基于双信号融合的主轴/刀柄结合面刚度退化程度预测

为了预测主轴/刀柄结合面刚度退化程度,提出了一种基于激励和响应信号融合的主轴/刀柄结合面刚度退化程度预测方法。首先进行钛合金矩形工件侧铣实验,采集瞬时铣削力信号和主轴/刀柄结合面附近的响应振动信号,构建反映主轴/刀柄结合面刚度退化的数据库。然后根据数据库中瞬时铣削力和振动信号各方向的时域、频域和时频域特征,基于相关性分析优选出瞬时铣削力信号和振动信号的时域均值、频域中心频率、时频域一阶小波包能量3个特征,分别使用低频滤波卷积核和高频滤波卷积核对优选后的特征矩阵进行双通道卷积池化处理,获取深度融合的主轴/刀柄结合面刚度退化程度特征向量。最后以支持向量机模型(SVM)的概率模式转化为朴素贝叶斯分类器(NBC)的条件概率,构建混合分类器模型(NBC-SVM),提高了分类器的分类性能。在主轴/刀柄结合面刚度退化数据库的基础上,基于双通道卷积池化的特征融合方法(CP-FF)和NBC-SVM模型实现了主轴/刀柄结合面刚度退化程度的预测,预测精度达96%。

基于变量敏感度筛选的回归型支持向量机的数控机床热误差预测

随着机械制造行业的迅猛发展,对于数控机床的定位精度要求越来越高。为了提高机床定位精度,建立了基于变量敏感度筛选与回归型支持向量机(SVR)混合模型,并将其用于数控机床热误差预测方法。该方法基于对变量敏感度分析,筛选掉敏感度低的干扰自变量。本方法与基本SVR模型对数控机床热误差预测值进行对比,结果表明基本SVR受到敏感度低的干扰自变量影响,预测结果与实测热误差结果偏差较大;经过变量敏感度筛选之后的SVR混合模型预测值具有更高的准确度,验证了此模型的可行性。

基于UG NX的数控多轴加工工艺改良和配套夹具设计

首先,简要介绍了UG NX编程软件的相关知识;其次,以金属半环和电机外壳为研究对象,分析了其原有的数控加工工艺并提出了优化改进措施;再次,利用UG对研究对象进行了配套工装的仿真设计;最后,利用UG编制研究对象的目标零件多轴数控加工程序,有效保障了产品的加工质量,节省了人力、物力成本,提高了生产效率。

基于机器学习的刀具磨损状态智能预测方法研究

以刀具为研究载体,运用人工智能和智能优化等先进技术,成功实现了刀具磨损状态的智能预测。研究重点在于建立有效的刀具磨损状态预测方法,全面解析刀具磨损机理、形式及磨钝标准等关键信息。同时,构建了自采刀具磨损状态监测平台,以便收集并处理相关数据。在数据处理过程中,采用小波滤噪和EMD-Shannon能量熵进行特征筛选,构建出特征空间数据集,为后续构建预测模型提供坚实的数据基础。结合支持向量机分类算法和智能优化算法,构建出刀具磨损状态的智能预测框架。此框架不仅提高了预测精度,也为维护人员提供了强有力的工具,利于更好地进行刀具磨损状态的预测和维护工作。为增强实际应用价值,将所取得的成果整合至基于MATLAB GUI的刀具磨损状态智能监测原型系统,以图形界面方式呈现预测结果,使用户直观地了解和掌握刀具的磨损状态。结果表明,该方法具有高精度,刀具磨损状态的识别精度可达84%,为相关领域提供了可靠的技术支持。

基于数字孪生的铣刀磨损状态识别方法研究

实时精准地监测铣刀磨损状态对于提高加工质量与加工效率具有重要意义,提出一种基于数字孪生的铣刀磨损状态识别方法,该方法通过结合VMD-MPE特征提取方法和GA-SVM状态识别模型构建数字孪生体对铣刀磨损状态进行实时监测。首先,利用变分模态分解算法(VMD)分解铣刀振动信号得到包含磨损状态信息的模态分量;其次,引入多尺度排列熵(MPE)从包含磨损状态信息的模态分量中提取铣刀的非线性动力学特征,并取各有效模态分量的多尺度排列熵平均值作为特征矩阵;最后,通过遗传算法(GA)优化支持向量机(SVM)构建铣刀磨损状态识别模型。实验结果表明,所构建的数字孪生体具有良好识别效果,其识别精度可达97.33%。

