【摘要】 一种内螺纹冷挤压加工质量在线预测方法，其特征是包括在线学习和在线预测两步进行，其中在线学习包括：在加工装置上安装用于检测扭矩和温度的传感器进行信号的采集和将每次加工过程中采集的信号送入计算机中采用泛归一化的处理方法进行特征量的融合，构建出加工过程状态的典型参数集，并根据最终加工产品的质量，确定各加工过程状态下的加工质量，并将加工质量划分成不同的模式状态，计算各模式状态的聚类中心，据此作为下一步实际加工质量预测的依据；在线预测的关键是实时提取反映加工状态的特征值，并与学习阶段建立的模式状态进行比较，预测出工件的加工质量。本发明具有简单易行，效率高，有利于提高内螺纹加工自动化水平的优点。。-官网 【专利类型】发明授权 【申请人】南京航空航天大学 【申请人类型】学校 【申请人地址】210016 江苏省南京市御道街29号 【申请人地区】中国 【申请人城市】南京市 【申请人区县】秦淮区 【申请号】CN201019026122.7 【申请日】2010-03-01 【申请年份】2010 【公开公告号】CN101780488B 【公开公告日】2011-08-03 【公开公告年份】2011 【授权公告号】CN101780488B 【授权公告日】2011-08-03 【授权公告年份】2011.0 【IPC分类号】B21C31/00 【发明人】缪宏; 左敦稳; 张敏; 黎向锋; 沙小伟; 冯海虎 【主权项内容】1.一种内螺纹冷挤压加工质量在线预测方法，其特征是针对同一种类的被加工基材和丝锥应分别采用在线学习和在线预测两步进行，其中在线学习包括： 首先，在加工装置上安装用于检测扭矩和温度的传感器进行信号的采集； 其次，将每次加工过程中采集的信号送入计算机中采用泛归一化的处理方法进行特征量的融合，构建出加工过程状态的典型参数集，并根据最终加工产品的质量，确定各加工过程状态下的加工质量，并将加工质量划分成不同的模式状态，计算各模式状态的聚类中心，据此作为下一步实际加工质量预测的依据； 所述的在线预测包括： 首先，也在加工装置上安装用于检测扭矩和温度的传感器进行信号的采集； 其次，实时提取反映加工状态的特征值，并与学习阶段建立的模式状态进行比较，在模式状态识别过程中采用基于最小风险的类中心欧氏距离法，根据提取的特征值向量与模式中心向量的欧氏距离的分布情况实现对加工状态的模式划分，预测出工件的加工质量；所述的特征量的融合过程为： 对于加工过程典型参数集X，有 X＝{x1，x2，x3，…xN} 其中，x为各加工过程状态的特征向量，有： x＝[M1，T1，M2，T2] 其中，M、T分别为内螺纹冷挤压加工过程中的扭矩和温度，一般地，内螺纹冷挤压加工过程由两道工序组成，分别对应为M1、T1、M2、T2； 对于典型参数集X，其各参数变化范围如下所示： ΔM1＝max(M1)-min(M1) ΔT1＝max(T1)-min(T1) ΔM2＝max(M2)-min(M2) ΔT2＝max(T2)-min(T2) 在特征融合过程中，设max(ΔM1，ΔT1，ΔM2，ΔT2)＝ΔM1，则在泛归一化处理过程，设泛归一化调整向量为Z，有： Z＝[1，ΔM1/ΔT1，ΔM1/ΔM2，ΔM1/ΔT2] 对于任一加工过程状态的特征向量S，其泛归一化可用如下公式进行： S′＝X(1，：)+(S-X(1，：))·*Z。。 【当前权利人】南京航空航天大学 【当前专利权人地址】江苏省南京市御道街29号 【专利权人类型】公立 【统一社会信用代码】12100000466006826U 【引证次数】4.0 【被引证次数】2 【他引次数】4.0 【被自引次数】2.0 【家族引证次数】4.0 【家族被引证次数】8

未经允许不得转载：http://www.zhongzhencnc.com/1785588385.html