基于深度置信网络和SVM的铣刀磨损状态识别

针对人工提取的磨损指标无法全面表达铣削磨损特征的问题,提出基于改进深度置信网络(IDBN)与支持向量机(SVM)的刀具磨损识别模型。首先对刀具切削力、振动和AE信号在时域、频域、时频域进行特征提取;其次采用IDBN对提取的特征降维;最后利用改进的海鸥算法优化支持向量机(ISOA-SVM)构建磨损识别模型。结果表明,经过100次随机分层抽样,IDBN-ISOA-SVM对刀具磨损的平均识别率达到99%以上。从降维手段、优化算法及分类模型三个方面与其他算法对比,该模型有较高的识别率和泛化性,能够准确识别铣刀磨损状态。

基于VMDFK和图像编码技术CNN网络刀具磨损状态识别

针对采集刀具加工数据过程中有冗余信息和干扰信号,导致刀具磨损状态特征识别困难、识别精度不高等问题,提出一种基于快速谱峭度图的变分模态分解模态分量选取(VMDFK)与格拉姆角场(GAF)图像编码技术相结合的卷积神经网络(CNN)刀具磨损状态识别方法。首先通过变分模态分解和快速谱峭度图,筛选符合要求的模态分量并重构;再采用形态滤波对重构信号去噪和增强;最后通过格拉姆角场图像编码技术,将经去噪增强后的信号转换为格拉姆角场图,并将其输入卷积神经网络中提取特征,较好地解决了信号中的干扰和图像识别中图像特征不明显问题。实验结果表明:该方法可准确清晰地展现刀具磨损状态的特征,在即时性、准确度等方面有较大提高,实现对刀具不同磨损状态的实时智能识别,具有较好的效果。

盾构刀具整体磨损状态识别研究

刀具磨损情况是影响盾构机掘进效率的重要因素,也是决定开仓换刀时间和频率的关键依据。针对盾构掘进过程中刀具整体磨损状态难以判断的问题,统计换刀点每把刀具磨损量与限定磨损量之间的关系,提出了3个磨损状态等级。在推导3种关键掘进参数(推力、扭矩和掘进速度)与单把滚刀切削分力理论关系的基础上,提出一种对掘进参数信号进行小波包分解以识别刀具整体磨损状态的方法。该方法以分解后的信号节点小波包系数标准差组成的特征向量作为磨损识别指标,通过敏感性分析找出对刀具磨损最敏感的节点特征向量,进而通过拟合分析确定磨损状态与磨损识别指标的函数关系。对深圳地铁14号线大运站至宝荷站区间工程实例的分析结果表明,该方法能准确识别盾构刀具的整体磨损状态,其中使用掘进速度信号进行识别的精度最高,推力次之,扭矩最低。该方法在使用中仅需对盾构机自动采集的掘进参数进行处理分析,不需要布置传感器,具有简便易行、成本低和精度高等优点,为及时开仓换刀提供了可靠依据。

基于特征优化与鲸鱼算法的刀具磨损状态识别模型

为了提高对刀具磨损状态识别的精度,提升识别效率,针对铣刀的磨损状态提出一种基于鲸鱼算法(Whale Optimization Algorithm, WOA)与支持向量机(Support Vector Machine, SVM)的刀具磨损状态识别模型。本文首先对采集到的刀具磨损信号进行预处理,并进行多域信号分析,进行特征提取;其次,利用主成分分析(PCA)对特征向量进行优化选择,得到冗余度低的特征向量;然后利用WOA优化SVM的参数,惩罚参数 与核参数;最后利用优化好的WOA-SVM分类器实现刀具磨损状态的识别。通过实验对比分析,相比于SVM、PSO-SVM模型,WOA-SVM模型准确率最高,达到97.89%,且参数优化时间也比PSO-SVM模型缩短了47.35%,从两个方面验证了WOA-SVM模型的优越性。

基于堆栈降噪自编码网络的机械设备磨损状态识别

通过磨粒铁谱图像识别可实现机械设备磨损状态识别,但基于机器学习的磨粒铁谱图像识别存在较多人工干预、普适性差。为解决上述问题,提出了一种基于堆栈降噪自编码网络的机械设备磨损状态识别方法。将多个降噪自编码网络进行堆叠,即上一个降噪自编码网络隐含层的输出作为下一个降噪自编码网络的输入,并在最后一个降噪自编码网络隐含层后添加Softmax分类器,从而构建堆栈降噪自编码网络;利用磨粒铁谱图像对堆栈降噪自编码网络进行无监督预训练,并通过有监督微调优化网络参数,对磨粒铁谱图像进行分类,实现机械设备磨损状态智能识别。实验结果表明:当堆栈降噪自编码网络的激活函数为Relu、优化器为Adam、学习率为0.001时,网络性能最佳,识别准确率达98.43%。

