CN112975574B - 一种铝合金薄壁件铣削过程表面质量在线检测*** - Google Patents

一种铝合金薄壁件铣削过程表面质量在线检测*** Download PDF

Info

Publication number
CN112975574B
CN112975574B CN202110432959.2A CN202110432959A CN112975574B CN 112975574 B CN112975574 B CN 112975574B CN 202110432959 A CN202110432959 A CN 202110432959A CN 112975574 B CN112975574 B CN 112975574B
Authority
CN
China
Prior art keywords
cutting force
noise
time
spectrogram
signal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110432959.2A
Other languages
English (en)
Other versions
CN112975574A (zh
Inventor
徐雷
王鑫
肖乃鑫
陈树梁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan University
Original Assignee
Sichuan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sichuan University filed Critical Sichuan University
Priority to CN202110432959.2A priority Critical patent/CN112975574B/zh
Publication of CN112975574A publication Critical patent/CN112975574A/zh
Application granted granted Critical
Publication of CN112975574B publication Critical patent/CN112975574B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
    • B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
    • B23Q17/0966—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining by measuring a force on parts of the machine other than a motor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
    • B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
    • B23Q17/098—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining by measuring noise

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种铝合金薄壁件铣削过程表面质量在线检测***，包括依次连接的数据采集模块、时谱图生成模块、频谱图生成模块和表面质量在线检测模块；所述时谱图生成模块与表面质量在线检测模块连接，所述表面质量在线检测模块包括训练好的4个并行的Resnet18网络模型、以及Resnet18网络模型的输出端依次连接的全连接层和softmax层。本发明使用铣削过程中采集到切削力信号和噪声信号，进行小波包分解与重构、以及傅里叶变换；再将处理过后的信号输入到训练好的基于Resnet18的神经网络中获取表面残余应力，实现铝合金薄壁件铣削过程中实现表面质量在线检测；具有检测难度低、检测效果好等优点。

