李威霖
- 作品数：8 被引量：54H指数：5
- 供职机构：西南交通大学机械工程学院更多>>
- 发文基金：中央高校基本科研业务费专项资金国家科技重大专项更多>>
- 相关领域：机械工程自动化与计算机技术金属学及工艺更多>>
- 不完备先验知识下的刀具磨损状态评估方法研究被引量：6
- 2015年
- 在实际切削加工中刀具磨损的全状态先验知识获取困难,而刀具磨钝状态下的先验知识则较易获取。针对这种不完备先验知识情况,以切削力为监测信号,提出基于连续隐马尔可夫模型(CHMM)的刀具磨损状态评估技术。应用小波包分解技术提取信号特征信息,利用刀具磨钝状态下的先验归一化特征信息建立CHMM监测模型;根据刀具未知状态特性向量与监测模型间的对数似然度获取刀具性能指标,实现刀具磨损状态评价。铣刀全寿命磨损实验表明:该方法能在仅具备磨钝状态先验知识情况下,实现对刀具的磨损状态的初步评估,且所需样本数较少,训练速度快。
- 张尔卿傅攀李威霖
- 关键词：隐马尔可夫模型小波包分析不完备数据
- CHMM在滚动轴承故障诊断中的应用研究被引量：5
- 2013年
- 针对神经网络模型需求训练样本量大以及大部分神经网络处理的是静态模式识别的问题,提出一种具有良好分类能力的动态模式识别方法——连续混合高斯概率密度隐马尔科夫模型(CGHMM)。以滚动轴承为研究对象,首先通过小波包分解方法提取振动信号的特征参数,然后利用主元分析(Principal Component Analysis,PCA)对提取的特征参数进行优化降维,实现对模型输入数据的简化,进而利用简化的特征值矩阵分别训练各个状态的CGHMM,最后利用训练好的CGHMM进行滚动轴承的状态监测与故障诊断。实验结果表明,该方法不仅可以智能识别滚动轴承状态,而且所需样本数较少,训练速度快,对实现滚动轴承智能化在线状态监测与故障诊断具有重要意义。
- 郑晴晴傅攀李威霖
- 关键词：隐马尔科夫模型主元分析小波包分解滚动轴承
- 基于粒子群优化LS-SVM的车刀磨损量识别技术研究被引量：14
- 2014年
- 刀具的磨损状态直接影响产品加工质量、成本和效率,对刀具磨损量的实时监测识别具有重要意义。针对刀具磨损状态先验样本少和常规神经网络识别模型收敛速度慢、易陷入局部极小值等问题,提出了基于最小二乘支持向量机(LS-SVM)的刀具磨损识别方法,并针对支持向量机的惩罚因子和核参数对模型识别精度影响较大的问题,提出一种根据个体适应度来调整惯性权重的自适应粒子群算法进行自动参数寻优。以车削加工为研究对象,采集加工过程中的切削力信号,应用小波包分析技术提取反映刀具磨损状态的特征信息作为识别模型的输入,然后利用训练好的自适应粒子群算法优化后的LS-SVM识别模型进行刀具磨损量识别。实验结果表明,该自适应粒子群优化算法比标准粒子群优化算法参数寻优能力更强;粒子群优化LS-SVM模型能高效地实现刀具磨损量识别,与BP神经网络相比具有更高的精度,且所需样本数较少,训练速度更快。
- 李威霖傅攀张尔卿
- 关键词：刀具状态监测小波包分析粒子群优化最小二乘支持向量机
- 基于概率神经网络的轴承状态监测与故障诊断被引量：6
- 2009年
- 介绍了概率神经网络(PNN)的基本原理,并将其应用于轴承的状态监测与故障诊断,将在实验室搭建的简单的轴承故障实验装置获得的数据,结合信号处理、数据分析等方面的知识,对信号进行分析,分别在时域和频域提取不同特征值。再对提出的特征值进行归一化处理和有效性检验,根据特征值的差异性和重复性原则,应用平均值与平均误差值来检验特征值的有效性。把最终的有效特征值作为神经网络的输入,进行PNN网络训练。结果表明,PNN可以克服BP神经网络(BPNN)学习收敛速度慢、易陷入局部极小值等缺点,对传感器测量噪声具有较强的诊断鲁棒性,能够满足故障诊断快速和准确的要求,适用于在线检测,具有实际应用价值。
- 周媛婧李威霖
- 关键词：概率神经网络轴承故障诊断
- 车铣刀具磨损状态监测及预测关键技术研究
- 刀具状态监测是先进制造技术的关键技术之一，是保证不间断生产、实现加工自动化的关键，对提高产品加工质量与效率、保护加工设备、提高制造业水平具有重要意义。论文在深入探讨国内外刀具状态监测研究现状的基础上，以车削和铣削加工刀具...