基于振动信号的铣刀磨损状态识别

刀具磨损状态的变化是自动化加工中最为常见的影响因素,对刀具磨损状态的有效识别能够保证自动化生产的顺利进行。从铣削加工的振动信号中,可以获取刀具磨损状态的信息。基于小波理论,通过分解提取的振动信号,并分析频带内振动信号幅值的变化,就能够确定刀具磨损的状态。对铣削平面和斜面进行了实验分析,证明该种方法能够实现铣削加工过程中刀具磨损状态的有效识别。

基于证据理论的内燃机活塞缸套活塞环组件磨损状态识别

简述了Dempster Shafer证据理论的基本原理。认为曲轴箱压力和机身振动加速度这两类信号具有互补性,可以用于识别活塞 缸套 活塞环组件工作状态,对其选取了几个有效的信号特征参数。根据D S证据理论,采用模糊隶属度计算基本概率分配,采用基于基本概率分配值的决策方法对两类信号进行信息融合,结果表明运用证据理论能够有效地提高识别活塞 缸套 活塞环组件工作状态的准确性。

深度特征联合匹配的不同刀具间磨损状态识别

实际工程中数控机床刀具磨损状态识别时,作为训练样本的刀具和待识别磨损状态的刀具必然不同,不同刀具间磨损状态准确识别成为必须解决的问题。受走刀次数、安装误差等众多因素影响,同类型同磨损状态的不同刀具切削信号不可避免的存在差异。针对不同刀具间磨损状态准确识别的问题,提出了深度特征联合匹配的刀具磨损状态识别方法。首先,利用堆栈加噪自编码网络对样本频谱进行特征自提取以获得表征磨损状态的深度特征;然后,通过迁移联合匹配算法对所获得的深度特征进行联合匹配以缩小不同刀具磨损状态深度特征间的差异,解决同类型同磨损状态的不同刀具间特征差异问题;最后将联合匹配后的深度特征输入K最近邻分类器实现刀具磨损状态识别。铣刀与车刀磨损状态识别实验结果显示,所提方法识别准确率最高可达到97.04%,证明了该方法能够有效识别刀具磨损状态,并具有较好的泛化能力和稳健性。

基于颗粒度分布在线监测的汽轮机轴承磨损状态识别

建立了汽轮机润滑油系统基于颗粒度分布的污染控制模型,分析了汽轮机油系统颗粒度分布规律与轴承磨损状态之间的关系。采用威布尔分布(weibull)函数的尺度参数和形状参数及分布均值来描述油系统中颗粒度分布并仿真研究了在不同磨损状态下3个参数的变化规律。仿真试验结果表明,通过在线监测汽轮机润滑油中颗粒度分布的尺度参数、形状参数及分布均值的变化,可及时判别汽轮机轴承磨损状态的改变,该监测方法与铁谱、光谱检测技术相结合可及时准确地诊断出轴承的异常磨损状态。

基于卷积神经网络的铣刀磨损状态识别技术研究

刀具磨损状态监测对于保证设备运行安全及提高生产效率具有重要意义。建立了基于一维卷积神经网络和极限学习机(1DCNN-ELM)混合模型,实现了对刀具磨损状态进行自动特征提取并快速识别。首先,通过采集原始高频振动信号,并对其进行批量标准化和切片处理;其次,利用一维卷积神经网络(1DCNN)进行自适应特征提取;最后,将极限学习机(ELM)用于铣刀磨损状态识别。引入了Dropout和批规范化(Batch Normalization,BN)加快网络训练及缓解过拟合。实验结果表明,1DCNN-ELM混合模型识别精度高、运算速度快,且具有较好的泛化性能,研究结果为数控加工过程中铣刀磨损状态识别提供理论依据。

基于优化双向长短时记忆网络的刀具磨损状态识别

准确可靠地对刀具磨损状态进行监测和识别,有助于保证加工质量和加工效率。为提高刀具磨损状态识别精度,提出一种优化双向长短时记忆网络(NGO-BiLSTM)的刀具磨损状态识别新方法。NGO-BiLSTM核心思想就是通过北方苍鹰优化算法(NGO)对BiLSTM网络超参数进行自适应优化选取,从而解决BiLSTM网络超参数取值不同导致识别结果不稳定这一问题,进而提高BiLSTM的识别性能。通过刀具磨损状态识别实例对所提方法的有效性进行验证,结果表明:所提方法提高了识别精度,在5种评价指标上也是优于其它几种方法。

模糊数据融合的刀具磨损状态智能识别

为实现高速加工时刀具渐变磨损状态的在线准确识别,提出了一种集合多种智能的间接检测刀具磨损状态方法的模糊数据融合方法.尽管这些方法具有算法实现较为简单、处理速度较快的优点,但单一的信号检测及单一的智能建模方法难以获得全面的加工状态信息和准确的识别结果.为此,利用F推理技术对上述方法的冗余和互补信息进行数据融合,应用Makino-Fanuc 74-A20型加工中心的测试数据验证了该方案的可行性,并将刀具后刀面磨损的预测值与基于机器视觉检测的实测值进行比较.实验结果分析表明,多参数模糊融合识别方法能快速获得切削刀具磨损状态更加准确的预测值.