Description

一种铝合金薄壁件铣削过程表面质量在线检测***
技术领域
本发明涉及铝合金薄壁件制造领域，具体涉及一种铝合金薄壁件铣削过程表面质量在线检测***。
背景技术
在高端装备制造领域，铝合金薄壁件是不可或缺的重要零部件，其表面的平整度对设备有着重要的影响。因此，在制造铝合金薄壁件的最后一个环节就是对铝合金薄壁件表面的平整度的检测，通常都是采用抽检的方式对一批铝合金薄壁件进行检测，这种检测方式存在次品漏检、检测困难、检测成本高等问题。也有作者提出基于图像识别缺陷方法对铝合金表面质量进行检测，但是因为铝合金表面光洁度高，反光严重，采集的图像细节会被高光覆盖，导致基于图像识别缺陷算法的检测难度大、检测效果差等缺点。
发明内容
本发明的目的在于提供一种铝合金薄壁件铣削过程表面质量在线检测***，该***可对在线对铝合金薄壁件表面进行检测，检测难度小、检测效果好。
为实现上述目的，本发明采用如下技术方案：
一种铝合金薄壁件铣削过程表面质量在线检测***，包括依次连接的数据采集模块、时谱图生成模块、频谱图生成模块和表面质量在线检测模块；所述时谱图生成模块与表面质量在线检测模块连接；
所述数据采集模块用于采集铝合金薄壁件铣削过程中的切削力信号和噪音信号；
所述时谱图生成模块用于将切削力信号和噪音信号进行分解与重构处理后获得切削力时谱信号和噪音时谱信号，并分别根据切削力时谱信号和噪音时谱信号生成切削力时谱图和噪音时谱图，所述分解与重构处理采用小波包变换实现；
所述频谱图生成模块用于将切削力时谱信号和噪音时谱信号进行时频转换后获得切削力频谱信号和噪音频谱信号，并分别根据切削力频谱信号和噪音频谱信号生成切削力频谱图和噪音频谱图，所述时频转换采用快速傅里叶变换实现；
所述表面质量在线检测模块用于根据所述切削力时谱图、噪音时谱图、切削力频谱图和噪音频谱图获取表面残余应力区间，并根据所述表面残余应力区间实现对铝合金表面质量在线检测，所述表面质量在线检测模块包括训练好的4个并行的Resnet18网络模型、以及Resnet18网络模型的输出端依次连接的全连接层和softmax层。
进一步地，所述数据采集模块包括用于采集切削力信号的切削力测试仪和用于采集噪音信号的音频采集器。
进一步地，所述切削力信号和噪音信号的采样频率大于铣削过程中的铣刀的转速与铣刀的刀刃数量两者的乘积。
进一步地，所述时谱图生成模块对切削力信号和噪音信号分解，具体按照如下公式进行：
Figure 273770DEST_PATH_IMAGE002
式中，WPS n （j） (τ,f)是分解得到的n个时频分量信号，n属于[0,2P-1]，P为阶数；j为第k层小波包分解数；u n (t)为小波包基函数；S n (j) 为小波包分量；t为时间；f为采样频率；τ为输入信号的相位；
对分解后的时频分量信号进行重构，具体按照如下公式进行：
Figure 581123DEST_PATH_IMAGE004
式中，WPS n （j） (τ,f)是分解得到的n个时频分量信号，n属于[0,2P-1]，P为阶数；WPS （j） (τ,f)为将n个时频分量信号重构后的时频信号。
进一步地，所述表面质量在线检测模块是通过如下步骤训练获得：
（1）采集铝合金薄壁件铣削过程中的切削力信号、噪音信号和表面残余应力值，对切削力信号和噪音信号进行截取，再将所述表面残余应力值分为n个不重叠的区间；
（2）将切削力信号和噪音信号进行分解与重构处理后获得切削力时谱信号和噪音时谱信号，并分别根据切削力时谱信号和噪音时谱信号生成切削力时谱图和噪音时谱图，所述分解与重构处理采用小波包变换实现；
（3）将切削力时谱信号和噪音时谱信号进行时频转换后获得切削力频谱信号和噪音频谱信号，并分别根据切削力频谱信号和噪音频谱信号生成切削力频谱图和噪音频谱图；所述时频转换采用快速傅里叶变换实现；
（4）将切削力时谱图、噪音时谱图、切削力频谱图和噪音频谱图与对应的表面残余应力值所在区间进行标记；并将标记后的切削力时谱图、噪音时谱图、切削力频谱图和噪音频谱图划分为训练集、校验集和测试集，训练集、校验集和测试集的比例为10:1:1；
（5）将训练集输入至表面质量在线检测模块内进行训练，再将校验集输入至训练后的表面质量在线检测模块内进行校验，最后将测试集输入校验后的表面质量在线检测模块进行测试，直到校验后的表面质量在线检测模块输出结果为测试集对应的表面残余应力区间内，获得训练好的表面质量在线检测模块。
