磨损模式识别

磨损模式识别

磨损模式识别 篇1

相关实验结果显示, 当车刀出现破损时的振动变化原因不但与破损形态有关, 同时, 还与刀杆振动系统的频率有所关联。为了使分析过程得以简化, 可将车刀刀杆的振动系统从切削系统当中分离出来, 然后对其单独进行观察, 这样便可将振动系统简化成为一个弹性质量系统受到压迫振动的过程。刀杆所受到的切削力大体上可分解成为两个部分, 一部分是静态切削力, 可用F1表示, 另一部分则是动态切削力, 可用F2表示。其中F1决定着刀杆振动的平衡位置, 而F2则决定着刀杆的振动模式。当整个切削过程保持正常、稳定时, F1基本上不会发生任何变化, 其一般只会受到车刀磨损的不断发展而出现较为缓慢的变化, 却并不会对振动加速度有所影响。但在车刀出现破损时, F1便会出现阶跃性的变化, 并在极短的时间内从一个水平迅速变化至另一个水平, 在这个过程中F2也会随之发生相对较大的变化, 破损块从刀片上裂开, 势必会对刀杆振动造成一定程度的影响。

在弹性质量振动系统当中, 可将切削力信号作为输入变量, 并将刀杆的振动位移作为输出变量, 其传递函数可用下式表示:

在上式当中, f代表粘性摩擦系数, k代表弹性系数。由相关理论可知, 阶跃输入信号F (S) =F/S, 由此可通过下式求出加速响应:

通过单位脉冲信号输入, 可以求出加速度响应:

从式 (2) 与式 (3) 中可以看出, 加速度对单位冒充信号的响应要比对阶跃信号的响应滞后一个ϕ, 而且, 加速度信号属于衰减的正弦振荡信号, 它的频率是。通常情况下, 大部分切削系统的谐振频率都在几十至几百赫不等, 也就是说, 相对较小, 而车刀破损时的低频成本能量较大。

当车刀出现破损后, 刀杆一般会受到双重作用, 即阶跃信号和脉冲信号, 并且在这一过程中的输入信号强度相对较大, 因而, 刀杆折叠弄加速度势必会出现较大幅度的变化, 该信号经过阻抗变换器之后, 会引起带通滤波器的振荡, 其振荡频率主要与滤波器的频率范围有关。在一个正常的切削过程中, 以人为的方式对刀杆进行敲击后经1.5Hz~40Hz带通滤波器输出的信号的振荡频率与刀具破损时的振荡频率相一致。由于切削处于正常状态时, 刀杆的振动信号在该区段内的分量较小。所以, 破损时的变化就十分显著。同时, 受滤波器的阶跃或是脉冲响应的作用, 刀具出现破损时的低频范围信号会出现一定程度的变化, 在较宽的频率范围内, 该振动信号的变化主要与破损前的高频成分能量大小有关, 如果刀具破损前的高频成分能量大, 那么刀具破损时的信号变化就会被全部淹没。

由上述分析结果可知, 当车刀破损时, 刀杆的加速度变化仅仅与阶跃力和脉冲力的作用有关, 需要强调的一点是, 若加工的工件材料不同, 或是切削用量不同, 则会使刀杆的振动信号强度出现变化, 但是刀具破损前和破损后低频范围内的时域信号强度的比值却会始终保持不变。故此, 可将之作为车刀破损在线监测与报警的一种依据。

2 车刀磨损工况的识别研究

2.1 导致车刀磨损的主要原因

在正常切削的过程当中, 车刀的切削条件与磨损原因关系密切, 不同的切削条件会导致不同的磨损原因。相关研究结果表明, 车刀磨损的主要原因为机械、热、化学等作用的综合结果。截止到目前, 业内的专家学者在不断地研究中发现, 造成车刀磨损的根本原因有以下几个方面:化学磨损、硬质点磨损、扩散磨损、黏结磨损以及热电磨损。当车刀出现磨损之后, 对正常的切削加工造成影响, 并且随着切削过程的持续, 车刀的磨损速度也会随之不断增大, 同时磨损会造成切削力增大、温度升高, 由此会引起加工工件表面的质量下降, 磨损严重时, 会对整个切削加工过程造成影响。

2.2 车刀磨损工况的识别方法

近年来, 随着计算机技术、传感器技术的不断发展, 使得传统的人工判别刀具磨损的方法无法满足实际应用要求。现如今的刀具磨损识别全部都是基于电子传感技术, 大体上可将之分为以下两种形式:

1) 直接测量识别

该方法具体是指对刀具材料体积损失的变化量进行直接测量, 如测量刀具径向尺寸变化、后刀面磨损带宽度检测、加工工件尺寸变化等等。比较常用的直接测量法有放射性技术、光学图像法、电阻测量法、接触检测法等等。其中应用较多的为光学图像法, 这是因为该方法能够直观、具体地呈现出刀具的磨损程度, 其测量精度较高。但直接测量识别也存在一定的缺陷, 其无法实现在线监测, 换言之, 很难对刀具磨损的动态变化进行识别, 局限性较大。

2) 间接测量识别

通常情况下, 在对金属进行切削的过程中, 刀具磨损区会对工件、切屑遮盖, 为了实现在线测量, 常采用间接测量的方法, 通过相关物理量的变化, 识别刀具的实际磨损状态。比较常用的间接测量识别法有以下几种:切削力在线检测法、声发射检测法、功率与电流测量法、切削振动和温度测量法等等。具体采用何种方法, 可根据实际工况而定。

3 结论

总而言之, 在切削的过程中, 车刀的质量优劣直接关系到生产效率, 为了提高车刀的整体质量, 本文对车刀的振动信号进行了研究, 同时, 又针对车刀的磨损工况提出了相应的识别方法, 这对于确保加工工件的品质和提高生产效率具有非常重要的现实意义。在未来一段时期, 还应当重点加大对车刀磨损在线监测的研究力度, 借此来延长车刀的使用寿命。

参考文献

[1]姚强, 傅惠南, 等.基于弹性系统的金刚石表面研磨实验研究[J].广东工业大学学报, 2010 (12) .

