基于改进LSTM-AdaBoost的铣刀磨损量预测

针对铣刀磨损量预测时精度低的问题,提出一种基于黑寡妇算法(BWO)优化的长短期记忆神经网络(LSTM)与AdaBoost集成学习算法相结合的铣刀磨损量预测方法。在铣刀磨损振动信号中提取时域、频域以及时频域多域特征。通过BWO算法优化LSTM的核心参数,并将优化后的LSTM网络与AdaBoost算法进行结合,构建铣刀磨损量预测模型。最后用PHM Society 2010铣刀全寿命周期的振动数据进行实验。研究结果表明:所提方法能够有效地预测出铣刀磨损量变化值,优化后模型的平均绝对误差百分比为3.436%、均方根误差为6.471、决定系数R^(2)为0.935。该方法能够获得准确率更高的铣刀磨损量预测值,预测效率更高。

42CrMo钢精密切削的刀具磨损量预测研究

针对42CrMo钢精密切削刀具磨损量预测研究小样本、非线性的特点,将量子粒子群算法(QPSO)、卷积神经网络(CNN)及长短期神经网络(LSTM)相结合,构建了QPSO-CNN-LSTM组合预测模型。采用QPSO算法对CNN-LSTM模型的隐藏层单元数、学习率、卷积核等进行优化,结合CNN网络特征提取能力强、LSTM网络具备记忆能力的特点,对实际加工实验的刀具磨损量进行预测,并通过误差评价指标分析,与CNN、LSTM、BP等单一模型以及PSO-GRNN组合模型进行预测效果对比研究。研究结果表明,本文构建的组合预测模型相对于单一预测模型,其预测值与真实值吻合程度更高;相对于PSO-GRNN组合模型,三种误差评价指标的误差值至少降低了27%,其泛化性和稳定性较好,预测精度与非线性拟合能力更强。

复杂工况条件下齿轮传动过程中磨损量预测研究

磨损是齿轮传动过程中的主要失效形式,磨损加剧会使齿轮齿侧间隙非线性增大、传动精度下降及齿面冲击力增大,进而导致齿轮传动系统振动加剧,对齿轮传动性能及设备的稳定运行造成重大影响。为了解决上述问题,提出了复杂工况条件下齿轮传动过程中磨损量预测方法。基于形式磨损指数识别并判定齿轮磨损状态,通过深入分析齿轮磨损机制并以此为基础,绘制典型齿轮磨损过程曲线,计算齿轮传动摩擦力矩数值,构建了齿轮磨损量数学模型;再将已知齿轮状态数值输入至所构建模型中,即可得出齿轮预测磨损量,实现齿轮磨损量的预测。试验结果表明,在3种复杂工况条件下,提出的预测模拟数据更接近于实际参数,验证了磨损量预测的精度。

基于GBDT特征提取与Tent-ASO-BP网络的铣刀磨损量预测

为了提高机械加工过程中小样本刀具磨损量监测的准确性,提出一种基于Pearson+GBDT特征提取、Tent混沌映射和原子搜索算法(ASO)优化BP神经网络(Tent-ASO-BP)的刀具磨损量预测模型。针对BP神经网络特征选择及参数选择难题,提出了基于Pearson+GBDT的双层过滤式特征筛选方式求取网络输入特征,并使用Tent混沌映射改进原子搜索算法(ASO)对BP神经网络最优权值和阈值进行求解。通过实验证明:Tent混沌映射改善了ASO,避免ASO陷入局部极值和过早收敛,即通过交叉验证证明Tent-ASO优化BP神经网络训练模型精度较ASO高。同时,验证了梯度提升决策树(GBDT)能够筛选出用于刀具磨损值映射的一组特征,且特征筛选能力强于同类算法Light GBM、Catboost、决策树、随机森林。

球面摩擦副磨损量预测研究现状

球面摩擦副在机械设备中应用广泛,预测球面摩擦副的磨损量可以帮助评估和预测轴承寿命。目前,国内外学者通过有限元分析和机器学习方法对磨损量进行预测,在使用有限元分析法计算球面摩擦副磨损量时,仍然需要在理想化条件下进行模拟,并且需要考虑计算量和计算时间的限制。在人工神经网络研究球面摩擦副磨损量问题方面,改进和优化现有模型是未来的一个重要方向。预测方法的精确性由试验手段对磨损量进行测量,磨损量可以通过测量磨下材料的质量、体积或磨损厚度进行表征。根据所使用的磨损试验方法和被测材料的特性,可以选择适合的磨损量表征参量和测量方法,该文从物理类和化学类两方面总结了球面摩擦副磨损量的试验测量方法,包括称重验证法、磨屑分析验证法、测量直径验证法、位移传感器验证法、放射性同位素验证法和化学分析验证法;同时重点分析了摩擦副材料、服役工况因素对球面摩擦副磨损量的影响,最后对球面摩擦副磨损量预测的发展趋势进行了展望。

