基于卡尔曼滤波算法的刀具磨损状态预测北大核心

针对机加工过程中的刀具状态预测问题,利用随机森林算法良好的多分类能力,提出一种基于卡尔曼滤波算法刀具状态分类监测模型。以铣削力信号作为状态监测信号,通过卡尔曼滤波以及前一次走刀过程的铣削力建立状态预测方程,对下一次走刀过程中的铣削力进行预测;将预测的铣削力分别在时域、频域与小波包分析中提取特征值,然后利用训练好的随机森林模型对提取的特征值进行识别,预测下次走刀过程的刀具磨损状态。数据处理的结果表明,该方法可以有效地预测出下次加工是否会进入磨损阶段,在整体状态识别中准确率为98.73%。     

基于切削声和切削力参数融合的刀具磨损状态监测

针对单一传感器监测刀具磨损状态存在的不足,提出了将声传感方式和力传感方式综合利用,以人工神经网络作为多传感器信息融合的方法.在立式数控加工中心上铣削加工45<'#>钢调质试件,利用驻极体传声器和Kistler测力仪检测与刀具磨损相关的特征量,得出铣削声信号特征量LPCC的第6、7、8阶分量,X、Y向切削力以及绕z轴的力矩与刀具磨损密切相关.以这6个特征量作为神经网络的输入信号,利用有动量的梯度下降的BP算法建立了刀具磨损状态监测的多参数融合模型.研究结果表明神经网络输出值与实际测量值基本相符合,切削声和切削力特征融合后提高了识别刀具磨损程度的准确性和稳定性.     

基于改进的径向基神经网络刀具磨损识别方法

采用传统的径向基神经网络(RBF)模型对刀具磨损量进行识别,没有体现铣削力特征值与刀具磨损量关联程度。文章通过特征优选获取最能反映刀具磨损状态的特征,并将优选后得到的特征与刀具磨损量的关联度作为对角矩阵的对角元,再将该对角矩阵引入RBF径向基函数中,从而使得在计算RBF输入向量与中心神经元径向距离时,不同特征的空间距离所占比重等于该特征对应的与刀具磨损状态的关联度,代替原RBF计算中不同特征的空间距离所占比重相等的情况。实验证明,与优化前相比,优化后的RBF神经网络模型具有更高的识别准确率和识别速度。     

刀具磨损状态特征参数提取与识别方法研究

为准确识别刀具磨损状态,提出了基于MF-DFA的特征提取方法和基于LS-SVM的磨损状态辨识方法。设计了刀具磨损试验方案;提出了具有可调节参数的改进阈值小波降噪方法,解决了硬阈值降噪不连续和软阈值降噪失真问题,降噪后信号的信噪比和均方误差优于另外两种阈值;分析了多重分形谱参数与声发射信号特征对应关系,基于此初选了特征参数,根据刀具不同磨损阶段各参数的分布情况优选了特征参数,且优选特征参数聚类效果极佳;采用基于LS-SVM算法的磨损阶段识别方法,分别使用初选特征参数与优选特征参数进行模式识别,实验结果表明,优选特征参数的识别精度明显高于初选特征参数;与BP神经网络、SVM算法相比,LS-SVM算法的识别准确率最高、时间消耗最小。     

基于HPSO优化BP神经网络的刀具磨损状态识别

针对BP神经网络容易陷入局部极值导致识别精度低的问题,文章提出了一种基于混合粒子群算法(HPSO)的BP神经网络优化算法。在刀具磨损监测实验过程中,采集刀具切削的声发射(AE)信号,利用小波包分解算法对AE信号进行滤波,并进行特征提取。将频带能量特征和切削参数分别作为主特征和辅助特征,并对其对归一化处理。采用混合粒子群优化算法(HPSO)对BP神经网络预测模型进行优化,利用优化后的模型对测试样本进行模式识别,结果表明,优化后的HPSO-BP模型能够有效地降低神经网络陷入局部极值的情况,提高刀具磨损识别精度。     

基于参数策略的改进粒子群优化PNN神经网络刀具磨损研究

刀具磨损直接影响工件加工质量和尺寸精度,正确掌握刀具磨损状态及时换刀,减少机床停机时间,将直接提高加工效率。为提高刀具磨损状态识别准确率,提出一种基于参数策略的改进粒子群优化PNN(IPSO-PNN)神经网络识别刀具的磨损状态。相较于BP神经网络收敛速度慢、易陷入局部最优的缺点,IPSO-PNN神经网络结构简单、训练简洁快速。与BP神经网络和标准PNN神经网络仿真结果对比,结果表明:IPSO-PNN神经网络识别准确率高,收敛速度快,仿真耗时短,能有效提高刀具磨损识别准确率。     