进一步地，步骤（5）中将训练集输入至表面质量在线检测模块内进行训练，训练过程中的调节学习率：
Figure 95281DEST_PATH_IMAGE005
式中，decayrate为衰减率，epoch_num为循环次数，α 0 为初始学习率。
本发明利用大量的切削力信号、噪音信号以及对应的表面残余应力训练基于Resnet18的神经网络模型，可通过切削力信号和噪音信号实现对铝合金薄壁件表面残余应力的检测，进而实现对表面质量检测，提高检测效果，经试验验证，本发明的表面质量检测的有效率可高达95%以上。
附图说明
图1为本发明的结构示意图。
图2为本发明的小波包变换前后的对比图；其中，（a）切削力信号图；（b）重构后的切削力信号图；（c）噪音信号图；（d）重构后的噪音信号图。
图3为本发明的切削力信号经过快速傅里叶变换后的频域图。
图4为本发明的噪音信号经过快速傅里叶变换后的频域图。
图5为本发明的表面质量在线检测模块结构示意图。
具体实施方式
实施例1
如图1所示，本实施例提供的一种铝合金薄壁件铣削过程表面质量在线检测***包括数据采集模块、时谱图生成模块、频谱图生成模块和表面质量在线检测模块。
所述数据采集模块用于采集铝合金薄壁件铣削过程中的切削力信号和噪音信号；具体地，采用切削力测试仪采集切削力信号，采用音频采集器采集噪音信号，所述切削力测试仪和音频采集器均安装在铣削机床上并能采集到相应信号，具体根据现场的设备安装，切削力测试仪和音频采集器通过数据传输线与场内的工控机连接，工控机内安装有能实现时谱图生成模块、频谱图生成模块和表面质量在线检测模块功能的软件程序。
所述时谱图生成模块用于将切削力信号和噪音信号采用小波包变换进行分解与重构处理后获得切削力时谱信号和噪音时谱信号，并分别根据切削力时谱信号和噪音时谱信号生成切削力时谱图和噪音时谱图；具体地，本实施例采用安装在工控机内的matlab来实现对切削力信号和噪音信号的处理，采用matlab实现小波包变换（WPT）分解与重构处理。
所述时谱图生成模块对切削力信号和噪音信号分解，提取切削力信号和噪音信号中的能量高频信号，具体按照如下公式进行：
Figure 647747DEST_PATH_IMAGE006
式中，WPS n （j） (τ,f)是分解得到的n个时频分量信号，n属于[0,2P-1]，P为阶数；j为第k层小波包分解数；u n (t)为小波包基函数；S n (j) 为小波包分量；t为时间；f为采样频率；τ为输入信号的相位；
对分解后的时频分量信号进行重构，具体按照如下公式进行：
Figure 399803DEST_PATH_IMAGE007
式中，WPS n （j） (τ,f)是分解得到的n个时频分量信号，n属于[0,2P-1]，P为阶数；WPS （j） (τ,f)为将n个时频分量信号重构后的时频信号。
小波包分解与重构后的切削力信号和噪音信号的时域图如图2和图3所示，图2中（a）切削力信号图，（b）重构后的切削力信号图，（c）噪音信号图，（d）重构后的噪音信号图；去除了信号中的噪音信号，保护信号的能量高频信号。
所述频谱图生成模块用于将切削力时谱信号和噪音时谱信号进行时频转换后获得切削力频谱信号和噪音频谱信号，并分别根据切削力频谱信号和噪音频谱信号生成切削力频谱图和噪音频谱图；时频转换采用快速傅里叶变换实现，切削力频谱图和噪音频谱图X、Y坐标轴取对数刻度，X轴范围取1~10000，Y轴范围取0.1~1000，如图3所示。
所述表面质量在线检测模块用于根据所述切削力时谱图、噪音时谱图、切削力频谱图和噪音频谱图获取表面残余应力区间，并根据所述表面残余应力区间实现对铝合金表面质量在线检测。
如图5所示，所述表面质量在线检测模块包括训练好的4个并行的Resnet18网络模型、以及Resnet18网络模型的输出端依次连接的全连接层和softmax层，所述Resnet18网络模型采用现有技术的Resnet18网络模型结构，且每个Resnet18网络模型均设有一个输入端和一个输出端，每个输入端对应输入图像，所述图像包括切削力时谱图、噪音时谱图、切削力频谱图和噪音频谱图；输入图像大小为224×224，四个Resnet18网络模型的输出端均与全连接层连接。
所述表面质量在线检测模块是通过大量的数据（切削力信号、噪音信号以及对应的表面残余应力）训练获取的，具体训练步骤如下：