基于模糊神经网络的数控机床刀具磨损量预测研究

为实现机床高效运转,提出基于模糊神经网络的数控机床刀具磨损量预测方法。根据小波包分析方法划分频带为多个层次,将信号特征作为选取频谱与频段的参考依据,提取刀具磨损特征。融合模糊逻辑与神经网络,模糊处理数据样本,得到带有模糊规则的数据形式,通过隶属函数描述网络输入项与输出项间的映射关系,模糊处理输入变量,利用模糊神经网络的5个网络层完成数控机床刀具磨损量预测。经比对方均根误差及仿真实验结果证明:所建模型能够有效适应磨损量的变化情况,准确预测出任何工况阶段的刀具磨损量,具有较强的可靠性与准确性。

基于改进长短期记忆网络的铣刀磨损量预测研究

针对铣刀磨损量预测精度低的问题,提出一种高精度铣刀磨损量预测方法。该方法通过遗传算法(GA)寻出长短期记忆网络(LSTM)的最优参数,并将参数输入LSTM实现改进模型GA-LSTM。采用时域、频域及时频域方法提取特征,应用皮尔逊相关系数法筛选出与铣刀磨损量高度相似的特征向量,输入GA-LSTM模型进行训练,并对测试数据进行预测。实验结果表明:与传统的机器学习方法BPNN或深度学习方法FE-LSTM、CNN相比,GA-LSTM的均方根误差分别下降了41.3%、39.0%、51.5%,平均相对误差分别下降了48.3%、40.8%、56.7%,模型的预测识别精度有较大提高,实现了铣刀磨损量的有效预测。

基于BP神经网络的刮板输送机中底板磨损量预测分析

为了解决井下刮板输送机中部槽中底板磨损量难以测量的问题,依据某矿刮板输送机中部槽检验数据,使用BP神经网络建立了以齿轨座圆孔直径、上链道宽度、铲板上沿厚度、耳板厚度为输入参数,刮板输送机中部槽中底板磨损量为输出参数的预测模型。利用此模型对复杂工况下井下刮板输送机中部槽中底板的磨损量进行预测,预测值与实际测量值对比结果验证了预测模型的可行性。利用此预测模型提高了测量效率,极大地降低了测量成本,为刮板输送机中部槽使用寿命的预测提供了一定的理论依据。

TBM滚刀磨损量的磁力检测方法研究

针对全断面隧道硬岩掘进机(TBM)的滚刀磨损量检测问题,提出磁力磨损量检测方法。方法依循永磁铁与滚刀间的磁力随磨损量增大而减小的物理规律,并通过压力传感器对磁力进行测量,由于非磁性金属及合金对静磁场没有屏蔽性,因此方法极大放宽了检测装置的防护壳材料限制。首先介绍了检测方法的原理,并通过有限元方法分析了可行性。其次,搭建了磨损量的实验检测装置及信号处理电路。最后实验测试结果表明磁力随磨损量的变化规律与有限元结果一致,当磨损量从0增加到25mm时,磁力显著减小4.54N。由于压力传感器的精度高达5mN,因此磁力磨损量检测方法具有很高精确性。

轴箱钢弹簧磨损量与剩余寿命研究

针对典型的轨道车辆轴箱钢弹簧疲劳断裂现象,以某高速动车组轴箱钢弹簧进行建模分析,通过进行不同磨损程度下轴箱钢弹簧静强度和疲劳强度的计算分析,研究了其在不同深度接触磨损下的强度及剩余寿命,并进行了试验台对比试验。计算和试验结果均表明,较大的钢弹簧接触区域磨损会引起钢弹簧最大应力点发生转移,导致局部应力明显升高,疲劳损伤越来越大,疲劳寿命越来越短。因此,可以通过分析弹簧最大应力的大小和位置是否发生突变,判断接触区域磨损是否对弹簧寿命产生明显影响。检修过程中,出现钢弹簧接触区域有磨损时,可以通过判断磨损深度来决定是否可以继续使用,这对减少轨道车辆维护时间,节省检修成本具有重要的指导意义。

一种汽车轮胎磨损量检测装置

由山东玲珑轮胎股份有限公司和德州玲珑轮胎有限公司申请的专利(公布号CN114608470A,公布日期2022-06-10)“一种汽车轮胎磨损量检测装置”,公开了一种汽车轮胎磨损量检测装置,包括车架,车架的下部分活动套装有轮辋。

基于深度学习的刀具磨损形态识别与磨损量智慧监测的策略研究

数控机床在加工过程中,刀具磨损状态问题会对被加工零部件的表面质量、尺寸及准确度等产生极大影响。加工过程中,为缩短机床停机时间和减少因刀具损坏而引起的加工成本损失,因此对刀具磨损的实时监测具有重要意义。本文阐述了国内外关于刀具磨损监测的发展过程与监测方法,针对每一种监测信号方法进行了分析,指出存在的问题及优缺点,提出了对运用深度学习的研究策略运用到刀具磨损的监测领域中。