Design and development of a five-axis machine tool with high accuracy,stiffness and efficiency for aero-engine casing manufacturing

In order to satisfy the machining requirements of aero-engine casing in modern aviation industry, this paper investigates three main issues during the design and development process of a five-axis machine tool with high accuracy, stiffness and efficiency, including whole structure design,key components design, and supporting stiffness design. First, an appropriate structure of five-axis machine tool is determined considering the processing characteristics of aero-engine casing. Then, a dual drive swing head and a compact motorized spindle are designed with enough drive capability and stiffness, and related structure, assembly method, cooling technology, and performance simulation are given in detail. Next, a design method of supporting stiffness of guide is proposed through the deformation prediction of the spindle end. Based on above work, a prototype of machine tool is developed, and some experiments are carried out, including performance tests of swing head and motorized spindle, and machining of a simulated workpiece of aero-engine casing. All experimental results show that the machine tool has satisfactory accuracy, stiffness and efficiency, which meets the machining requirements of aero-engine casing. The main work can be used as references for engineers and technicians, which are meaningful in practice.

基于压缩感知的井下钻具状态预警方法研究

在井下振动信号向高频采集发展趋势下,井下振动采集模块需要存储和传输的数据量逐渐增大。为了解决井下数据存储和上传压力大的问题,并对井下钻具的运行状态进行预警,提出了将压缩感知理论和支持向量机(Support Vector Machine,SVM)模型融入于井下振动信号的存储、传输和状态预警中。研究了一种原子数自适应的稀疏字典建立方法,用少量稀疏特征表达完整信号;建立了观测矩阵将原始信号投影到低维空间上,实现信号的压缩方法;应用改进的布谷鸟算法(Improved Cuckoo Search,ICS)对SVM模型进行参数寻优,训练好的ICS-SVM模型实现了钻具状态预警。应用结果表明,压缩感知技术可以将井下振动数据压缩至12%,数据重构误差为0.1772,ICS-SVM模型对钻具状态预警成功率达到98%。研究结果达到了缓解井下振动数据存储和上传压力的目的,可帮助工作人员更好地进行实时钻井操作和状态预警。

基于大数据分析的数控机床刀具寿命预测研究

数控机床刀具寿命预测是提高加工效率、降低生产成本、保证加工质量的重要环节。该文结合机器学习算法,收集刀具使用过程中切削力、振动信号、温度、转速等参数,采用数据预处理技术对原始数据进行清洗、降噪和标准化处理,确保数据的质量和一致性。在此基础上构建支持向量机(SVM)、随机森林(Random Forest)和长短期记忆网络(LSTM)刀具寿命预测模型。研究结果表明,LSTM模型能够更准确地捕捉刀具寿命的非线性变化趋势,并有效处理时间序列数据中的复杂关系。基于大数据分析的刀具寿命预测方法不仅显著提高了预测精度,还可以为实际生产中的刀具更换决策提供可靠支持。研究结果旨在为未来的刀具寿命预测研究提供技术参考。

基于多传感器多元特征融合决策的铣刀磨损辨识方法

针对铣削加工过程中刀具磨损预测准确率低、单一传感器覆盖特征缺乏对照的问题,提出了一种结合粒子群优化(PSO)-最小二乘支持向量机(LS-SVM)算法与多传感器特征的刀具磨损判断方法。首先,构建了以振动、切削力和声发射为刀具磨损监测信号的磨损辨识系统;然后,采用时域特征:最大值p1、均方根p2、标准差p3、绝对值均值p4结合小波频段能量特征分析的方法进行了铣削加工信号分析,采用PSO-LS-SVM算法建立了刀具磨损状态识别模型和刀具磨损量预测模型;最后,通过时域与小波分析,从采集到的振动、铣削力及声发射信号中提取了71维信号特征,并优化降维至24维;以24维特征作为输入,刀具磨损状态和刀具磨损量为输出,对该刀具磨损识别及预测算法进行了验证。研究结果表明:基于PSO-LS-SVM算法的刀具磨损状态辨识模型在多传感器特征方面的磨损识别准确率为99.39%,相比单传感器特征,其识别准确率更高;刀具磨损量预测模型的预测精度达到了99.75%,相比其他模型,平均准确率提高了8.02%。