- 李威霖
- 关键词：预测技术
- 无先验知识下基于CHMM的刀具磨损监测技术被引量：2
- 2013年
- 切削刀具的状态直接影响工件加工质量、生产率和产品成本,因此在切削加工过程中监测刀具的状态显得尤为重要。针对实际监测系统通常无法获取刀具各磨损退化状态先验知识的情况,以切削力与切削振动为监测信号,提出无先验知识下基于小波包分析与连续隐马尔可夫模型的刀具磨损监测技术。应用小波包分析技术提取信号特征信息,采用S函数实现特征值归一化处理。利用监测过程中的刀具正常状态下归一化特征信息建立基于连续隐马尔可夫模型的监测模型;根据刀具未知状态特性向量与监测模型间的对数似然度获取刀具性能指标PV,实现刀具磨损状态评价。采用铣刀磨损全寿命数据来验证该方法的有效性,实验结果表明:该方法能在无先验知识的情况下对刀具的健康状态进行较为准确的评估,且所需样本数较少,训练速度快。该技术对实现无先验知识下的刀具智能化在线状态监测具有重要意义。
- 李威霖傅攀李晓晖
- 关键词：刀具状态监测隐马尔可夫模型小波包分析
- 钛合金车削加工过程中刀具磨损状态监测的小波包子带能量变换特征提取新方法被引量：4
- 2011年
- 在小波包分析的基础上,提出对小波包子带能量特征抽取的新算法。考虑到小波包能量子带的动态特性和统计特性可以作为刀具磨损状态识别特征提取的来源,提出将小波包子带能量相对比率、小波包子带能量相对比率的变化值、小波包子带能量相对比率的变化值的统计偏差(能量距)作为三个新特征值。建立刀具磨损状态监测实验平台,采集刀具三维力反馈、振动信号作为监测信号。按常规特征抽取方法和本研究中提出的方法抽取特征值,形成网络训练、识别特征值空间。用梯度下降法训练建立BP人工神经网络,对刀具四种磨损状态进行识别,验证小波包子带能量变换提取到的特征的有效性。
- 陈侃傅攀李威霖曹伟青
- 关键词：刀具磨损模式识别
- 卡尔曼滤波修正LS-SVM的刀具磨损识别技术研究被引量：3
- 2015年
- 针对刀具磨损状态先验样本少和常规神经网络识别模型收敛速度慢、易陷入局部极小值等问题,提出了基于最小二乘支持向量机(LS-SVM)的刀具磨损量识别技术,并针对模型输出存在系统误差而降低刀具磨损量识别精度的问题,引入卡尔曼滤波算法对时序监测结果进行修正,实现小样本下的刀具磨损量的精确识别。以车削加工为研究对象,采集加工过程中的切削力信号,应用小波包分析技术提取反映刀具磨损状态的特征信息,作为LS-SVM的输入样本,并对模型进行学习训练,完成对刀具磨损状态的识别,最后采用卡尔曼滤波修正其时序监测结果。实验结果表明:LS-SVM模型能高效地实现刀具磨损量识别,需样本数较少,训练速度快,通过卡尔曼滤波修正后的磨损量识别结果精度更高。
- 李威霖傅攀曹伟青
- 关键词：刀具状态监测小波分析支持向量机卡尔曼滤波
