基于贝叶斯网络的切削加工表面粗糙度在线监测方法

被引：9

作者：

王明微 ^{[1
]}

周竞涛 ^{[1
]}

敬石开 ^{[2
]}

田国良 ^{[1
]}

机构：

[1] 西北工业大学现代设计与集成制造技术教育部重点实验室

[2] 北京理工大学机械与车辆学院

来源：

计算机集成制造系统 | 2014年 / 20卷 / 12期

基金：

中央高校基本科研业务费专项资金资助;

关键词：

表面粗糙度监测; 贝叶斯网络; 传感器信号特征; 机器学习; 切削加工;

D O I：

10.13196/j.cims.2014.12.018

中图分类号：

TP18 [人工智能理论]; TP274 [数据处理、数据处理系统];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ; 0804 ; 080401 ; 080402 ; 081002 ;

摘要：

针对加工过程中各种因素对表面粗糙度影响的不确定性,提出一种基于贝叶斯网络的表面粗糙度监测模型。直接从切削力和工件振动的传感器监测信号提取时域和频域能量特征,基于贝叶斯网络学习过程挖掘出表面粗糙度状态与信号特征的关联关系,从而根据粗糙度值域的概率分布得到监测结果。通过铣削加工过程的粗糙度监测实验验证了所提模型的有效性。

引用

页码：3075 / 3081

页数：7

共 11 条

[1] 金属切削表面粗糙度在线监测研究现状
王顺钦
高延峰
陶镛光
[J]. 山东理工大学学报(自然科学版), 2013, 27 (02) : 34 - 37
[2] 知识建模和数据挖掘融合的粗糙度预测新方法
翟敬梅
应灿
徐晓
[J]. 计算机集成制造系统, 2012, 18 (05) : 1046 - 1053
[3] 基于监测信号特征的批量钻削工序质量研究
周友行
董银松
张海华
唐稳庄
[J]. 世界科技研究与发展, 2010, 32 (05) : 569 - 572+592
[4] 基于贝叶斯网络的数控机床热误差建模
吴雄彪
姚鑫骅
傅建中
[J]. 中国机械工程, 2009, 20 (03) : 293 - 296
[5] 基于小波包技术的刀具振动分析及表面粗糙度预测[D]. 李浩.山东大学. 2013
[6] A Bayesian network for burr detection in the drilling process
Ferreiro, Susana
Sierra, Basilio
Irigoien, Itziar
Gorritxategi, Eneko
[J]. JOURNAL OF INTELLIGENT MANUFACTURING, 2012, 23 (05) : 1463 - 1475
[7] A review of machining monitoring systems based on artificial intelligence process models
Jose Vicente Abellan-Nebot
Fernando Romero Subirón
[J]. The International Journal of Advanced Manufacturing Technology, 2010, 47 : 237 - 257
[8] A Bayesian network model for surface roughness prediction in the machining process
Correa, M.
Bielza, C.
Ramirez, M. de J.
Alique, J. R.
[J]. INTERNATIONAL JOURNAL OF SYSTEMS SCIENCE, 2008, 39 (12) : 1181 - 1192
[9] Optimal cutting condition determination for desired surface roughness in end milling
Chakguy Prakasvudhisarn
Siwaporn Kunnapapdeelert
Pisal Yenradee
[J]. The International Journal of Advanced Manufacturing Technology, 2009, 41 : 440 - 451
[10] Learning Bayesian networks: The combination of knowledge and statistical data[J] . David Heckerman,Dan Geiger,David M. Chickering.Machine Learning . 1995 (3)

← 1 2 →