HDP-HSMM的磨削声发射砂轮钝化状态识别

在高精度金属材料磨削加工中,刀具即砂轮的状态对加工效率和加工质量具有重要的影响。钝化程度较高的砂轮不适于加工精密工件,需提前预警并修整更换砂轮。该文提出一种通过磨削声发射信号来检测砂轮钝化状态的方法。首先,对于采集到的信号进行小波软阈值降噪。然后,将其分割成多个有重叠的帧,并提取每帧信号的8个特征组成声发射数据集。最后,通过分层Dirichlet过程-隐半马尔可夫模型来建立声发射数据集和不同的砂轮钝化状态之间的非线性关系,旨在识别砂轮钝化状态。结果表明,上述检测方法能有效识别砂轮的不同钝化状态并能对整个加工过程中的砂轮钝化程度进行自动划分,其在测试数据集上的准确率达到93.7%,可以为实际工业应用提供理论指导。

医用氧化锆陶瓷磨削表面粗糙度的声发射智能预测

医用氧化锆陶瓷(Y-TZP)是较好的齿科修复体材料,为了得到较好的齿科修复体性能对于其制造精度特别是表面粗糙度的要求比较高,但其是硬脆难加工材料,为了提高医用氧化锆陶瓷磨削加工表面质量和加工效率,在对医用氧化锆陶瓷磨削过程中的声发射信号分频段进行相关性分析的基础上,提取磨削声发射840~850kHz敏感频段信号中与磨削表面粗糙度强相关的12组特征值,构建了具有较高预测精度的随机森林神经网络,最终医用氧化锆陶瓷磨削表面粗糙度声发射预测最大相对误差低于8.37%,研究结果对医用氧化锆陶瓷磨削表面粗糙度在线智能监测有较大的参考价值。

基于相关性分析与CNN-BiLSTM神经网络的PSZ陶瓷磨削表面粗糙度智能预测

部分稳定氧化锆(Partially stabilized zirconia,PSZ)陶瓷因其优越的性能在航空航天工业等领域有广泛的应用。表面粗糙度是评价PSZ陶瓷磨削加工水平的关键指标,为了降低磨削表面粗糙度的预测误差,提出了一种基于相关性分析与卷积-双向长短期记忆神经网络(Convolution-bidirectional long short term memory neural network,CNN-BiLSTM)的PSZ陶瓷磨削表面粗糙度声发射预测模型。通过分析磨削声发射信号特征值与磨削表面粗糙度值之间相关性,筛选出磨削声发射信号与磨削表面粗糙度之间的最相关频段和特征矩阵,作为CNN-BiLSTM神经网络的输入参数以降低磨削表面粗糙度声发射预测的误差。研究结果表明,基于相关性分析与CNN-BiLSTM神经网络的PSZ陶瓷磨削表面粗糙度的平均预测误差低于3.92%。

故障一点通

马自达 变速器出现磨削声或蜂鸣声 部分1998—2000年生产的带有手动变速器(1999年11月1日以前生产)的B系列卡车在2挡升3挡时,有时会发出磨削声或蜂鸣般噪声。有人把这种噪音描述为换挡时有“开槽”的感觉。这种故障可能是因3-4挡同步器出现了故障。马自达公司提供一种改进型同步器,能排除上述噪音。 维修时,首先应进行试车,确认故障存在,正如顾客所描述的一样。