基于FIR-Stacking的刀具磨损预测

针对铣刀加工工件时传感器信号存在噪声、单一传统机器学习模型预测效果不理想的问题,提出一种基于自适应FIR滤波器和Stacking集成模型的刀具磨损预测方法。首先,采用自适应FIR滤波器去噪,计算时域、频域和时频域常用统计量作为信号特征,并对同一信号的多源信号特征进行拼接,经Pearson相关系数筛选保留相关系数大于0.2的特征;最后,以LightGBM、支持向量回归(support vector regression,SVR)、多层感知机(multilayer perceptron,MLP)作为基模型,Lasso作为元模型,构建Stacking集成模型进行刀具磨损预测。使用铣削加工数据集进行验证,结果表明该方法可有效提高预测准确性。

融合注意力机制的刀具磨损预测方法

刀具的磨损状态影响着工件表面质量与加工稳定性,故实现其磨损量的准确监测对于保证加工可靠性、维持生产加工连续性具有积极作用.为进一步提高刀具磨损预测模型的泛化性能和准确度,提出一种融合注意力机制的多尺度卷积双向门控循环(multiscale convolutional bidirectional gated recurrent unit-attention,MSCBGRU-A)神经网络的刀具磨损预测方法,其由特征拓展模块、多尺度卷积模块、双向GRU模块、注意力模块、回归模块组成.首先,将切削力、声发射、振动信号作为输入信号,输入信号通过多尺度卷积模块获得多个尺度的刀具磨损输出特征图,将多个卷积通道输出的特征图输入到连接层进行首尾和层叠两种方式的连接来获得两种输出数据.然后,将两种输出数据分别输入到双向GRU模块与注意力模块,通过双向GRU模块学习输出特征图动态变化来获取时序特征,通过注意力模块对多尺度卷积神经网络的输出进行权值分配,强化对刀具磨损预测结果贡献度更大的特征.最后,通过回归模块对磨损值进行预测.经过对比实验引入混合域注意力机制的基于卷积块的注意力机制(convolutional block attention mechanism,CBAM),获得MSCBGRU-CBAM模型,并且通过绘制CBAM的注意力权重图证明注意力机制可以自适应地关注与刀具磨损更相关的特征.与其他深度学习模型进行对比实验表明,MSCBGRU-CBAM模型具有最高的预测精度,且与未使用注意力机制的MSCBGRU模型相比,RMSE降低19.3%,MAE降低17.7%,R 2提高2.7%.

砂卵石地层盾构刀具磨损预测模型及刀具参数敏感性分析

[目的]砂卵石地层中的石英颗粒体积分数较高,会导致盾构刀具磨损严重,影响施工进度及工期。建立盾构刀具磨损预测模型来预测盾构刀具的磨损量,是确保盾构法施工高效安全进行的重要环节。因此,有必要研究刀具磨损预测模型,并进行刀具参数敏感性分析。[方法]分析了砂卵石地层对盾构刀具的研磨性;介绍了砂卵石地层盾构刀具的切削机理;建立了考虑微观磨损特征的盾构刀具磨损预测模型,并对刀具参数进行敏感性分析。[结果及结论]不均匀系数、特征粒径与材料的磨损量正相关;塑性去除磨损、脆性去除磨损和黏着磨损的体积分数分别为61.4%、30.8%、7.8%,塑性去除磨损和脆性去除磨损占比较大;磨损系数随着不均匀系数和特征粒径的增大而增大,盾构刀具的磨损量整体随着刀具刃角的减小而减小。盾构刀具的磨损主要由磨粒磨损和黏着磨损造成。

基于切削区域温度数据的刀具磨损预测

刀具磨损预测是制造业中至关重要的问题,提前预测刀具的磨损,并及时进行更换,能够降低生产成本,提高生产效率。选择切削区域温度数据来预测刀具磨损,同时考虑到加工过程中切削屑的脱落会影响数据的采集,设计了降噪算法来去除切削屑的干扰。具体而言,首先,设计了基于帧差法的降噪算法;之后,构建了卷积长短时记忆网络预测刀具磨损;最后,通过实验对方法的有效性进行验证。实验结果表明降噪算法能够有效地去除切削屑产生的噪声,提出的网络模型相比传统的BP神经网络模型预测精度有所提高,不同工况下的预测结果均方根误差平均降低了0.0171。

