排序方式: 共有7条查询结果,搜索用时 0 毫秒
1
1.
针对刀具磨损状态先验样本少和常规神经网络识别模型收敛速度慢、易陷入局部极小值等问题,提出了基于最小二乘支持向量机(LS-SVM)的刀具磨损量识别技术,并针对模型输出存在系统误差而降低刀具磨损量识别精度的问题,引入卡尔曼滤波算法对时序监测结果进行修正,实现小样本下的刀具磨损量的精确识别。以车削加工为研究对象,采集加工过程中的切削力信号,应用小波包分析技术提取反映刀具磨损状态的特征信息,作为LS-SVM的输入样本,并对模型进行学习训练,完成对刀具磨损状态的识别,最后采用卡尔曼滤波修正其时序监测结果。实验结果表明:LS-SVM模型能高效地实现刀具磨损量识别,需样本数较少,训练速度快,通过卡尔曼滤波修正后的磨损量识别结果精度更高。 相似文献
2.
3.
4.
针对刀具的早期故障监测中因存在强烈的背景噪声而难以提取故障特征的问题,提出了基于二次采样随机共振消噪和B样条神经网络智能识别的故障诊断方法。首先利用在随机共振过程中,噪声增强振动信号的信噪比特性,将刀具振动信号进行随机共振输出,提取有效特征,再输入到B样条神经网络进行智能识别,进而获得刀具的磨损值。同时,为了得到与输入信号最佳匹配的随机共振参数,提出了基于遗传算法的多参数同步优化的自适应随机共振算法,克服了传统随机共振系统只实现单参数优化的缺点。实验结果表明,该方法能实现弱信号检测,能有效地应用于刀具磨损故障诊断中。 相似文献
5.
6.
7.
在小波包分析的基础上,提出对小波包子带能量特征抽取的新算法.考虑到小波包能量子带的动态特性和统计特性可以作为刀具磨损状态识别特征提取的来源,提出将小波包子带能量相对比率、小渡包子带能量相对比率的变化值、小波包子带能量相对比率的变化值的统计偏差(能量距)作为三个新特征值.建立刀具磨损状态监测实验平台,采集刀具三维力反馈、振动信号作为监测信号.按常规特征抽取方法和本研究中提出的方法抽取特征值,形成网络训练、识别特征值空间.用梯度下降法训练建立BP人工神经网络,对27具四种磨损状态进行识别,验证小波包子带能量变换提取到的特征的有效性. 相似文献
1