基于优选特征的刀具磨损监测方法

文章以端面铣刀为研究对象,采用相关系数方法和模糊聚类方法对铣削力信号特征进行研究和分析,提出了一种可应用于在线诊断端面铣刀磨损量的特征优选方法。首先从特征的相关性出发,利用相关系数法对铣削力信号特征进行初选,去除冗余特征;其次从特征的模糊性出发,利用模糊聚类寻求最优特征子集;最后将选取的特征作为BP神经网络的输入,输出铣刀磨损量。实验结果表明,利用该方法能够选择优化特征子集,提高诊断精度和诊断效率。     

基于希尔伯特-黄变换和等距特征映射的刀具磨损状态监测

为了实现刀具磨损状态监测的自动化与高精度,文章提出了一种基于希尔伯特-黄变换(hilbert-huang transform,HHT)和等距特征映射(isometric feature mapping,Isomap)的刀具磨损状态监测方法。首先采用经验模态分解算法对采集的信号进行降噪处理;然后对降噪后的信号进行Hilbert变换得到Hilbert时频谱,同时计算Hilbert边际谱及其统计特征量;最后利用Isomap算法进行特征融合及优化,将优化后特征向量送入支持向量机(support vector machine,SVM)中,并通过网格搜索法优化SVM的相关输入参数来建立最优分类模型。研究结果表明:Isomap算法具有较好的特征融合及降维效果,且Isomap-SVM分类模型对测试集的识别准确率为95%,文章所提方法可以有效地识别刀具磨损状态。     

PCD和HTi10刀具铣削CFRP试验研究

针对碳纤维复合材料(CFRP)难加工的特性,文中采用PCD和HTi10刀具进行了CFRP铣削试验,对加工过程中的铣削力、刀具磨损和表面粗糙度进行了分析。结果表明:PCD和HTi10刀具的铣削力和表面粗糙度变化规律一致,均随转速的增大而减小,随进给速度的增大而增大,但PCD刀具的铣削力更小,加工质量更好;与HTi10相比,PCD刀具的铣削力对刀具磨损更加敏感,更适合应用在加工环境较好的条件下。在CFRP加工过程中,粗加工时优选HTi10刀具,精加工时优选PCD刀具,宜选用高转速、低进给的切削参数。     

基于SSA-VMD和BiLSTM的刀具磨损状态识别北大核心

针对变分模态分解(VMD)参数选取和刀具磨损特征提取困难等问题,提出了基于松鼠觅食算法(SSA)、VMD和双向长短期记忆网络(BiLSTM)的刀具磨损状态识别模型。首先,以包络熵为适应度函数,使用SSA优化VMD的参数,利用优化后的VMD分解刀具振动信号得到4组模态分量,并进行信号重构;其次,构建BiLSTM网络模型,并把信号模态分量、原始信号和重构信号一起构成特征矩阵输入模型当中,利用BiLSTM提取信号特征;最后,通过全连接层和Softmax层对刀具磨损状态进行识别。实验结果表明,SSA能够找到VMD最优参数组合,降低信号噪声,提出的SSA-VMD-BiLSTM模型在准确率和适应性方面优于传统的LSTM模型。     

基于S变换时频图纹理特征的刀具磨损状态识别

针对刀具磨损状态监测问题,将图像纹理特征提取技术引入到刀具磨损故障诊断中,提出一种基于S变换时频图纹理特征的刀具磨损状态识别方法。首先采用S变换对刀具切削过程中采集的声发射信号进行时频分析,将时频图像转换为等高线灰度图,通过灰度共生矩阵算法提取图像纹理特征;然后采用散布矩阵算法对提取的特征向量进行敏感度分析,构建敏感特征向量;最后采用敏感特征向量训练离散隐马尔科夫模型,建立分类器,从而实现刀具磨损状态的识别。实验结果表明:该方法可以有效地识别刀具磨损状态,识别率为96.67%。     

基于自适应小波基的铣削力信号分析

本文比较了固定小波基和自适应小波基对一个铣削力信号的处理效果,结果表明自适应小波基能分离出反映刀具磨损的信息,并根据分解结果提出了一个反映刀具磨损状态的特征向量。     

基于3-KMBS的刀具磨损检测方法研究

刀具在高速铣削过程中,很难检测到刀具磨损状态,而刀具磨损严重时将影响加工精度与产品质量。针对刀具磨损在线检测问题,文章提出了一种基于3-KMBS的刀具磨损检测方法。首先,采集高速刀具铣削时在不同轴向的振动和声发射信号,并进行数据预处理;其次,采用改进的3-K-Means聚类算法聚类出刀具的三种磨损状态区间,并提出多选择多隐层神经网络结构对其进行特征学习,再使用Softmax进行分类;最后,采用随机梯度下降对整个深层网络进行参数微调,建立刀具磨损检测模型。实验结果表明,所提出的方法在刀具磨损检测上准确率高达95%。     

