一种微机控制的多测头凸轮轴测量系统

本文介绍一种由机械装置，高精度圆光栅编码器，光栅位移传感器，微型计算机，接口控制电路等组成的多测头凸轮轴测量系统，该系统安装调整方便，定位准确，测量精度高，操作简单，工作可靠，能快速实现对凸轮轴的自动测量。     

基于自校正Kalman滤波的液膜密封端面摩擦状态监测技术

声发射技术是液膜密封端面摩擦状态的有效检测方法,但是受工业背景噪声的影响,难以分离出声发射信号中所需信息。针对此问题,采用基于ARMA模型的自校正Kalman滤波技术处理声发射信号。该滤波器能在系统模型参数和噪声特性未知的情况下,收敛于稳态最优卡尔曼滤波器,因此滤波后的声发射信号的所需特征信号更突出,有利于液膜密封端面摩擦状态的检测。建立RBF神经网络,以时域、频域和时频域特征值作为输入进行网络训练,实现密封端面摩擦状态模式识别。实验结果证明,该监测方法能实时有效地识别端面摩擦状态,识别结果与电涡流直接测量得到的结果一致。     

数控车削加工过程的刀具磨损动态监测

对车削加工刀具磨损的各阶段信号进行采集,通过动态时频域分析,找到车削加工过程中刀具磨损的重要参数变化,对其进行振铃记数和人工神经网络的模式识别,实现了车削加工刀具磨损的状态检测。     

B样条模糊神经网络在滚动轴承故障诊断中的应用

本文采集滚动轴承的振动信号。提出基于B样条模糊神经网络作为滚动轴承故障诊断的模型．该模型能够准确地反映滚动轴承故障和振动信号特征之间的非线性关系．并对其进行仿真。实验和仿真结果表明：基于B样条模糊神经网络的系统能成功应用于滚动轴承故障诊断。     

基于粗糙集和BP神经网络的刀具状态监测

在刀具磨损状态监测中,能够提取到的反映不同刀具磨损状态的特征量较大,基于神经网络的状态识别无法去掉冗余特征,会存在训练时间长和准确率降低等问题。针对这些问题,提出基于粗糙集-BP神经网络的刀具磨损状态监测方法,利用粗糙集对特征进行属性约简,去掉冗余信息,从而优化特征,并且减少神经网络的输入端数据,可以缩短神经网络的训练时间和提高识别的准确率。通过对实测刀具数据进行分析,证明了该方法的有效性。     

基于共振解调与神经网络的滚动轴承故障智能诊断

介绍了一种基于共振解调与神经网络技术的滚动轴承故障诊断方法。对采集系统所拾取的滚动轴承振动信号进行共振解调处理，依据故障包络频谱中必然存在谐波谱线的规律，在共振解调后的包络信号中提取所需的轴承故障谱线特征信息，并将其作为神经网络输入，利用神经网络进行轴承各种故障状态的识别，实现滚动轴承故障的智能诊断。实验表明，该方法能准确而有效地识别出滚动轴承的不同磨损状态，诊断便捷。     

特征降维与决策融合在刀具磨损监测中的应用

声发射技术是刀具磨损状态监测的有效检测方法。针对目前对刀具声发射信号难以实现识别分辨率和计算速率兼容的问题,提出关于刀具磨损状态识别建模的新方法。首先对信号进行小波包特征抽取,并通过核主分量分析对其进行优化。接着在两种神经网络识别结果的基础上,提出基于支持向量机的决策融合算法,从而避免了经典决策融合算法在实际应用中的问题。实验数据证明,该模型能有效提高刀具磨损状态的识别分辨率,且不影响运算的在线性。     

基于小波的滚动轴承故障诊断

滚动轴承是机械设备中极易损坏的零部件.旋转机械的故障有百分之三十是由轴承故障引起的,因此引入轴承故障诊断对于机械化生产和作业来说是十分必要的.在对轴承故障的机理和特征全面了解的基础上,利用了离散小波变换对不同工矿下的原始信号进行分解,然后对小波分解出的近似和细节信号进行Hilbert变换,利用得出的信号可以较好地提取故障特征.     

FOA-WPT降噪和PSO-SVM在滚动轴承故障诊断中的应用

在轴承故障诊断中,为了进一步提高诊断方法的自适应性和分类准确率,提出果蝇优化小波包降噪和粒子群支持向量机相结合的方法。利用果蝇算法对小波包降噪的阈值进行优化,结合粒子群算法在GCV算法下的错误率最低,得到SVM的最优惩罚参数和核函数参数,建立PSO-SVM分类模型,对4种工况下滚动轴承的10类故障进行分类。实验结果表明,使用FOA-WPT降噪后,信号有着更高的信噪比和更低的均方误差（MSE）;和粒子群支持向量机相结合的分类方法准确率达到89%,与未使用粒子群算法优化的SVM相比,提高了约8%,进一步证明了该方法可以实现滚动轴承的多分类故障诊断。     

无先验知识下基于CHMM的刀具磨损监测技术

切削刀具的状态直接影响工件加工质量、生产率和产品成本,因此在切削加工过程中监测刀具的状态显得尤为重要。针对实际监测系统通常无法获取刀具各磨损退化状态先验知识的情况,以切削力与切削振动为监测信号,提出无先验知识下基于小波包分析与连续隐马尔可夫模型的刀具磨损监测技术。应用小波包分析技术提取信号特征信息,采用S函数实现特征值归一化处理。利用监测过程中的刀具正常状态下归一化特征信息建立基于连续隐马尔可夫模型的监测模型;根据刀具未知状态特性向量与监测模型间的对数似然度获取刀具性能指标PV,实现刀具磨损状态评价。采用铣刀磨损全寿命数据来验证该方法的有效性,实验结果表明:该方法能在无先验知识的情况下对刀具的健康状态进行较为准确的评估,且所需样本数较少,训练速度快。该技术对实现无先验知识下的刀具智能化在线状态监测具有重要意义。