无心外圆磨削广泛应用各类棒料工件的精加工,其在加工过程中会产生巨大的能量消耗,为提高无心外圆磨削过程的能量效率,主要对磨削过程的工艺参数进行了优化。在考虑磨削功率、表面粗糙度及磨削用量约束的基础上,将砂轮线速度、导轮线速度、导轮架进给速度选为优化变量,以最小能量消耗为优化目标来建立数学模型;提出了蜜蜂进化型遗传算法并结合MATLAB软件对模型进行优化求解,将结果与传统遗传算法进行对比实验,验证了蜜蜂进化型遗传算法的有效性。

在工件的制造过程中,具有多个特征的工件在加工时,其加工特征的能耗属性不同,为了研究在工件不同的加工特征对能耗的影响,创建了面向加工特征的工件制造过程能耗预测模型。首先,将工件看成单个加工特征的集合体,其次对工件特征切削功率的分析,创建有关切削功率的能耗数学模型;然后采用GM(1,1)模型完成工件加工时其切削功率的灰色建模,实现整个工件能耗的预测过程,最后通过对冲床顶支座的加工过程为例,说明了该模型的准确性。

针对数控加工过程能耗现场采集困难,难以实现精确预测的难题,提出了一种多特征数据驱动的数控铣削加工能耗预测方法。首先,对影响数控铣削加工过程能耗的特征属性进行分析,提出了多特征数据采集及处理方法;其次,运用ReliefF的特征选择算法,对能耗预测影响较大的特征数据进行筛选,确定能耗预测的输入特征数据;运用人工蜂群优化BPNN神经网络(ABC-BPNN)的算法对数控铣削加工过程进行能耗预测;最后,通过某工件表面铣削加工案例对所提的方法进行验证,并进行算法对比,说明了所选方法的有效性。

针对数控车削加工过程碳排放影响要素繁多、动态特性复杂的特点,提出了一种基于多维特征数据驱动的数控车削加工过程碳排放预测方法。首先,对数控车削加工过程碳排放特性进行分析,建立了包含原材料消耗、辅助材料消耗、能源消耗和废弃物回收处理的总碳排放量计算模型,确定了碳排放不同维度的影响要素;其次,针对不同影响要素的类型,提出了数控车削加工过程碳排放数据的采集、预处理方法,利用岭回归方法对数据主要特征进行选择提取;再次,以提取的特征数据为自变量,提出了一种基于改进的果蝇-差分进化优化BP神经网络算法的数控车削加工过程碳排放预测模型;最后,通过实验对所提方法和模型的有效性进行了验证。

三相异步电机故障发生率高,用电量大且故障难以早期识别。基于此,提出一种基于模糊熵特征选择和支持向量机(Support Vector Machine,SVM)的故障诊断方法。通过构造故障再现试验,测取其四种不同状态类别的多测点振动信号样本,采用模糊熵计算其模态分量的模糊熵样本值,得到四种不同状态类别的模糊熵故障特征向量。然后,结合支持向量机算法,构建支持向量机分类模型,划分模糊熵特征量训练样本和测试样本。通过构造的SVM模型训练和验证,验证结果表明故障诊断准确度达到97.5%,利用常用的改进BP神经网络诊断方法进行对比,准确度为92.5%,结果表明基于模糊熵特征选择与SVM方法在诊断精度上更高。

针对数控铣床能效影响要素多、要素间关联关系复杂而导致的机床能效等级预测问题,提出一种基于卷积神经网络的数控铣床能效等级预测方法。通过数控机床运行过程能效影响要素分析,从设备、工艺、工件、刀具的维度对影响要素进行了分类;依据不同维度数据的来源,提出数控铣床多维数据的采集与预处理方法;提出基于LeNet-5改进卷积神经网络的数控铣床能效等级预测方法。并通过案例验证了方法的可行性和适用性,最终的训练准确度达到97.29%,在测试集上的准确度达到93.32%,预测结果较好,可以指导设备以及可控参数的选择,有较好的应用前景。

为实现制造业向能源节约型增长方式的转变,运用数控铣床模拟加工能耗预测技术为铣削加工过程中能源的精细管理提供支持,针对数控铣床加工工件能耗消耗预测问题,分析了数控铣床耗能元件,结合数控铣床各耗能元件的能耗特征将其分为负载有关与负载无关两类,建立了数控铣床加工工件的能耗预测模型。通过CAM软件模拟铣削加工过程,自动生成NC代码并解析各耗能元件的运行状态参数信息,提出了解析NC代码预测数控铣床铣削加工能耗的方法。最后,通过一个具体铣削加工实例将预测加工能耗与实际加工能耗进行对比,验证了该数控铣床加工工件能耗预测方法的有效性。

机床的生产加工过程中,会产生大量的碳排放,通过分析机床加工过程的碳排放相关量,预测碳排放值,从而达到降低碳排放的目的;将遗传算法对具有自适应性和函数逼近能力的小波神经网络的参数进行全局优化,来构建遗传小波神经网络模型,对机床加工过程的碳排放进行预测;并通过实验数据将遗传小波神经网络与传统小波神经网络的预测结果进行对比,结果显示,优化后的小波神经网络在机床碳排放的预测结果平均误差为0.48%,均方误差为20.5303,均优于传统神经网络,证实了在机床碳排放预测中遗传小波神经网络相对传统神经网络具有更高的逼近精度;从而能够较为准确地对机床碳排放进行预测和控制。

针对泵车液压泵早期故障特征信号微弱、故障特征难以提取的问题,提出了一种基于符号动力学信息熵与支持向量机（support vector machine,简称SVM）的泵车液压泵故障诊断方法。分别模拟了液压泵9种故障状态,测取了各状态下多测点的振动信号样本值。利用时间序列的符号动力学信息熵,计算各振动信号的符号动力学信息熵Hk,确定了各状态下相应的信息熵特征向量。建立了不同状态特征向量训练集,再结合支持向量机对液压泵故障模式进行诊断与识别,测试结果准确率为98.71%。将该方法与改进的BP（back propagation,简称BP）神经网络诊断结果进行了对比,结果表明该方法的识别率更高,诊断时间更短,适用于现场液压泵故障的在线诊断。