基于GA-BP神经网络的微磨具磨损预测研究

为提高硬脆材料微结构的加工效率和精度,需要预测微磨具的不确定性磨损。基于微磨具在位视觉磨损检测和聚类分析,提出基于遗传算法的反向神经网络(genetic algorithm back propagation,GA-BP)模型。选取微磨具磨头截面面积损失量为指标,以表征微磨具不确定性磨损特征。利用K-均值聚类算法划分微磨具磨损状态阶段。最后构建以主轴转速、进给率、微槽深度、磨削长度和微磨具初始截面面积为输入层神经元,以磨头截面面积损失量预测值为输出层的GA-BP神经网络模型。设计不同工艺参数条件下的单晶硅微槽微细磨削实验,基于自搭建的机器视觉系统在位测量微磨具的磨头截面面积磨损量。将实验测得的微磨具磨损量作为训练数据,与传统高斯过程回归预测模型对比,验证GA-BP神经网络模型的有效性和准确性。结果表明,GA-BP神经网络模型能够实现不同工艺参数和不同磨削长度下的微磨具磨损预测,比传统高斯过程回归预测模型具有更高预测精度,平均误差精度达到5%,可以实现微磨具磨损阶段状态预测。

基于ISABO-IBiLSTM模型的刀具磨损预测方法

针对现有的刀具磨损预测方法因为缺少优化算法及网络结构不完善而导致预测精度不高的问题,提出了一种将改进的减法优化器(SABO)算法和改进的双向长短时记忆(BiLSTM)网络相结合的刀具磨损状态预测模型(ISABO-IBiLSTM模型)。首先,采用截断法、Hampel滤波法、改进的完全自适应噪声集合经验模态分解(ICEEMDAN)-改进的小波阈值降噪法对加速度振动信号与力信号数据进行预处理。然后,提取预处理后的信号数据的时域、频域、时频域特征,并通过斯皮尔曼和最大互信息相关系数筛选特征,构建模型的输入。最后,利用改进的SABO算法对改进后的BiLSTM网络进行参数寻优,基于所得到的优化参数训练网络实现磨损预测。实验数据分析结果表明,所提出的ISABO-IBiLSTM模型对刀具磨损量的预测精度为98.49%~98.83%,较BiLSTM模型、改进的BiLSTM模型、改进的卷积神经网络(ICNN)-BiLSTM模型有了较大的提高。

基于改进SSA-SVM的矿用发动机磨损预测

矿用机械由于工作环境特殊,故障率远远高于其他机械。发动机是矿用机械的关键部件,对其进行超前管理和预知维修有助于延长设备的工作时间,提高工作效率和经济效益。采用Levy飞行策略改进的麻雀搜索算法(SSA)优化支持向量机(SVM)并建立预测模型,评价指标为平均相对误差和平方相关系数。通过与标准的SSA-SVM算法对比,仿真结果表明,改进的算法对发动机磨损状态的预测能力更优秀。

基于多模型权重分配融合的刀具磨损预测方法

刀具磨损监测对提高工件的加工精度与生产的加工效率具有重要意义。为了精确预测刀具的磨损状态,提出一种基于多模型权重分配融合的刀具磨损预测方法。以振动信号特征为研究对象,分别采用回归树、BP神经网络和支持向量回归模型对刀具磨损量进行预测,通过分析各模型训练误差及所占比重,计算出相应的基本概率分配函数,使用DS证据理论对基本概率分配函数进行融合,最终依据权重提取模型建立融合模型。通过设置对比实验,证明所提方法可以融合各模型的优点,同时避免单一模型的局限性和片面性,实验结果的决定性系数R 2高达0.9968.

动态缆铠装层磨损预测分析

动态缆是浮式风电行业的核心装备,在深海油气开采系统中占据重要地位。由于动态缆结构复杂,内部存在大量的接触与摩擦,导致其磨损量难以准确预测。文中通过磨损试验,研究不同摩擦角度下磨损表面和磨损量的变化规律,并利用ABAQUS软件验证钢丝间交叉角度对磨损深度的影响,使用ABAQUS软件结合UMESHMOTION子程序二次开发进行磨损量预测。对比模拟的磨损预测结果与动态缆钢丝磨损试验结果发现,随着磨擦次数的增加,预测结果的准确度也随之增加。研究结果可以为今后动态缆铠装层磨损预测提供参考。

