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。

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。

基于优化灰色神经网络模型的内燃机气缸套磨损量预测的研究

气缸套磨损量是衡量汽车发动机寿命的重要因素。针对传统灰色预测模型的缺陷,采用均值修正策略,对样本数据进行预处理,实现灰色预测模型的优化;将灰色预测模型与BP网络相结合,建立了优化灰色神经网络预测模型;实例分析结果表明,优化模型能更精确地预测发动机气缸套的磨损量,为发动机的寿命预测与维修提供了更有效的方法。

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。

基于有限元方法的抽油杆管磨损量预测

针对在斜直井、定向井、水平井等井中采取有杆泵采油作业时,由于抽油杆屈曲以及井眼弯曲导致抽油杆严重偏磨的问题,建立了抽油杆动态行为有限元分析方法。利用能量法原理,将抽油杆发生偏磨时产生的摩擦功与金属磨损消耗的能量联系起来,确定了有杆抽油系统杆管偏磨磨损量预测模型,利用有限元分析得到的接触力可以定量分析杆管柱的磨损量。结果表明,有限元方法模拟效果较好,可用于预测井下杆管偏磨情况,对油田采取合理的防偏磨措施具有重要的指导意义。

有杆抽油系统杆管偏磨磨损量预测研究

根据能量法原理,建立了有杆抽油系统杆管偏磨磨损量预测模型。通过几何分析确定了抽油杆与油管的最大磨损深度计算方法,并编制程序进行了计算,得出在摩擦因数、磨损效率、摩擦行程相同的情况下,杆管柱的磨损量和最大磨损深度主要与正压力有关。该模型可用于有杆抽油系统中杆管柱的磨损量预测,不仅为较好地预测井下杆管偏磨情况提供了理论依据,同时对采取及时有效的防偏磨措施具有指导意义。

L-M优化算法BP网络在刀具磨损量预测中的应用

在线刀具磨损量估算及其未来发展趋势预测对于指导现实生产有着十分重要的意义。提出基于L-M优化算法BP神经网络的刀具磨损量在线预测方法。对声发射信号进行小波包分解,得到32个不同频带内的信号,用于构造初始特征向量矩阵;对初始特征向量矩阵进行奇异值分解,计算奇异谱,将奇异谱做为刀具磨损的特征向量,利用神经网络在线预测刀具磨损量。试验结果表明:预测结果能准确地跟踪实际的刀具磨损曲线,并且L-M优化算法比其他改进算法迭代次数少,收敛速度快,精确度高。

灰色理论在齿轮磨损量预测中的应用研究

利用灰色理论,通过研究建立了无偏的GM(1,1)模型,突破了模型参数|a|较大时GM(1,1)模型无法应用的禁区。并将无偏GM(1,1)模型应用于对齿轮磨损数据的预测,通过试验研究获得了满意效果,为齿轮磨损趋势的预测提供了一个新方法。

船用柴油机缸套磨损量预测研究

对船用柴油机缸套磨损量的预测进行了研究 ,提出了灰色预测方法 ,对灰色预测方法的建模原理、模型精度的检验方法等进行了介绍 。

基于多信号融合与深度学习的铣刀磨损量预测方法

为了给铣刀的维修工作提供有效参考数据,解决现有磨损量预测方法精度低的问题,利用多信号融合与深度学习算法,实现铣刀刀具磨损量预测方法的优化设计。根据铣刀结构和摩擦工作机制,模拟其铣削加工过程。采集刀具在工作状态下的切削力、振动、电流以及声发射信号,采用自适应加权的方式实现多信号的融合处理。以信号融合结果为基础,利用深度学习算法提取信号特征,得到降维特征处理结果。确定铣刀的信号特征与磨损量之间的关系,通过刀具信号的估计,得出铣刀磨损量的预测结果。通过与现有预测方法的对比试验发现,采用该设计预测方法得出的磨损量与实际测定值之间的相对误差更小,设计预测方法的精度更高。