[2]邓晓云.振动诊断技术在数控机床状态监测与故障诊断中应用的研究[D].大连交通大学, 2009.

[3]李威霖, 傅攀, 张尔卿.基于粒子群优化LS-SVM的车刀磨损量识别技术研究[J].计算机应用研究, 2013 (11) .

模式识别总结 篇2

监督学习方法用来对数据实现分类，分类规则通过训练获得。该训练集由带分类号的数据集组成，因此监督学习方法的训练过程是离线的。

非监督学习方法不需要单独的离线训练过程，也没有带分类号（标号）的训练数据集，一般用来对数据集进行分析，如聚类，确定其分布的主分量等。

（实例：道路图）就道路图像的分割而言，监督学习方法则先在训练用图像中获取道路象素与非道路象素集，进行分类器设计，然后用所设计的分类器对道路图像进行分割。

使用非监督学习方法，则依据道路路面象素与非道路象素之间的聚类分析进行聚类运算，以实现道路图像的分割。

1、写出K-均值聚类算法的基本步骤, 算法：

第一步：选K个初始聚类中心，z1(1)，z2(1)，…，zK(1)，其中括号内的序号为寻找聚类中心的迭代运算的次序号。聚类中心的向量值可任意设定，例如可选开始的K个模式样本的向量值作为初始聚类中心。第二步：逐个将需分类的模式样本{x}按最小距离准则分配给K个聚类中心中的某一个zj(1)。假设i=j时，Dj(k)min{xzi(k),i1,2,K}，则xSj(k)，其中k为迭代运算的次序号，第一次迭代k=1，Sj表示第j个聚类，其聚类中心为zj。第三步：计算各个聚类中心的新的向量值，zj(k+1)，j=1,2,…,K zj(k1)1NjxSj(k)x,j1,2,,K 求各聚类域中所包含样本的均值向量：

其中Nj为第j个聚类域Sj中所包含的样本个数。以均值向量作为新的聚类中心，JjxSj(k)xzj(k1),2j1,2,,K可使如下聚类准则函数最小：

在这一步中要分别计算K个聚类中的样本均值向量，所以称之为K-均值算法。第四步：若zj(k若zj(k 1)zj(k)，j=1,2,…,K，则返回第二步，将模式样本逐个重新分类，重复迭代运算；

1)zj(k)，j=1,2,…,K，则算法收敛，计算结束。

T线性分类器三种最优准则：

wSFisher准则：maxJ(w)wSwFTb>>n）的条件下，可以使用分支定界法以减少计

m算量。

15、散度Jij越大，说明i类模式与j类模式的分布（差别越大）；当i类模式与j类模式的分布相同时，Jij=（0）。

16、影响聚类算法结果的主要因素有（②分类准则 ③特征选取 ④模式相似性测度。）。

19、模式识别中，马式距离较之于欧式距离的优点是（③尺度不变性 ④考虑了模式的分布）。20、基于二次准则函数的H-K算法较之于感知器算法的优点是（①可以判别问题是否线性可分 ③其解的适应性更好）。

21、影响基本C均值算法的主要因素有（④初始类心的选取 ①样本输入顺序 ②模式相似性测度）。

22、位势函数法的积累势函数K(x)的作用相当于Bayes判决中的（②后验概率 ④类概率密度与先验概率的乘积）。

23、统计模式分类问题中，当先验概率未知时，可使用（②最小最大损失准则 ④N-P判决）

24、在（①Cn>>n,（n为原特征个数，d为要选出的特征个数）③选用的可分性判据J对特征数目单调不减）情况下，用分支定界法做特征选择计算量相对较少。

25、散度JD是根据（③类概率密度）构造的可分性判据。

26、似然函数的概型已知且为单峰，则可用（①矩估计②最大似然估计③Bayes估计 ④Bayes学习⑤Parzen窗法）估计该似然函数。

27、Kn近邻元法较之Parzen窗法的优点是（②稳定性较好）。

28、从分类的角度讲，用DKLT做特征提取主要利用了DKLT的性质：（①变换产生的新分量正交或不相关③使变换后的矢量能量更趋集中）。

29、一般，剪辑k-NN最近邻方法在（①样本数较大）的情况下效果较好。d29、如果以特征向量的相关系数作为模式相似性测度，则影响聚类算法结果的主要因素有（②分类准则 ③特征选取）。30、假设在某个地区细胞识别中正常（w1）和异常（w2）两类先验概率分别为 P(w1)=0.9，P(w2)=0.1，现有一待识别的细胞，其观察值为x，从类条件概率密度分布曲线上查得P(xw1)0.2，P(xw2)0.4，并且已知110，126，211，220