公共文化服务平台

共 3 条记录，以下是 1-3

全选清除导出

排序方式：

基于行为表达式的设备可用度分析方法: 2012年; 首先分析了设备运行过程中的不同劣化状态,提出了基于扩展随机Petri网的设备运行、劣化和维修过程建模方法,由于扩展随机Petri网的变迁可适应任意分布,因此所提方法能更加准确地反映设备的运行过程。然后在此基础上,采用基于行为表达式的方法分析了在不同维护策略下的设备可用度和激发速率之间的函数关系,该方法可有效地避免Petri网可达图状态爆炸的问题,使得分析过程更加清晰。最后通过实例分析,证明了该方法的有效性。; 郑蓓蓉薛伟谢晓文

基于主成分分析与C-支持向量机的刀具磨损状态监测被引量：21: 2016年; 为了监测刀具磨损状态,建立了一个基于功率传感器的刀具磨损状态监测系统.提出了一种基于主成分分析(PCA)与C-支持向量机(C-SVM)相结合的刀具磨损状态监测模型.通过功率传感器采集切削过程中的电流和功率信号,采用PCA对采集的参数进行特征提取,选择对刀具磨损状态影响最大的主成分作为C-SVM的输入样本,实现对刀具磨损状态的准确识别.通过数控车床切削实验表明,即使在较少的样本条件下,该方法仍然有效,并与反向传播(BP)神经网络进行了性能比较.; 谢楠马飞段明雷李爱平; 关键词：刀具磨损主成分分析

基于功率传感器的刀具磨损量预测方法被引量：6: 2017年; 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.; 谢楠段明雷高英强郑蓓蓉; 关键词：刀具磨损非支配排序遗传算法

全选清除导出

共1页<1>

国际科技合作与交流专项项目(2012DFG72210)