《基于功率传感器的刀具磨损量预测方法》PDF+DOC
作者：谢楠,段明雷,高英强,郑蓓蓉
单位：同济大学
出版：《同济大学学报(自然科学版)》2017年第03期
页数：7页 （PDF与DOC格式可能不同）
PDF编号：PDFTJDZ2017030180
DOC编号：DOCTJDZ2017030189
下载格式：PDF + Word/doc 文字可复制、可编辑
《基于神经网络的传感器信息融合和综合在刀具状态监测中的应用》PDF+DOC1993年第12期 张晓明,孙宝元
《刀具磨损在线监测技术的探讨》PDF+DOC2011年第03期 韦江波
《数控加工中心的刀具监控技术》PDF+DOC2011年第17期 邓文科,彭林波,何蔚
《多传感器数据融合技术在刀具状态监测中的应用》PDF+DOC2007年第04期 郑金兴,张铭钧,孟庆鑫
《基于多通道位移传感器的刀具断裂检测》PDF+DOC2015年第22期 耿欣,顾红光
《基于多元传感器的数控刀具磨损状态的实验研究》PDF+DOC2016年第09期 颉潭成,马君达,袁子皓,徐彦伟
《基于多传感器的新型电动刀架及其监控系统研究》PDF+DOC2019年第11期 赵飞,唐乾,赵帅楠,王骏,张铮
《刀具磨损监视器》PDF+DOC1985年第05期
《基于模糊数据融合的刀具磨损状态辩识》PDF+DOC2010年第11期 陈希,张兴元
《基于双谱的刀具振动信号特征值提取》PDF+DOC2014年第07期 邵占帅,黄民
使用功率传感器监测机床加工功率，和切削力、声发射等传感器相比，功率传感器具有实用性强、对加工过程无影响等优点.针对采集到的功率信号，在分析信号特征相关性的基础上，提出了一个多目标优化RP-SBL的刀具磨损量预测方法.对信号特征进行后处理(Re-processing，RP)消除电网波动和切削中其他偶然因素的影响，进一步提高特征对刀具磨损敏感性.基于处理后的特征，运用稀疏贝叶斯学习(Sparse Bayesian Learning，SBL)方法建立刀具磨损量预测模型.此外，使用非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm II，NSGA-II)对SBL模型相关参数进行优化以提高预测精度.实验研究表明，该方法能够实现刀具磨损量的准确预测.不同预测方法的对比表明，通过特征后处理提高信号特征对刀具磨损的敏感性，保证了刀具磨损量的准确预测，对SBL模型参数进行优化可进一步提高预测精度，减小预测误差的最大值。
提示：百度云已更名为百度网盘（百度盘），天翼云盘、微盘下载地址……暂未提供。