗刀破损状态的监测，证实了所述方法的正确性、可行性和实时性。     

用声发射信号在线监测切削刀具的磨损与破损

通过监测金属切削过程中的声发射信号，判别切削刀具刃部的磨损状况．监测逐渐增大的声发射信号幅值大小，测量刀具后刀面的磨损情况；检测阶跃式声发射信号的幅值，监测刀具的破损情况．并用微机处理实验数据产生刀具破损的信号．还对刀具破损时声发射信号阀值进行了研究．     

模糊回归分析在平头立铣刀磨损监测中的应用

通过分析铣刀渐进磨损过程的特点,从切削力、主轴端振动位移、主轴端振动加速度和主轴电机功率等信号中提取了8个反映刀具磨损状态的特征参数,提出用模糊回归分析多传感器信息融合方法监测铣刀后刀面磨损带面积.在立式加工中心上的实验表明,模糊回归分析计算的后刀面磨损带面积与实际测量值基本相符,计算效率高,能够满足小直径立铣刀磨损在线监测要求,具有较强的有效性和工程实用性.     

基于支持向量机的激光焊接过程质量监测

提出了一种基于支持向量机的激光焊接质量监测方法.在监测系统中,首先利用光、声传感器获取焊接过程产生的各种信号,然后利用Gabor变换提取出特征向量,最后利用支持向量机对数据进行融合以判断焊缝是否达到质量要求.实验结果验证该方法的分类正确率可达93%.     

基于Wi-Fi的风机轴承运行状态远程监测系统设计

为了解决对风机轴承运行状态方便实时监测,提出一种基于Wi-Fi的风机轴承运行状态实时监测系统方案。系统由信号采集模块与信号分析模块两部分组成,信号采集模块将MPU6050作为振动信号传感器,以STM32微控制器为核心,利用Wi-Fi传输技术将采集到的振动信号传输到信号分析模块中的上位机,上位机采用本征时间尺度分解(ITD)方法,对采集到的振动数据进行分析进而判断出轴承的运行状态。实验结果表明:系统能够实时有效地对风机轴承信号进行传输,提取到的特征信号能够反映风机轴承的运行状态。