基于系统辨识方法的铣刀磨损状态识别

铣刀磨损状态的判定对保证铣削加工产品质量具有重要意义。为提高铣刀磨损状态监测的有效性、快速性和准确性,通过Hilbert变换对铣削力信号进行解调处理,分离出了与铣刀磨损相关的信号。用db4小波函数对解调信号进行小波包分解,提取了铣刀磨损过程中各个时段频带的能量,与刀具的磨损曲线综合分析后,获取了能反映铣刀磨损状态变化的频段,并基于Zoom-FFT方法对铣削力信号在整个频带上分段选频细化。通过实验验证了所选频带零频上的幅值变化规律以及频谱上的谱线移动规律能够反映铣刀的磨损状态,综合二者能够快速、准确判断铣刀的磨损状态。     

基于混沌粒子群算法的钛合金薄壁筋铣削变形优化

针对薄壁筋受铣削力影响易变形的问题,提出一种基于薄壳划分和周期性施加铣削负载的变形仿真方法,通过仿真和试验两方面对比研究,分析了薄壁筋的变形过程并得出其变形规律。为了解决标准粒子群算法在优化铣削参数时容易陷入局部最优解的问题,提出一种基于变异算子与自适应动态惯性权重的改进混沌粒子群算法,并以变形量为约束,铣削力最小为目标优化了铣削参数。结果表明:改进后的混沌粒子算法在全局搜索能力和计算速度方面相比粒子群算法显著提高,试验证明采用优化后的铣削参数组合可有效减小薄壁筋的变形。     

基于刀具寿命等级的铣削加工参数自适应调整优化方法

为了解决铣削加工过程中传统优化参数无法随着刀具寿命的变化动态调整，导致刀具性能无法充分利用的问题，对铣削参数自适应优化方法进行研究，提出一种基于优化灰狼算法的铣削参数动态多目标优化方法。通过BP神经网络构建铣削过程中铣削参数与优化目标之间的非线性映射关系；提出刀具寿命等级的概念，通过粒子群优化灰狼算法进行寿命等级内铣削参数自适应优化。试验结果表明：该方法能够在整个刀具寿命周期内根据刀具的寿命衰变程度提供时段内最优的铣削参数方案，在提高刀具使用价值的同时降低碳排放量。     

利用磁头型磁致伸缩扭矩传感器进行铣削刀具失效监测

采用基于磁致伸缩效应的正交磁头型扭矩传感器，在VM数控铣床上进行了铣削过程的刀具失效监测试验研究。结果表明，此传感器检测的扭矩信号能够用来识别刀具磨损和断裂状态。     

基于遗传算法优化HMM的刀具磨损状态监测研究

对于切削过程中的刀具磨损,采用隐马尔可夫模型(HMM)来识别刀具不同的磨损状态。并且针对隐马尔可夫模型的Baum-Welch算法易陷入局部极小的缺陷,提出一种利用遗传算法优化Baum-Welch算法中B初值的改进方法,从而提高HMM对刀具磨损状态的识别率。通过对切削过程中主轴电机的输出电流信号进行小波包分解提取特征向量,利用Lloyd算法进行量化编码,作为观测序列输入优化的HMM来识别刀具的磨损状态。实验结果表明,该方法能够准确有效地进行铣刀磨损状态监测。     

刀具磨损声谱特征主要集中频段研究

可听阈内的切削声信号包含着丰富的刀具磨损信息。找出刀具磨损信息在可听阈内的主要集中频段能提高切削声信号的信噪比,改善识别结果。在提取了可听阈内切削声信号包含的刀具磨损信息的有效特征,建立了识别模型和对刀具磨损状态进行了级别划分的基础上,对不同频段切削声信号展开了识别实验。实验分析结果表明可听阈内刀具磨损信息主要集中在低频段。     

基于双谱奇异值分解的刀具磨损识别方法

针对刀具磨损声发射信号的非线性、非平稳特性,提出一种基于双谱奇异值分解的刀具磨损特征提取方法.对刀具不同磨损阶段的声发射信号进行双谱分析,构造初始特征向量矩阵,然后对初始特征向量矩阵进行奇异值分解,计算奇异谱,将奇异谱作为刀具磨损特征向量,利用最小二乘支持向量机对刀具磨损状态进行识别.实验结果表明:所提取的特征可以很好地反映刀具的磨损状态,最小二乘支持向量机更适于在小样本下实现刀具磨损状态的识别,与神经网络识别方法相比具有更高的识别率.