基于混沌时序分析方法与支持向量机的刀具磨损状态识别

为了表征、获取与识别刀具的磨损状态,提出一种基于混沌时序分析方法与支持向量机的刀具磨损状态识别方法。该方法利用混沌时序分析方法重构了刀具声发射信号的相空间,并提取了嵌入维数与Lyapunov系数建立了特征空间。使用支持向量机作为分类器,实现了刀具磨损状态的识别。实验证明,在小样本学习情况下,基于混沌时序分析方法与支持向量机的刀具磨损状态识别方法具有良好的学习能力,获得了较高的识别准确率。

数控机床主轴热漂移误差基于贝叶斯推断的最小二乘支持向量机建模

针对数控(Computer numerical control,CNC)机床主轴热漂移误差建模及预测问题,提出一种基于贝叶斯推断的最小二乘支持向量机(Least squares support vector machine,LS-SVM)建模方法。以一台双转台五轴加工中心为研究对象,进行热误差测量试验,利用非接触式激光位移传感器及温度传感器同步测量机床主轴各运动方向热漂移误差及温度变化数值,获取建模数据。模型训练过程运用贝叶斯推断方法对LS-SVM的正规化参数、核函数参数进行优化选择,获取基于参数后验概率最大化的最优参数组合,进而构建可准确预测机床主轴热漂移误差的优化模型。分别利用基于贝叶斯推断的LS-SVM模型、传统LS-SVM模型以及BP神经网络(Back propagation artificial neural networks,BP-ANN)模型对机床变工况条件下主轴热漂移误差进行预测,通过预测效果对比,基于贝叶斯推断的LS-SVM模型具有更高的预测精度,在机床变工况条件下仍具有较高鲁棒性与泛化能力,可以很好地弥补现有建模方法的部分局限性。

基于LS-SVM与遗传算法的数控机床热误差辨识温度传感器优化策略

提出了一种在数控机床热误差辨识建模过程中利用最小二乘支持向量机结合遗传算法对温度传感器进行筛选与优化的新方法,对布置在一台数控车床上的温度传感器进行了优化。根据热模态理论,对传感器进行分组,利用最小二乘支持向量机方法构建数控机床热误差辨识模型,再根据遗传算法对其进行传感器优化布置。结果表明,遗传算法与最小二乘支持向量机方法的结合,很好地避免了温度测点的相互影响,保证了模型精度。该台数控车床的轴向建模平均绝对百分比误差为1.89%,径向建模平均绝对百分比误差为2.04%。传感器使用数量减少,节约了硬件成本,提高了辨识建模速度。

基于主成分分析与C-支持向量机的刀具磨损状态监测

为了监测刀具磨损状态,建立了一个基于功率传感器的刀具磨损状态监测系统.提出了一种基于主成分分析(PCA)与C-支持向量机(C-SVM)相结合的刀具磨损状态监测模型.通过功率传感器采集切削过程中的电流和功率信号,采用PCA对采集的参数进行特征提取,选择对刀具磨损状态影响最大的主成分作为C-SVM的输入样本,实现对刀具磨损状态的准确识别.通过数控车床切削实验表明,即使在较少的样本条件下,该方法仍然有效,并与反向传播(BP)神经网络进行了性能比较.

