基于模糊聚类的数控车削加工刀具磨损检测研究

将模糊聚类分析原理应用于数控车削加工刀具磨损检测,对数控车削加工刀具磨损的各阶段力信号和振动信号进行采集,通过小波滤波及功率谱的谱分析,找到车削加工过程中刀具磨损的典型参数变化。通过提取信号特征值进行模糊聚类,实现了数控车削加工刀具磨损的状态识别。     

基于模糊小波极限学习机的刀具磨损状态识别

刀具磨损作为机械加工过程中的常见现象,直接导致了切削力增加、工件表面粗糙度恶化以及尺寸超差等不良后果,极大地影响加工效率.采集加工过程中切削力、振动及声发射信号,利用线性回归法对信号进行特征提取及降维;采用不同刀具的磨损数据训练模糊小波极限学习机(FWELM),降低加工过程的不确定性对识别模型的影响,并解决加工系统的信息模糊造成的建模困难问题,提升刀具磨损识别模型的泛化能力.利用标准刀具磨损数据集测试结果证明,基于FWELM构建的刀具磨损状态识别模型识别的每个刀具磨损阶段的准确率及总体识别准确率皆高于极限学习机构建的识别模型.     

用模糊模式识别方法识别金属切削刀具的磨损

文中引入模糊模式识别理论,建立金属切削刀具磨损识别系统,分析了刀具磨损特征,确定了刀具模糊模式Ai和待识别对象B的隶属函数,分析了车刀磨损的情况。     

AdaBoost算法使能的刀具磨损状态分阶段评估集成方法

提出了一种基于AdaBoost(Adaptive boosting)集成算法的刀具磨损全阶段回归模型建模方法.首先,利用获取到的加工过程信号和刀具磨损值,建立刀具磨损拟合曲线,以实现对初期磨损、平稳磨损和急剧磨损3个阶段的准确划分;其次,对加工过程信号进行特征提取,并与相应的刀具磨损值形成3个阶段的数据样本,利用支持向量机分别建立3个磨损阶段的回归模型;再次,利用AdaBoost在全阶段上确定3个磨损阶段回归模型的权重,最终建立刀具磨损状态识别的回归模型;最后,以某铣刀切削过程采集的刀具磨损数据集验证所提出的模型和方法的有效性.     

模糊数据融合的刀具磨损状态智能识别

为实现高速加工时刀具渐变磨损状态的在线准确识别,提出了一种集合多种智能的间接检测刀具磨损状态方法的模糊数据融合方法。尽管这些方法具有算法实现较为简单、处理速度较快的优点,但单一的信号检测及单一的智能建模方法难以获得全面的加工状态信息和准确的识别结果。为此,利用F推理技术对上述方法的冗余和互补信息进行数据融合,应用Makino—Fanuc 74-A20型加工中心的测试数据验证了该方案的可行性,并将刀具后刀面磨损的预测值与基于机器视觉检测的实测值进行比较。实验结果分析表明,多参数模糊融合识别方法能快速获得切削刀具磨损状态更加准确的预测值。     

基于小波包分析和LS-SVM的钻削刀具状态识别研究

为了有效地识别钻削刀具磨损状态,提出一种基于小波包分析和最小二乘支持向量机(LS-SVM)的状态识别方法。通过在线监测钻削加工过程中的钻削轴向力和刀具状态,采用时域分析、频域分析以及小波包分析法对刀具磨损状态的信号进行特征向量提取,建立基于最小二乘支持向量机(LS-SVM)的分类识别模型。通过试验验证了该方法可以提高刀具磨损状态的识别精度。     

模糊神经网络在刀具磨损检测中的应用

建立了一个以模糊推理为基础的模糊神经网络模型，该模型采用了自组织竞争学习与BP算法相结合的混合学习算法。利用该模型进行了刀具磨损识别的实验研究，实验结果表明该模型能够可靠地对刀具磨损进行识别。     