（1）采集铝合金薄壁件铣削过程中大量的切削力信号、噪音信号和表面残余应力值，对切削力信号和噪音信号进行截取处理，假如获取的信号长度为100s，截取成每10s一段，总共10段，再将表面残余应力值分为n个不重叠的区间，具体将将残余应力值划分为0~20MPa、20~40MPa、40~60MPa、60~80MPa、80~100MPa、100~120MPa、120~140MPa、140~160MPa、160~180MPa、180~200MPa，10个不同类别的区间，图5中n与划分的区间个数相同；
（2）将切削力信号和噪音信号采用小波包变换进行分解与重构处理后获取切削力时谱信号和噪音时谱信号，并分别根据切削力时谱信号和噪音时谱信号生成切削力时谱图和噪音时谱图；
（3）将切削力时谱信号和噪音时谱信号采用快速傅里叶变换进行时频转换后获取切削力频谱信号和噪音频谱信号，并分别根据切削力频谱信号和噪音频谱信号生成切削力频谱图和噪音频谱图；
（4）将切削力时谱图、噪音时谱图、切削力频谱图和噪音频谱图与对应的表面残余应力值所在区间进行标记，标记是指同一时间切削力时谱图、噪音时谱图、切削力频谱图和噪音频谱图与对应的检测表面残余应力值做相同标记，假设将10~20s采集的切削力信号和噪音信号转换后获得切削力时谱图、噪音时谱图、切削力频谱图和噪音频谱图以及对应采集的表面残余应力值进行标记，表示该切削力时谱图、噪音时谱图、切削力频谱图和噪音频谱图应当输出的表面残余应力值；并将标记后的切削力时谱图、噪音时谱图、切削力频谱图和噪音频谱图按照比例为10:1:1划分为训练集、校验集和测试集；划分是将任意一组标记后的切削力时谱图、噪音时谱图、切削力频谱图和噪音频谱图与对应的表面残余应力排列在训练集、校验集和测试集其中一集中；
（5）将训练集输入至表面质量在线检测模块内进行训练，在训练过程中，自适应的调节学习率为
Figure 878057DEST_PATH_IMAGE008
式式中，decayrate为衰减率，epoch_num为循环次数，α 0 为初始学习率。
训练过程中的mini_batch大小根据数据集大小，在32、64、128、256中进行选择；训练过程中引入L2正则化来防止模型过拟合；为了防止出现梯度***或梯度消失，训练过程中使用ReLU作为激活函数；为了防止过拟合，训练过程中dropout取0.5；训练过程中的loss函数为：
Figure 833506DEST_PATH_IMAGE009
其中p(x)为期望输出，q(x)为实际输出。
假设总共有i个样本， i个样本具体划分为n类训练数据，属性数为T，给定测试输入为x，输出为y，针对某一类别j估算的概率值为P(y=j│x)，则所估算的每一类别的概率值为：
Figure 173352DEST_PATH_IMAGE010
式中，hθ(x(i))为输出结果；θj为输出表面残余应力区间j时所涉及的网络参数，θ1为输出表面残余应力区间１时所涉及的网络参数，θ为网络中所有参数集合；x（i）为输入的样本，输入为切削力信号，那么x（i）为切削力样本，x(1)为第一个切削力样本；y为输出，输入为切削力信号，那么y（i）为切削力样本所在的表面残余应力区间，y(1)为第一个切削力样本所在的表面残余应力区间；P(y=j│x) 为针对某一类别j估算的概率值，P(y（1）=1│x(1); θ)为输入x(i)输出为表面残余应力区间1的概率，通过计算的概率输出结果，一个4个样本为例，就会输出4个表面应力区间，分别为1、2、3、4，概率最高的表面应力区间为最终输出的表面应力区间，则为输出的表面应力区间值，T为属性数，
Figure 29181DEST_PATH_IMAGE011
为输出为1时提取特征属性数为T时的网络参数；
Figure 960228DEST_PATH_IMAGE012
对概率分布进行归一化，使得所有概率之和为1。
再将校验集输入至训练后的表面质量在线检测模块内进行校验，最后将测试集输入校验后的表面质量在线检测模块进行测试，直到校验后的表面质量在线检测模块输出结果为测试集对应的表面残余应力区间内，获得训练好的表面质量在线检测模块。
以上所述仅是本发明优选的实施方式，但本发明的保护范围并不局限于此，任何基于本发明所提供的技术方案和发明构思进行的改造和替换都应涵盖在本发明的保护范围内。