基于超球面支持向量机的刀具磨损状态识别

提出一种基于超球面支持向量机的刀具磨损状态识别方法。该方法提取切削力与振动信号中的多项特征,对各项特征分别进行刀具磨损量相关性分析,选择与刀具磨损变化量最相关的均值、均方根、小波系数能量以及小波系数近似熵组成特征向量。采用超球面支持向量机作为分类器,实现了刀具磨损状态的自动识别。实验证明,在小样本学习情况下,基于超球面支持向量机的刀具磨损状态识别方法具有良好的学习和泛化能力,获得较高的识别正确率。

小波包分析和支持向量机在刀具故障诊断中的应用

利用小波包分析技术适于对非平稳信号进行特征提取和支持向量机在小样本情况下具有较强分类能力的特点,提出了一种基于小波包分析和支持向量机相结合进行刀具切削故障诊断的方法。该方法采用小波包分析对其提取特征向量,利用支持向量机故障分类器实现对刀具切削故障分类。试验结果表明,小波包分析和支持向量机能对刀具故障进行有效诊断,故障预报正确率为90%。

基于PSO算法和SVR模型的加工中心可靠性模型参数估计

针对加工中心可靠性模型,提出了一种基于支持向量回归模型的参数估计方法,并利用改进的局部最优粒子群优化算法对支持向量回归模型的参数进行优化,以提高其对可靠性模型参数的估计精度。与标准的局部最优粒子群优化算法比较,改进的局部最优粒子群优化算法引入了变异操作和自适应调节惯性因子,提高了算法的全局最优解搜索能力。将提出的方法与最小二乘法、最大似然估计法、局部最优粒子群优化算法优化的支持向量回归模型和遗传算法优化的支持向量回归模型进行了对比试验。试验结果表明:该方法的参数估计精度高于最小二乘法、最大似然估计法、局部最优粒子群优化算法优化的支持向量回归模型和遗传算法优化的支持向量回归模型。最后,将该方法用于估计实际加工中心可靠性模型的参数,得出了相应的平均故障间隔时间的评估数值。

机床再制造综合测试与评价支持系统的开发及应用

结合废旧机床再制造实践,设计并开发了一套机床再制造综合测试与评价支持系统。该系统主要由废旧机床综合测试与评估、机床再制造方案设计以及方案的综合评价优选3个功能模块组成,可对废旧机床进行综合测试与评估,形成机床再制造的设计方案,并从技术性、经济性、资源性及环境性等方面对机床再制造方案进行评价优选。通过在某机床再制造企业车床再制造实践中应用,验证了系统的实用性。

支持向量机在刀具磨损多状态监测中的应用

基于多传感器信号、采用多分类支持向量机(support-vector-machine,SVM)实现了刀具监测的多状态辨识.通过对切削过程中的多向切削力和振动信号等多传感器信息进行分析,分别获得时域、频域和小波域的信息作为磨损分类特征;同时,运用基于一对多(one-versus-all,OVA)的多分类支持向量机对刀具不同磨损状态下的特征数据样本进行训练和识别.对切削过程中不同磨损状态的分类结果表明,多分类支持向量机具有出色的学习能力,能够实现在小样本情况下的不同磨损阶段分类,并具有较高的识别精度.

镜片精密车削表面粗糙度预测

针对复杂曲面镜片加工的困难,将慢刀伺服车削应用于镜片加工中。采用正交试验回归分析法,建立基于刀具圆弧半径、每圈进给量、背吃刀量、主轴转速和离散角度的表面粗糙度指数预测模型。同时引入最小二乘支持向量机(Least squares support vector machine,LS-SVM),建立基于径向基函数的LS-SVM预测模型。该模型对正交试验样本进行训练学习,采用网格搜索和留一法交叉验证确定模型参数。通过验证试验的对比,LS-SVM模型的预测精度明显优于指数模型,其相关系数R2为0.998 85,方均根相对误差为10.95%,平均绝对百分误差为9.28%。正交试验和LS-SVM预测模型的分析结果表明,在主要工艺参数中刀具圆弧半径和每圈进给量对表面粗糙度影响较显著,背吃刀量次之。

基于支持向量回归机的刀具寿命预测

刀具寿命是制定刀具需求计划、衡量刀具性能和核算成本等的重要依据。针对现有神经网络方法在预测刀具寿命方面存在的不足,提出了一种新的基于支持向量回归机的刀具寿命预测方法。在分析了影响刀具寿命预测主要因素的基础上,建立了基于支持向量回归机的刀具寿命预测模型。应用实例的仿真结果表明,所建立的预测模型具有较强的推广能力和较高的预测精度。