基于小波包和BP神经网络的刀具磨损状态识别

刀具磨损状态影响金属切削过程,因此监测刀具磨损状态对提高产品质量有着重要的意义。设计刀具磨损状态监测系统,利用传感器采集刀具振动信号,通过小波包对振动信号进行数据分析,并把不同频段的能量值作为刀具磨损状态的特征值,建立BP神经网络,从而在刀具磨损状态和振动信号特征向量之间建立映射关系,完成刀具磨损状态的监测。利用C++Builder和Matlab软件混合编程实现了系统的功能。试验表明,系统运行良好,能够对刀具磨损状态进行正确识别。     

基于主轴电流信号多特征融合的刀具磨损状态监测

为实现在正常生产条件下进行刀具磨损的长期在线监测,提出了基于主轴电流信号和粒子群优化支持向量机模型(PSO-SVM)的刀具磨损状态间接监测方法.首先对数控机床主轴电机电流信号进行分析,将与刀具磨损相关的主轴电流信号多个特征参数和EMD能量熵进行特征融合作为输入特征向量;其次,通过粒子群寻优算法(PSO)对支持向量机模型...     

基于EMD和香农熵的刀具磨损故障诊断系统开发

针对机床刀具磨损故障诊断,开发了基于经验模态分解和香农熵进行信号处理的刀具故障诊断系统。在信号处理阶段,对机床加工过程中刀具的振动信号进行经验模态分解,得到若干固有模态函数(IMF),并基于香农熵从分解得到的IMF分量中提取有效分量,去除虚假分量,最后将有效的IMF分量的能量作为特征向量输入向量机(SVM)分类器来识别刀具的磨损状态。经实验验证,该系统能对刀具磨损状态进行准确快速地判断。     

基于云理论与LS-SVM的刀具磨损识别方法

针对刀具磨损过程中产生声发射信号的不确定性以及神经网络学习算法收敛速度慢、易陷入局部极小值、对特征要求较高等问题,提出了基于云理论和最小二乘支持向量机的刀具磨损状态识别方法。首先,对声发射信号进行小波包分解与重构,滤除干扰频段对求取特征参数的影响;其次,对重构后的信号利用逆向云算法提取云特征参数:期望、熵、超熵,分析刀具磨损声发射信号的云特性及磨损状态与云特征参数之间的关系;最后,将云特征参数组成特征向量送入最小二乘支持向量机进行识别。研究结果表明:所提取的特征可以很好地反映刀具的磨损状态,云-支持向量机方法可以有效地实现刀具磨损状态的识别,与传统神经网络识别方法相比具有更高的识别率,识别率达到96.67%。     

基于连续小波和多类球支持向量机的颤振预报

研究了一种应用连续小波特征和多类球支持向量机进行铣削系统颤振预报的方法,该方法基于连续小波变换提取铣削振动信号的特征,利用多类球支持向量机对正常铣削状态、颤振孕育状态和颤振爆发状态的振动信号进行三分类识别,通过识别颤振孕育状态预测颤振爆发。试验结果表明,在铣削颤振识别与预测中,铣削振动信号的连续小波特征与多类球支持向量机相结合具有良好的识别颤振孕育状态和颤振爆发状态的能力,颤振孕育状态的识别正确率达95.0%,颤振爆发状态的识别正确率达97.5%。     

基于小波变换-模糊聚类的变速箱齿轮故障诊断

在对车辆变速箱齿轮振动加速度信号进行小波变换的基础上，提出了基于尺度-能量谱的特征提取和模糊聚类相结合的车辆变速箱齿轮故障诊断方法。该方法应用于LC5T81变速箱齿轮的故障诊断中，能够比较准确地识别与诊断出变速箱齿轮的走合运行状态、磨损运行状态和故障运行状态，具有一定的实用价值。     

基于谐波小波包和BSA优化LS-SVM的铣刀磨损状态识别研究

针对铣削刀具磨损状态识别问题,提出谐波小波包和最小二乘支持向量机（LS-SVM）的状态识别方法。为克服传统小波包分解的频带交叠问题,采用谐波小波包提取不同磨损状态下铣削力信号的各频段信号能量,归一化处理后,输入LS-SVM多类分类器,实现铣削刀具磨损状态的识别。针对LS-SVM的惩罚因子和核参数对模型识别精度影响较大的问题,提出回溯搜索算法（BSA）进行自动参数寻优。实验结果表明,谐波小波包比小波包在刀具磨损状态特征提取时具有更好的识别效果。与粒子群算法进行比较,证明BSA优化LS-SVM具有更高的识别精度。     