基于物理模型与统计分析的作动器活动密封O形圈磨损预测研究

在实际服役环境中,飞机发生的总故障的40%是由于密封泄漏造成的,其密封性能的优劣直接影响产品的功能、性能和使用可靠性。然而,飞机上缺乏对密封圈的磨损监测,导致密封圈健康状态难以评估。针对这一问题,本研究提出了一种基于物理模型与统计分析的活动密封O形圈磨损预测方法,首先对密封圈的磨损进行了机理分析和参数测定;其次,采用Abaqus有限元软件模拟研究了密封圈的运动过程,得到密封圈的接触应力;然后,对舵机每个架次的累计行程进行统计分析,得到行程的概率统计曲线,结合Holm-Archard磨损模型得到磨损体积的概率分布曲线;最后,结合时间与行程的关系,建立了磨损体积与时间之间的数学模型。采用多个样本进行验证,结果表明,实际磨损体积在预测密度函数的3σ范围内的概率为95.83%,证明本研究建立的模型能够有较大概率预测活动密封的O形圈的体积磨损情况。

酸轧机组拉矫机工作辊磨损预测模型研究

酸轧机组是冷轧产品的重要生产设备,在金属加工行业中起着至关重要的作用,其中拉矫机作为酸轧机组的核心设备之一,负责对金属卷材进行矫直、拉伸和去应力等工序。然而,长期运行和高强度的工作环境使得拉矫机的工作辊容易遭受磨损,严重影响了生产效率和产品质量。基于此,文章简要阐述了酸轧机组拉矫机的结构特点,并对酸轧机组拉矫机工作辊的磨损特征和磨损机理进行了深入分析,从而提出了建立酸轧机组拉矫机工作辊磨损预测模型的有效措施。

青饲料收获机抛料筒内流动特性分析及壁面磨损预测

以青饲料收获机抛料筒为研究对象,针对抛料筒在长期作业中出现的破损问题,采用数值模拟的方法,对抛料筒内流动状态进行计算,并对壁面磨损做出预测。以设计工况下抛料筒入口速度和切碎后秸秆尺寸作为流场计算的边界条件,计算获得筒内速度及压力分布状态;在此基础上选择DNV磨损模型计算得到抛料筒壁面磨损率分布特性,并提出提升抛料筒耐磨性,延长使用寿命的方法。将数值计算的方法应用于青饲料收获机抛料筒内流动特性的研究和壁面磨损预测,为抛料筒流道的优化设计和磨损状态评估以及抗磨损设计提供了理论依据。

基于时间卷积长短时记忆网络的多域特征融合刀具磨损预测

准确预测刀具磨损是一个具有挑战性的问题。如何结合各种信号的优势,融合传感器信号特征来提高预测精度,是一个关键问题。为解决上述问题,提出基于时间卷积长短时记忆网络(TCN-LSTM)的多域特征融合刀具磨损预测方法。收集来自不同传感器的信号,在时域、频域上对不同传感器信号分别进行特征提取,时频域上利用变分模态分解算法将原始信号分解并计算每个分量的能量来构成多域特征向量。使用皮尔逊相关系数法对多域特征进行优化,经优化后构成的多域特征矩阵作为模型的输入,通过TCN-LSTM模型有效地学习了所获得的多域特征矩阵与实时刀具磨损之间的复杂关系。最后,在干式铣削条件下进行3组刀具磨损实验对所提出的方法进行了验证。实验结果表明:所提出的方法比对比模型的预测准确率更高,泛化能力更好。

井筒内受压管柱屈曲后磨损预测的子模型法

针对井下管柱发生屈曲后导致管柱磨损加剧问题,基于子模型法,建立受压屈曲管柱与井筒接触磨损模型,引入Archard模型计算管柱的磨损深度,同时采用移动接触边界节点法描述管柱表面材料的去除过程,避免了网格畸变引起计算不收敛问题,并预测了管柱在不同受压载荷及环空间隙的磨损量。结果表明,管柱发生正弦屈曲,磨损部位较少,且受压载荷及环空间隙对管柱磨损影响较小。管柱发生螺旋屈曲,磨损部位较多且连续,受压载荷及环空间隙对管柱磨损影响较大。为井筒内受压管柱屈曲后的磨损预测提供一种计算方法。

基于MIC和改进Bagging-GPR的刀具磨损预测

为实现刀具磨损的准确预测,对加工过程的换刀和参数优化提供指导,提出一种基于最大信息系数(MIC)和改进的Bagging集成高斯过程回归(Bagging-GPR)的刀具磨损预测方法,建立切削力信号与刀具磨损间的非线性映射关系。采集加工的切削力信号,运用时域、小波包分解和经验模态分解提取切削力信号特征,并利用MIC分析特征与刀具磨损的相关度来实现特征选择,避免预测模型的“维数灾难”。为提高预测模型的精度,考虑高斯子模型内部核函数的差异性及准确性,利用Bagging对高斯核函数进行随机组合,作为各子模型的核函数,构建改进的Bagging-GPR模型实现刀具磨损值预测,并基于铣削实验数据验证了所提方法的有效性和优异性。

