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.     

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。     

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.     

基于多传感器融合的磨削砂轮钝化的智能监测

利用多传感器信息融合技术 ,通过模糊分类的方法对不同的磨削条件进行模糊化处理 ,构建了砂轮钝化监测多传感器融合系统结构 ;应用BP神经网络将磨削过程中声发射、磨削力和功率传感器信号合理融合 ,提出了自适应变学习率策略 ,将其神经网络输出的信号特征值作为表征砂轮钝化状态识别的判据 ,进行了砂轮钝化监测实验·结果表明 ,使用多传感器信息融合方法比使用单一传感器方法识别率高 ,监测效果好 ,并可实现智能监控和及时修整砂轮     

基于协同神经网络的系统状态识别

现代机械加工对安全性和效率的要求越来越高,声发射以高灵敏度、高可靠性、高安全性等优点,成为机械加工动态监测中最具前景的监测方法之一。声发射现象在机械加工中广泛存在,通过研究声发射技术的基本原理可以明确声发射信号的变化规律。基于协同神经网络的机械加工工作状态识别的实现过程包括学习训练阶段和迭代识别阶段。网络实现过程首先将输入待识别模式的特征向量进行去均值归一化等预处理,求出序参量的初始值,然后根据序参量的动力学方程进行演化,只有一个序参量演化的值达到稳定,最终模式类在竞争中胜出,网络识别结果是把待识别模式归类为相应的初始训练模式类。     

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%.     

基于声发射监测的砂轮磨损实验

难加工材料的高硬度和高耐磨性使得磨削加工过程中砂轮的损耗变快,目前主要依靠经验判断砂轮的修整和更换周期,很有可能导致修整不及时的情况发生.本文用声发射信号和磨削力信号共同精确监测砂轮磨损状态,通过分析不同磨损状态的砂轮磨削时对应的声发射信号的特征参数以及磨削力和磨削力比的变化情况,综合判断了实验过程中砂轮的磨损状态.结果表明:声发射信号特征参数都与砂轮磨损状态有一定相关性,且磨削力比与砂轮磨损程度的相关性最大,证明了声发射监测技术在砂轮修整中的有效性,为实际生产加工提供了理论指导.     

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BP神经网络的高速磨削磨削力预测研究

应用BP神经网络算法建立高速磨削单位面积法向磨削力的预测模型.对比实验结果和预测值,表明该模型有一定的预测精度,通过增加学习样本或采用改进型的神经网络模型,能够进一步提高预测精度,对于高速超高速磨削研究有一定的帮助.     

基于神经网络的磨削温度在线监测预报系统

对磨削弧区温度进行在线监测,是磨削加工自动化中必不可少的重要环节,该文介绍了一个基于人工神经网络的磨削弧区温度在线监测、预报系统。具体给出了监测系统的组成及测温方案,并提出了一种更适宜进行动态预报的改进型ＢＰ网络作为磨削温度的预报模型。工艺实验证明该系统能够较好地实现磨削温度的在线监测与预报。     

基于BP神经网络的汽车发动机凸轮轴数控磨削加工工艺优化

随着汽车工业的迅速发展,作为汽车发动机的关键零件,凸轮轴的需求量越来越大,对其加工质量和加工效率的要求也越来越高．本文概述了凸轮轴磨削加工的现状,介绍了人工神经网络特别是BP神经网络的相关理论,最后采用BP神经网络算法对凸轮轴磨削加工部分工艺参数进行优化．     

基于VB环境的砂轮智能选择系统开发

提出用模糊自适应调整BP算法建立磨削条件与砂轮特征参数之间的关系模型;并依据磨削数据手册中的数据及实验结论对模型进行训练,训练好的神经网络可实现砂轮型号的智能推荐;测试结果显示模糊自适应BP网络比原BP网络收敛速度快、识别准确率高·该方法具有不依赖经验工人,无需要建立规则,利用最新的研究结果可随时训练网络,具有很好的扩展性等优点·利用VB和Matlab语言相结合的方法开发本系统,开发过程方便快捷,并具友好的用户界面·     

基于神经网络理论的内圆磨削过程模型研究

探讨用神经网络（ＮＮ）模型描述内圆磨削过程，介绍了ＮＮ模型的特点，针对ＢＰ算法，提出了一改进算法．利用内圆磨削轴承内圈内孔的实例，设计了一个三层ＮＮ模型，并针对内孔尺寸某一数据集，在计算机上进行了ＮＮ仿真建模．结果表明：ＮＮ模型适于描述内圆磨削过程，且合理选择输入节点及隐节点将加速网络的收敛．     

BP神经网络在矿井安全监测评价系统中的应用

阐述了BP神经网络基本理论，分析了BP神经网络存在的问题并提出了两种改进方法，增加了收敛速度，提高了效率。并将其应用于矿井安全监测评价系统中，提出了基于此理论的安全监测评价方法等，为矿井的安全生产和安全管理提供了依据。