基于粒子群优化SVM的刀具磨损量预测

针对SVM预测刀具磨损量存在的参数不易确定的问题,提出了新的基于粒子群优化SVM的智能预测方法。在介绍粒子群算法和SVM回归模型基本理论的基础上,提出用自适应粒子群优化算法优化SVM参数的策略,采用小波包方法对切削声信号进行分解处理,建立了基于粒子群优化SVM的刀具磨损量预测模型。试验分析的仿真结果表明,所建立的刀具磨损量智能预测模型具有较强的推广能力和较高的预测精度。

基于POS-SVM的高速锪窝钻装置的磨损量预测

针对接触表面磨损导致配合间隙变大,引起部件之间速度波动、机械振动,影响生产质量的问题,对高速锪窝钻装置齿形限位螺母圈和端面套筒间接触表面的磨损进行了研究。首先,依据Archard理论,结合有限元仿真技术,选取齿形限位螺母圈和端面套筒之间的配合间隙、相对滑动距离、表面摩擦系数、接触载荷为因素,磨损量为目标做了四因素五水平正交实验;其次,对正交实验结果作了极差分析,发现配合间隙和相对滑动距离对磨损量的影响最大;最后,利用PSO(粒子群优化算法)优化后的SVM(支持向量机)神经网络模型对齿形限位螺母圈和端面套筒间接触表面的磨损量进行预测,经过与BP神经网络、SVM神经网络预测的结果对比,发现PSO-SVM神经网络预测系统预测精度及稳定性较高,可用于摩擦副磨损量的预测。

基于宏观能量理论与微观磨损机制的滚刀磨损量预测

为了准确预测全断面岩石掘进机长距离掘进硬岩地层的滚刀更换与使用量,量化滚刀检修、更换的时间与费用,从滚刀磨损宏观能量转换入手,基于能量磨损理论,通过分析摩擦功与磨损体积之间的关系,建立滚刀宏观能量理论的磨损量预测模型;从滚刀磨损的微观磨损机制入手,基于磨粒磨损机制,通过分析微观磨粒犁沟与滚刀宏观磨损量的关系,建立滚刀微观磨损机制的磨损量预测模型。通过某引水隧洞工程的现场磨损数据与掘进参数对2种预测方法的可行性进行验证,结果表明:2种预测模型对滚刀磨损量的预估具有一定的参考;提高预测结果的准确性需通过实验方法建立关键参数的选取准则。

考虑温度作用的浸金属碳滑板磨损量预测方法研究

随着列车速度的不断提升,受电弓滑板磨耗增加,对弓网系统运行的安全性和经济性造成威胁。目前,铁路部门仍采用传统人工登顶方法检测滑板磨损情况,效率低、安全性差、且干扰正常行车。因此,亟需探索简便、高效的滑板磨损量预测方法,以指导受电弓滑板的检修与更换。通过改变电流、温度参数进行多组试验发现,在低电流工况下,滑板磨损量随温度提升逐渐下降,在高电流工况下,滑板磨损量随温度提升先减小后增加;基于偏最小二乘回归法,建立了考虑温度作用的浸金属碳滑板磨损量预测模型,模型检测相对误差小于6%;选取不同材料滑板时,磨损量对各影响因素变化的敏感程度存在显著差异。研究结果对完善受电弓滑板磨损量预测模型,降低铁路运营维修成本,提高列车弓网系统运行稳定性具有一定指导意义。

灰色系统理论在地铁轮对踏面磨损预测中的应用

车轮作为车辆关键走行部件和易磨损部件之一,其磨损量直接关系到车轮的使用寿命。为准确获得车轮踏面随走行距离磨损量变化情况,本文采用灰色系统理论,建立车轮踏面磨损量灰色预测模型,在少量车轮踏面磨损数据的基础上,研究车轮随走行距离踏面磨损量的灰色预测方法。实例分析和仿真结果表明,灰色系统理论应用于车轮踏面磨损量的预测中是可行有效的。为车轮在实际行驶过程中踏面磨损的准确预测及使用寿命的判决提供了一种可行的求解方法。

