AVMD Kriging砂轮寿命周期磨削性能在线监测方法

为了对砂轮寿命周期磨削性能进行特征提取与智能识别，课题组提出了一种改进的变分模态分解算法与Kriging模型相结合的砂轮寿命周期磨削性能识别方法AVMD Kriging。首先，通过人工鱼群算法和包络熵适应度函数来优化VMD，以解决VMD中本征模态函数分解个数k和惩罚因子α难以自适应确定的问题；再利用皮尔逊相关系数选取与原始信号相关性最高的本征模态函数并计算其样本熵值组成特征向量，将其输入Kriging模型进行砂轮寿命周期磨削性能识别；最后利用实验采集的声发射数据，将提出的AVMD Kriging方法与传统的KNN模型、Tree模型进行对比。结果表明：AVMD Kriging方法的识别准确率优于KNN模型和Tree模型，能有效提高砂轮寿命周期磨削性能的识别准确率，同时具有较好的泛化能力和鲁棒性。     

基于自适应模糊神经网络的砂轮磨损评估

为实现砂轮磨损状态的实时监测评估，课题组提出了使用自适应模糊神经网络模型对砂轮状态进行监测。通过对磨削过程的振动信号及声发射信号特征值的提取，获得了不同磨损程度砂轮的多特征信号样本；采用多特征信号样本对自适应模糊神经网络进行学习与训练，建立了砂轮磨损状态识别模型；实现了对砂轮磨损状态的准确识别与在线监测。实验表明：基于自适应模糊神经网络的砂轮磨损程度评估系统，测试样本的实际磨损程度和网络判别结果类别相符。该自适应模糊神经网络系统能够对砂轮磨损程度类型准确进行在线评估。     

基于多步误差分离法的主轴回转误差检测方法

为高效快速获得高精密数控铣床主轴工作时的回转误差，笔者提出了基于数理统计法与位移信号的多步误差分离方法。设计了一套包含x向和y向的2个电涡流传感器以及1个光电编码器的测量装置，并使用数据采集卡对传感器和光电编码器进行同步数据采集；设置不同的采样率，使主轴在不同的转速下，每圈的采样点数保持一致；在不借助标准球或者标准棒的情况下对数控铣床的主轴外轮廓进行直接测量，避免标准球或标准棒在安装过程中引入的安装误差和主轴运行时的轴向窜动对测量造成影响；根据误差特性将传感器采集到的混合误差（主轴原始数据）进行逐步分离（消除白噪声和主轴形状误差），最终得到准确的数控铣床主轴回转误差。通过使用美国Lion Precision主轴回转误差分析仪验证了所求主轴回转误差的准确性。该主轴回转误差分离方法能够在不借助标准球或标准棒的情况下，完成对工况下主轴回转误差数据的采集与处理，进而方便、高效地获得比较精确的主轴回转误差。