超临界锅炉省煤器管材磨损量计算方法

使用现有管材磨损量计算模型对某670 MW超临界锅炉省煤器管材的磨损量进行计算时,存在磨损量计算值和实测值之间的误差率较高的情况,采用计算结果修正法和经验参数修正法计算省煤器管材磨损量,并且对比分析2种方法。结果表明:采用经验参数修正法所得的磨损量计算值与实测值之间的平均误差率仅为3.14%,其修正效果优于计算结果修正法,可以为同类超临界锅炉省煤器管材的壁厚监测与状态检修提供参考。

全井段套管磨损量预测与磨损后抗挤强度计算方法研究

在钻井过程中,由于钻具和套管相互摩擦,造成套管内壁磨损导致强度降低,直接影响后期安全作业。阐述了套管磨损的机理和影响因素,研究得出基于实钻井眼轨迹管柱摩阻扭矩分析的全井段套管磨损量预测方法。应用该方法对某井全井段套管可能产生的磨损量进行了预测。提出一种磨损后套管抗挤强度的计算方法。研究表明,运用该方法计算出的结果接近试验值,计算精度满足工程要求,可为磨损套管柱强度评估和后期作业强度设计提供理论依据。

基于最小二乘法的纯碳滑板磨损量预测

利用环-块式载流摩擦磨损试验机模拟高速列车弓网系统的运行工况,综合考虑弓网间接触压力、电流、滑动速度、时间、摩擦系数、电弧能量等多种因素对滑板磨损量的影响,分析各项参数与纯碳滑板磨损量之间的相关性。利用各参数变量投影重要性指标,研究各参数对纯碳滑板磨损量的影响程度。采用偏最小二乘回归方法(Partial Least-square regression,PLS)建立各项影响参数和纯碳滑板磨损量之间的模型公式,实现纯碳滑板材料在实际运行过程中的磨损量预测。

GA-BP网络在钢轨磨损量预测中的应用

基于GA算法及BP神经网络优点,将GA算法优化的BP网络应用于钢轨磨损量预测。通过赫兹模拟试验方法,在JD-1轮轨模拟试验机上获得不同曲线半径、轴重、运行速度工况下对应的钢轨磨损量,即神经网络所需样本,建立GA算法优化三层BP神经网络,对钢轨磨损量进行预测。结果表明:GA算法优化的BP神经网络对钢轨磨损量具有良好的预测性能,较好地反映了曲线半径、轴重、运行速度对钢轨磨损量的影响规律。

TBM滚刀刀圈磨损量在线监测系统

为了在TBM(Tunnel Boring Machine)破岩过程中实时监测盘形滚刀的磨损量,设计了一种基于电涡流传感器的TBM滚刀刀圈磨损量在线监测系统,利用电涡流传感器将磨损前后滚刀刀圈与传感器之间的距离转换为电压信号,经调理后送入K60MCU经A/D转换与计算处理后得到刀圈的磨损量数据;在信号传输中使用能够依据链路质量与节点电量选择链路的ZigBee双链路无线通信系统,将测试数据从密闭的刀盘掘进面中传输到后方,避免数据通信的中断。通过对不同磨损量的17英寸1∶2相似滚刀在刀具性能检测试验台的在线监测试验,证明该监测系统能准确检测出滚刀刀圈的磨损量,可实现滚刀刀圈磨损的在线监测。

LS-SVM回归算法在刀具磨损量预测中的应用

提出了基于最小二乘支持向量机回归算法的刀具磨损量预测方法。该方法首先利用经验模态分解算法对非线性、非平稳的声发射信号进行平稳化处理,得到了若干个固有模态函数;然后建立了每个固有模态函数的自回归模型,并提取模型系数构造特征向量;最后采用最小二乘支持向量机回归算法实现了刀具磨损量的预测。该方法与神经网络预测算法相比,具有更高的预测准确率,可有效预测当前切削状态下10s后的刀具磨损量。

基于随机模糊神经网络的刀具磨损量软测量技术

刀具磨损检测对于提高加工过程的自动化、高精度化、智能化具有重要意义 .本文通过检测电流信号基于随机模糊神经网络建立了刀具磨损量的软测量模型 .该模型的创新之处在于利用切削参数实时地调整网络的部分参数 ,从而可以减小切削参数与电流信号之间关系对于刀具磨损估计的影响并且使得模型具有动态性、实时性 .实验验证表明该方法是正确而有效的 .

刀具后刀面磨损量对切削力及加工表面粗糙度的影响

通过切削试验探索了在相同的工件材料、刀具材料、切削参数(切削深度、进给量)和不同的刀具磨损状态(后刀面磨损量)下,刀具后刀面磨损量(VB)对切削过程中的切削力及工件表面粗糙度的影响,并对这些影响的产生机理进行了讨论。