基于小波包分析的风机故障诊断

根据故障信号特征和小波包变换多尺度分解性质选取小波包分解层次,得到能正确地反映风机的运行状态的特征向量;参照特征向量的组成方法,提出并构建基于小波包分析的韶钢4号风机典型故障特征表。对待检信号选用db10小波进行6层小波包分解,利用待检状态的特征向量与典型故障特征表,通过模糊模式识别方法进行风机故障诊断。     

大进给铣削沉淀硬化不锈钢刀具失效分析及切削参数优化

针对大进给硬质合金刀具铣削沉淀硬化不锈钢（05Cr17Ni4Cu4Nb）寿命短、效率低的问题,采用单因素法和正交试验法开展刀具磨损试验,并进行回归分析,得到了刀具寿命经验公式。利用有限元仿真方法获得了切削力、刀具切削刃温度和应力场分布情况,结合磨损测量结果及磨损形貌分析了刀具的失效机理。根据有限元仿真结果和刀具寿命经验公式,综合考虑切削效率和刀具磨损,运用等寿命-效率曲面响应法进行切削参数优化,得到了刀具的最佳切削参数及在该切削参数下刀具的寿命。     

CHMM for tool condition monitoring and remaining useful life prediction

To solve the problems of tool condition monitoring and prediction of remaining useful life, a method based on the Continuous Hidden Markov Model (CHMM) is presented. With milling as the research object, cutting force is taken as the monitoring signal, analyzed by wavelet packet theory to reduce noise and extract the energy feature of the signal as a basis for diagnosis. Then, CHMM is used to diagnose tool wear state. Finally, a Gaussian regression model is proposed to predict the milling tool’s remaining useful life after the test sample data are verified to be consistent with the Gaussian distribution based on a reliable identification of the milling tool wear state. The probability models of tool remaining useful life prediction could be established for tools with different initial states. For example, when an unknown state of milling force signal is delivered to the milling tool online diagnostic system, the state and the existing time of this state could be predicted by the established prediction model, and then, the average remaining useful life from the present state to the tool failure state could be obtained by analyzing the transfer time between each state in the CHMM. Compared to the traditional probabilistic model, which requires a large amount of test samples, the experimental cost is effectively reduced by applying the proposed method. The results from the experiment indicate that CHMM for tool condition monitoring has high sensitivity, requires less training samples and time, and produces results quickly. The method using the Gaussian process to accurately predict remaining life has ample potential for application to real situations.     

基于导轨面图像特征雷达图的磨损状况识别

为解决精密机床导轨面磨损缺陷及缺陷程度的识别问题,提出一种基于导轨面图像数据雷达图重心特征的表面磨损识别方法。首先提取导轨面图像数据的灰度均值、歪度、峭度、扁度和投影方差作为磨损状况识别的原始特征;然后采用雷达图技术将特征数据可视化,并提取雷达图的重心特征;最后采用支持向量机技术设计分类器,同时采用雷达图重心特征和磨损缺陷原始特征进行分类,并与实验检测的导轨面磨损数据进行对比分析。计算和实验结果表明: 基于雷达图的图像数据重心特征可有效地识别导轨面是否磨损,并能在一定程度上判别导轨面的磨损程度。     

磨损颗粒的模糊神经网络识别研究

在传统的模式识别技术中，模式分类的基本方法是利用判别函数来划分不同的类别，然而如何选择有效的判别函数以及在识别过程中如何对判别函数的参数进行修正，对于以往的模式识别技术是比较困难的。针对油液铁谱分析中磨损颗粒的识别问题，讨论了一般机械设备的磨损颗粒的特征，分析了神经网络技术和模糊数学相结合的模式，提出了基于模糊神经网络的铁谱图象分类和识别方法，分析结果表明，提出的方法对铁谱分析的智能化和快速化提供一种有效的途径。