Claims (5)

1.一种铝合金薄壁件铣削过程表面质量在线检测***，其特征在于：包括依次连接的数据采集模块、时谱图生成模块、频谱图生成模块和表面质量在线检测模块；所述时谱图生成模块与表面质量在线检测模块连接；
所述数据采集模块用于采集铝合金薄壁件铣削过程中的切削力信号和噪音信号；
所述时谱图生成模块用于将切削力信号和噪音信号进行分解与重构处理后获得切削力时谱信号和噪音时谱信号，并分别根据切削力时谱信号和噪音时谱信号生成切削力时谱图和噪音时谱图，所述分解与重构处理采用小波包变换实现；
所述频谱图生成模块用于将切削力时谱信号和噪音时谱信号进行时频转换后获得切削力频谱信号和噪音频谱信号，并分别根据切削力频谱信号和噪音频谱信号生成切削力频谱图和噪音频谱图，所述时频转换采用快速傅里叶变换实现；
所述表面质量在线检测模块用于根据所述切削力时谱图、噪音时谱图、切削力频谱图和噪音频谱图获取表面残余应力区间，并根据所述表面残余应力区间实现对铝合金表面质量在线检测，其中，所述表面质量在线检测模块包括训练好的4个并行的Resnet18网络模型、以及Resnet18网络模型的输出端依次连接的全连接层和softmax层，其中，所述表面质量在线检测模块是通过如下步骤训练获得：
(1)采集铝合金薄壁件铣削过程中的切削力信号、噪音信号和表面残余应力值，对切削力信号和噪音信号进行截取，再将所述表面残余应力值分为n个不重叠的区间；
(2)将切削力信号和噪音信号进行分解与重构处理后获得切削力时谱信号和噪音时谱信号，并分别根据切削力时谱信号和噪音时谱信号生成切削力时谱图和噪音时谱图，所述分解与重构处理采用小波包变换实现；
(3)将切削力时谱信号和噪音时谱信号进行时频转换后获取切削力频谱信号和噪音频谱信号，并分别根据切削力频谱信号和噪音频谱信号生成切削力频谱图和噪音频谱图；所述时频转换采用快速傅里叶变换实现；
(4)将切削力时谱图、噪音时谱图、切削力频谱图和噪音频谱图与对应的表面残余应力值所在区间进行标记；并将标记后的切削力时谱图、噪音时谱图、切削力频谱图和噪音频谱图划分为训练集、校验集和测试集，训练集、校验集和测试集的比例为10:1:1；
(5)将训练集输入至表面质量在线检测模块内进行训练，再将校验集输入至训练后的表面质量在线检测模块内进行校验，最后将测试集输入校验后的表面质量在线检测模块进行测试，直到校验后的表面质量在线检测模块输出结果为测试集对应的表面残余应力区间内，获得训练好的表面质量在线检测模块。
2.根据权利要求1所述的一种铝合金薄壁件铣削过程表面质量在线检测***，其特征在于：所述数据采集模块包括用于采集切削力信号的切削力测试仪和用于采集噪音信号的音频采集器。
3.根据权利要求1或2所述的一种铝合金薄壁件铣削过程表面质量在线检测***，其特征在于：所述切削力信号和噪音信号的采样频率大于铣削过程中的铣刀的转速与铣刀的刀刃数量两者的乘积。
4.根据权利要求1所述的一种铝合金薄壁件铣削过程表面质量在线检测***，其特征在于：所述时谱图生成模块对切削力信号和噪音信号分解，具体按照如下公式进行：
Figure FDA0003133448660000021
式中，WPSn (j)(τ,f)是分解得到的n个时频分量信号，n属于[0,2P-1]，P为阶数；j为第k层小波包分解数；un(t)为小波包基函数；Sn (j)为小波包分量；t为时间；f为采样频率；τ为输入信号的相位；
对分解后的时频分量信号进行重构，具体按照如下公式进行：
Figure FDA0003133448660000022
式中，WPSn (j)(τ,f)是分解得到的n个时频分量信号，n属于[0,2P-1]，P为阶数；WPS(j)(τ,f)为将n个时频分量信号重构后的时频信号。
5.根据权利要求1所述的一种铝合金薄壁件铣削过程表面质量在线检测***，其特征在于：步骤(5)中将训练集输入至表面质量在线检测模块内进行训练，训练过程中的调节学习率：
Figure FDA0003133448660000023
式中，decayrate为衰减率，epoch_num为循环次数，α0为初始学习率。
CN202110432959.2A 2021-04-22 2021-04-22 一种铝合金薄壁件铣削过程表面质量在线检测*** Active CN112975574B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110432959.2A CN112975574B (zh) 2021-04-22 2021-04-22 一种铝合金薄壁件铣削过程表面质量在线检测***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110432959.2A CN112975574B (zh) 2021-04-22 2021-04-22 一种铝合金薄壁件铣削过程表面质量在线检测***

Publications (2)

Publication Number Publication Date
CN112975574A CN112975574A (zh) 2021-06-18
CN112975574B true CN112975574B (zh) 2021-07-30