火炮身管烧蚀磨损预测模型的研究

对火炮身管烧蚀磨损量的预测,通常通过靶场试验获得,而应用数学理论建立合理模型的较少。本文采用灰色系统理论,建立了GM(1,1)预测模型,并用残差检验、关联度检验、后验差检验等方法验证了该模型的正确性。运用该模型预测的结果与试验数据吻合较好。

MoS_(2)薄膜摩擦因数和磨损量的数学模型

目的 构建MoS_(2)薄膜的摩擦因数模型和磨损模型,预测其磨损体积。方法 通过球-盘摩擦磨损实验,研究法向载荷和滑动速度对MoS_(2)薄膜摩擦因数的影响规律,其中最大接触压强范围为441.08-1393.82MPa,滑动速度为0.05-0.628m/s。利用场发射扫描电子显微镜(SEM)和白光共聚焦显微镜分析MoS_(2)薄膜的磨损形貌。结果 基于赫兹接触理论,建立了MoS_(2)薄膜摩擦因数与法向载荷和滑动速度的数学模型。预测结果与实测结果之间的最大相对误差为12.02%,其余预测结果的相对误差均小于10%。从摩擦耗散能的角度,研究发现MoS_(2)薄膜的磨损体积与摩擦耗能之间呈显著的线性关系,结合新的摩擦因数模型,提出了MoS_(2)薄膜的磨损模型。此磨损模型是法向载荷、滑动速度和摩擦时间的函数关系式,其相对误差绝对值的平均值为10.81%。与传统Archard模型的结果进行比较发现,新的磨损模型的相对误差较小。通过分析MoS_(2)薄膜的磨损机理,探讨了磨损模型产生误差的原因。结论 所建立的摩擦因数模型和磨损模型的预测结果与实测结果吻合较好。磨损模型能够较准确地预测MoS_(2)薄膜的磨损量,具有重要的工程应用价值。

特殊环境下双馈风力发电机电刷磨损量建模

针对复杂海洋环境下电刷磨损加剧、电刷更换周期缩短且磨损量难以确定的问题,基于盐雾试验机自行研制电刷滑环系统磨损实验平台,对YKYF1500-4异步空冷双馈风力发电机的电刷滑环系统进行磨损实验,从接触电流、接触压力、盐雾浓度以及实验温度等方面探究电刷磨损量的变化;依据摩擦力模型及磨损理论,建立基于改进库伦-粘性摩擦力的电刷磨损量预测模型,将接触电流、接触压力、盐雾浓度以及实验温度等参量引入磨损模型;经由粒子群参数辨识方法,辨识模型中与接触电流、接触压力、盐雾浓度以及实验温度相关的模型参数,实现电刷磨损量预测。经实验验证:该模型可以有效预测不同接触电流、接触压力、盐雾浓度、运行速度以及实验温度等工况条件下电刷的磨损量,为运维人员制定巡检周期提供理论依据。

基于摩擦理论的滚刀磨损预测模型研究

盾构机在施工过程中常因刀具磨损过大导致刀具失效及刀箱变形等问题,经常需要进仓检查刀具磨损量,耗费时间长且掘进效率低.为得到磨损量预测公式,文中以CSM剪切模型为基础,建立盘形滚刀磨损量与磨损耗能的数值关系,提出滚刀磨损量的理论计算模型,并利用线性拟合寻找相关参数数值关系,对模型进行了简化处理.研究结果可为工程实践中刀具磨损量的预测提供理论依据.

基于PCC-LSTM刀具磨损预测方法研究

基于铣削加工过程中的电流、振动、声发射等信号,建立了基于皮尔逊相关系数(PCC)和长短期记忆人工神经网络(LSTM)的刀具磨损预测模型。模型充分利用PCC的降维优势以及LSTM的时间序列预测优势,实现刀具磨损预测精度与预测效率的协调统一。实验结果表明,该模型可以实现刀具磨损状态的快速、精确预测,对铣削加工质量的提升具有重要意义。