金属橡胶内螺旋金属丝微动磨损预测模型研究

目前金属丝微动磨损预测模型多适用于垂直接触,而锐角交叉下的模型存在计算过程繁琐、表征不全面等不足,难以便捷有效地预测金属橡胶内部复杂无序的金属丝磨损情况。基于有限元分析,确定螺旋曲率对磨损结果的影响极小,因此将金属橡胶内部螺旋金属丝接触对微元理想化为直金属丝接触对,探究无序接触下金属丝磨损特征的演化规律。结果表明,无序接触状态下的磨损特征演化规律与金属丝接触夹角大小密切相关。依据几何学分析,得到任意锐角接触下磨损磨痕位于金属丝1/2接触夹角处的特殊位置关系,据此建立任意接触形态下的微动磨损演化预测模型,并利用已有文献中的金属丝微动磨损试验结果对预测模型进行验证。结果显示,建立的任意锐角下的磨损演化模型能够较准确地预测金属丝的磨损结果,误差均在15%以内。研究结果为预测金属橡胶内部金属丝微动磨损和使用寿命提供一定理论基础。

基于改进一维卷积神经网络和通道注意机制的刀具磨损预测研究

对刀具磨损状态的准确预测有利于提高产品质量和降低生产成本,而现有预测模型多采用人工提取特征,存在费时费力等问题。提出一种结合通道注意机制的改进一维卷积神经网络的刀具磨损预测模型。该模型将卷积神经网络中的全连接层替换为卷积、池化层来增强模型的特征提取能力;最后一层采用1×1卷积和全局平均池化整合全局信息来提高预测精度;同时引入通道注意机制来增强重要特征通道的权重,进一步提高预测精度。实验结果表明,该预测模型的MAE为6.89μm,比预测模型MLP和SVR分别降低了15.54μm,12.27μm,比CNN降低了8.78μm。

基于LSTM的刀具磨损预测模型

对刀具每次走刀后的磨损量与走刀过程中的传感器信号进行研究,提出基于长短时记忆神经网络(LSTM)的刀具磨损预测模型。使用LSTM模型自主提取时间序列数据特征,将多个传感器信号作为模型输入自动化处理,避免了人工提取特征出现的信息丢失,充分把握了实验数据的长时依赖性和多维度、多长度特征。经实验对比分析表明:LSTM模型在刀具磨损预测结果上具有显著优势。

基于机器学习的刮板输送机中部槽磨损预测方法

针对传统刮板输送机中部槽磨损预测方法较为复杂、预测准确率低等问题,结合机器学习理论,提出了一种基于PSO-CNN的刮板输送机中部槽磨损预测方法。通过对中部槽样本数据的处理,构建适用于磨损预测的卷积神经网络(CNN)结构,利用粒子群算法(PSO)对CNN的权值进行评估寻优,避免网络陷入局部最优。实验结果表明:PSO-CNN模型在多种评价指标上均有良好的表现,泛化能力强,性能较为突出;PSO-CNN预测值与试验值的变化曲线贴合度较为一致,预测准确率高,满足实际需求。

410 t/h CFB锅炉掺烧石油焦炉内磨损预测

循环流化床锅炉是一种具有广泛应用前景的高效清洁燃烧技术,但磨损问题一直制约循环流化床锅炉的长周期运行。目前大多通过运行勘测经验积累预判磨损状况或通过数值模拟得到速度场与浓度场了解磨损分布区域,鲜有学者通过理论方法定量研究预测运行锅炉炉内不同区域的磨损状况。磨损主要受粉尘气流速度与浓度影响,基于运行数据利用流体力学软件模拟得到50组工况下的水冷壁受热面附近的飞灰颗粒速度和飞灰颗粒浓度数据,通过BP神经网络和遗传算法对某石化厂CFB锅炉掺烧石油焦建立结构为5-13-12的GA-BP神经网络的相对磨损量磨损预测模型,进而分析布风板风量、一次风风量、二次风风量、燃料量以及掺混比5个运行参数对炉膛内不同区域磨损的影响。结果表明:测试集预测结果与现场勘测的磨损状况较吻合,验证了采用GA-BP神经网络建立磨损预测模型的可行性,指导防磨运行,即在保证锅炉正常运行情况下,适当减少一定量的布风板流化风,减少密相区一、二次风以及燃料量,适当增加石油焦掺混比,可减轻炉内受热面的磨损。