基于样本聚类模糊神经网络的刀具磨损状态实时识别

利用一种根据K－means方法对样本聚类后建立的改进型模糊神经网络(MTFNN)模型，对刀具后刀面磨损量进行在线工况实时识别。仿真结果表明该工况辨识模型精度高，收敛速度快，实用性较强，适宜于复杂的、非线性加工系统建模。

基于流形学习与隐马尔可夫模型的刀具磨损状况识别

为了提高金属铣削过程中的刀具磨损状态识别的自动化程度与精度,提出了基于局部切空间排列(LTSA)方法与隐Markov模型(HMM)来识别刀具的不同磨损状态的方法。该方法首先利用小波分析技术对铣削过程中的切削进给方向力信号进行处理,构造了高维特征空间。然后使用基于流形学习方法实现了高维特征空间的维数约简。最终利用约简后的低维特征向量训练HMM,从而实现刀具磨损状态的识别。实验结果说明该方法能够有效地识别铣削过程的刀具磨损状态。与未经特征维数约简的识别方法相比,新方法能够提高刀具磨损状态的识别效率与准确率。

基于EMD与LS-SVM的刀具磨损识别方法

针对刀具磨损声发射信号的非平稳特征和BP神经网络学习算法收敛速度慢、易陷入局部极小值等问题,提出了基于经验模态分解和最小二乘支持向量机的刀具磨损状态识别方法.首先对声发射信号进行经验模态分解,将其分解为若干个固有模态函数之和,然后分别对每一个固有模态函数进行自回归建模,最后提取每一个自回归模型的系数组成特征向量,特征向量被分为两组,一组用于对最小二乘支持向量机训练,另一组用于识别刀具磨损状态.试验结果表明:该方法能很好地识别刀具磨损状态,与BP神经网络相比具有更高的识别率.

基于奇异分解与最小二乘支持向量机的刀具磨损识别方法研究

针对刀具磨损声发射信号的非平稳特征,提出了基于奇异值分解和最小二乘支持向量机的刀具磨损状态识别方法。该方法首先对声发射信号进行经验模态分解,将其分解为若干个固有模态函数之和,利用固有模态函数构造初始特征向量矩阵,然后对初始特征向量矩阵进行奇异值分解,计算奇异谱,将奇异谱做为特征向量,送入最小二乘支持向量机训练、识别。结果表明:该方法能很好地识别刀具磨损状态,与神经网络相比具有更高的识别率。

基于EEMD-SVM的刀具磨损状态研究

针对刀具磨损监测中信号的非平稳特性和小样本建模中神经网络容易陷入局部值的问题,提出基于多传感器信号,运用集合经验模态分解(ensemble empirical mode decomposition,EEMD)和支持向量机(support vector machine,SVM)相结合的算法,实现对刀具磨损多状态的识别。首先对振动信号进行集合经验模态分解,将其分解为若干个本征模态函数(intrinsic mode function,IMF)之和,然后计算得到三向切削力信号的均值和各本征模态函数分量的能量百分比值作为磨损状态分类特征,最后运用支持向量机和Elman神经网络对刀具在不同磨损状态下的特征数据样本进行训练和识别。实验结果证明该方法能很好地实现对刀具磨损状态的识别,与Elman神经网络相比,支持向量机具有更高的识别率,更适合小样本情况下刀具磨损状态的分类识别。

最小二乘支持向量机的电气设备磨损识别方法研究

电气设备发生故障或者老化的时候,运行声音首先发生变化,为了准确的识别电气设备的磨损状态,提出了基于电气设备磨损声发射信号的小波包多尺度信息熵(频域)特征和AR模型系数(时域)特征相触合的特征提取方法。然后采用核主成分分析方提取触合特征的主元,降低特征向量维数组成新的特征向量,送入最小二乘支持向量机训练、识别。

基于小波包和PSO优化神经网络的刀具状态监测

为改进BP神经网络进行刀具磨损状态识别时训练时间较长、收敛速度较慢、测试精度不够高、甚至完全不能训练等问题,引入一种全局搜索能力强,收敛速度快的算法——粒子群优化算法(PSO),用其来优化BP神经网络参数,改进网络的训练和识别性能。实验证明:经粒子群算法优化后的BP神经网络较原网络有更快的训练迭代收敛速度和更高的测试准确度,达到优化的目标,对实现数控刀具磨损状态的智能化在线监测具有重要意义。