Family

ID=76341584

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110432959.2A Active CN112975574B (zh) 2021-04-22 2021-04-22 一种铝合金薄壁件铣削过程表面质量在线检测***

Country Status (1)

Country Link
CN (1) CN112975574B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113744756A (zh) * 2021-08-11 2021-12-03 浙江讯飞智能科技有限公司 设备质检及音频数据扩充方法和相关装置、设备、介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1300558C (zh) * 2002-03-14 2007-02-14 株式会社堀场制作所 应力测定方法及应力测定装置
US20080047347A1 (en) * 2006-08-24 2008-02-28 Kabushiki Kaisha Toshiba Ultrasonic stress measuring apparatus
US9489620B2 (en) * 2014-06-04 2016-11-08 Gm Global Technology Operations, Llc Quick analysis of residual stress and distortion in cast aluminum components
CN105913122A (zh) * 2015-09-09 2016-08-31 广东技术师范学院 基于混合田口遗传算法的精车轴套表面残余应力预测方法
CN105689405B (zh) * 2016-01-28 2018-02-02 燕山大学 一种冷轧带材在线目标板形的智能设定方法
CN109739178B (zh) * 2019-01-21 2021-05-07 南京航空航天大学 一种监测数据驱动的工件加工变形在线预测方法
CN109828532B (zh) * 2019-01-29 2021-12-28 贵州大学 一种基于ga-gbrt的表面粗糙度预测方法及工艺参数优化方法
CN110598299B (zh) * 2019-09-04 2021-04-30 北京理工大学 一种基于传感器融合与深度学习的表面完整性评价方法
CN111401623A (zh) * 2020-03-12 2020-07-10 重庆大学 一种基于bp神经网络的喷丸强化表面完整性预测方法
CN111964817B (zh) * 2020-07-08 2022-04-29 中国特种设备检测研究院 基于磁巴克豪森噪声的平面应力确定方法及装置

Also Published As

Publication number Publication date
CN112975574A (zh) 2021-06-18

Similar Documents

Publication Publication Date Title
CN108426713B (zh) 基于小波变换和深度学习的滚动轴承微弱故障诊断方法
CN107894564B (zh) 一种基于交叉小波特征的模拟电路故障诊断方法
CN108168891B (zh) 滚动轴承微弱故障信号特征的提取方法及设备
Lei et al. EEMD method and WNN for fault diagnosis of locomotive roller bearings
CN112200244B (zh) 一种基于递阶对抗训练的航天发动机异常智能检测方法
CN101614786B (zh) 基于frft和ifsvc的功率电子电路在线智能故障诊断方法
CN111238843B (zh) 一种基于快速谱峭度分析的风机健康评价方法
CN107963239B (zh) 一种基于音频的运载火箭故障检测装置及检测方法
CN109605128B (zh) 一种基于功率谱熵差的铣削颤振在线检测方法
CN109883706A (zh) 一种滚动轴承局部损伤微弱故障特征提取方法
CN109655266A (zh) 一种基于avmd和谱相关分析的风电机组轴承故障诊断方法
CN111855202A (zh) 一种齿轮箱故障诊断方法及***
CN106502850B (zh) 一种稀疏紧框架字典学习模型的多故障辨识方法与装置
CN112975574B (zh) 一种铝合金薄壁件铣削过程表面质量在线检测***
CN216848010U (zh) 一种边缘计算的电缆局放在线监测装置
CN115469179A (zh) 一种海底电缆缺陷定位方法、装置、存储介质及***
CN114611551A (zh) 一种基于小波包能量谱熵的机电故障分类方法
CN113758709A (zh) 结合边缘计算和深度学习的滚动轴承故障诊断方法及***
CN113671037A (zh) 一种支柱绝缘子振动声学信号处理方法
CN112729825A (zh) 基于卷积循环神经网络的轴承故障诊断模型的构建方法
CN110222390B (zh) 基于小波神经网络的齿轮裂纹识别方法
CN117109923A (zh) 一种滚动轴承故障诊断方法及***
CN110160778A (zh) 基于序贯假设检验的齿轮箱故障状态识别方法
CN115830368A (zh) 一种车辆减震器缺陷诊断方法、***、设备及介质
CN116028840A (zh) 最大重叠离散小波包变换时频谱的船用转子故障诊断方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant