-
题名基于多传感器多元特征融合决策的铣刀磨损辨识方法
被引量：1
- 1
-
-
作者
贺明茹
吴双峰
李萌
张威
-
机构
宁波大学机械工程与力学学院
中国机械总院集团宁波智能机床研究院有限公司
-
出处
《机电工程》
CAS
北大核心
2024年第11期2019-2028,共10页
-
基金
宁波市科技创新2025重大专项(2022Z047)。
-
文摘
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%。
-
关键词
刀具磨损监测
多传感器特征
特征提取
粒子群优化
最小二乘支持向量机
磨损识别与预测
-
Keywords
tool wear monitoring
multi-sensor eigenvalues
eigenvalues extraction
particle swarm optimization(PSO)
least squares support vector machine(LS-SVM)
wear recognition and prediction
-
分类号
TH117.1
[机械工程—机械设计及理论]
TG71
[金属学及工艺—刀具与模具]
-
-
题名球磨机振动信号多传感器融合特征维数约简
被引量：3
- 2
-
-
作者
姜志宏
刘民民
胡博
卢文海
-
机构
江西理工大学机电工程学院
江西省矿冶机电工程研究中心
-
出处
《传感器与微系统》
CSCD
北大核心
2022年第9期25-28,共4页
-
基金
国家自然科学基金资助项目(51464017)
江西省重点研发计划资助项目(20181ACE50034)。
-
文摘
针对球磨机筒体振动信号中磨机负荷状态信息难以识别的问题,提出一种基于集成矩阵距离测度的监督二阶张量局部保持投影(SSTLPP-IMDM)算法的多传感器融合特征维数约简方法。首先,以二阶张量作为球磨机筒体振动信号特征融合的表现形式,通过对传统张量局部保持投影(TPPP)算法进行改进,提出SSTLPP-IMDM算法,对多传感器特征矩阵进行维数约简。最后,将提出的方法运用于球磨机磨矿作业,对磨机负荷进行识别,通过实验数据进行验证,验证该方法的有效性和优越性。
-
关键词
磨机负荷
振动信号
多传感器特征
维数约简
-
Keywords
mill load
vibration signal
multi-sensor characteristics
dimensionality reduction
-
分类号
TP212
[自动化与计算机技术—检测技术与自动化装置]
TD453
[矿业工程—矿山机电]
-
-
题名基于特征融合与域自适应的刀具磨损在线监测
- 3
-
-
作者
柳大虎
汪永超
何欢
-
机构
四川大学机械工程学院
宜宾四川大学产业技术研究院
-
出处
《组合机床与自动化加工技术》
北大核心
2024年第8期121-126,133,共7页
-
基金
国家自然科学基金资助项目(51875370)。
-
文摘
机床状态监测对于机床健康管理以及保证工件加工质量具有重要意义。针对现有刀具磨损预测模型存在训练时间长、收敛速度慢以及泛化能力弱等问题,提出了一种分布式一维卷积神经网络对刀具磨损进行预测。采用残差连接与通道注意力模块顺序堆叠的方式作为特征提取模块,并通过交叉验证以选择合适的网络层数。由于不同传感器所提取到的特征信息可能存在冗余,使用权重差异策略以提高特征提取的有效性以及全面性。此外,考虑到训练集与测试集分布可能存在差异从而影响模型的泛化性能,引入了域自适应方法提高模型在未知数据集中的表现。为验证模型效果,使用PHM 2010铣刀磨损数据集进行实验。实验结果表明,该模型在C1、C4、C6三把刀具上的平均RMSE和平均MAE分别为6.97和6.29,与TCN、TDConvLSTM等模型相比有12%以上的提升。
-
关键词
刀具磨损监测
多传感器特征融合
权重差异策略
域自适应
-
Keywords
tool wear monitoring
multi-sensor feature fusion
weight difference strategy
domain adaptatio
-
分类号
TH162
[机械工程—机械制造及自动化]
TG71
[金属学及工艺—刀具与模具]
-
