首页期刊导航|机床与液压
期刊信息/Journal information
机床与液压
机床与液压

闵新和

半月刊

1001-3881

jcy@gmeri.com;jybjb@163.net

020-32385312

510700

广州市黄埔区茅岗路828号

机床与液压/Journal Machine Tool & Hydraulics北大核心CSTPCD
查看更多>>本杂志是国内外公开发行，中文核心科技期刊，中国期刊光盘版源刊，《中国学术期刊文摘》源刊，我国科技论文统计分析用刊。主要介绍液压、气动和控制技术，及其在工厂生产制造、机电工程设计、工程机械中的应用情况；同时也介绍设备使用维修和技术改造、开发方面的最新科研生产成果。此外，本刊还经常报道机电行业技术有关领域的专题综述，技术讲座，国内外发展动态及最新信息。内容坚持理论与实际、普及与提高、国内与国外相结合的原则，具有新颖性、先进性和实用性。是科研院所和企事业单位宣传企业形象的理想窗口，读者是遍布全国的科研、工程技术人员，工厂的技术人员，设备管理、维修人员，企业管理干部，经营促销人员，大专院校师生等。
正式出版
收录年代

    多传感器信息融合的刀具磨损状态智能监测系统

    孙巍伟黄民何一千郭中原...
    222-228页
    查看更多>>摘要：为了提高数控机床刀具磨损状态智能监测的可靠性，提出一种基于多传感器信息融合的刀具磨损状态智能监测方法及系统。利用多种传感器分别采集刀具加工过程中的机床变频器输入电流信号、工件三向振动信号和声信号，然后对采集到的信号进行时域、频域和时频域处理分析。系统自动识别提取出其中与刀具磨损程度相关性较高的敏感特征变量，并利用马氏距离法对敏感特征向量进行分析计算，确定刀具不同状态下的阈值，并据此判断刀具的磨损状态。最后基于上述原理利用QT开发平台研发一套完整的数控机床刀具磨损状态智能监测系统。试验结果表明，该系统能够实时准确地监测出刀具的磨损状态。

    刀具磨损特征提取状态监测多传感器融合

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于EEMD和CNN-SVM的滚动轴承故障诊断

    朱俊杰张清华朱冠华苏乃权...
    229-234页
    查看更多>>摘要：针对滚动轴承振动信号易受外界噪声干扰、传统的故障诊断方法难以提取故障特征以及准确率低等问题，提出一种基于集合经验模态分解(EEMD)和卷积神经网络结合支持向量机(CNN-SVM)的滚动轴承故障诊断方法。利用EE-MD算法对原始振动信号进行分解得到本征模态函数(IMF)分量，再由相关系数筛选最佳分量进行信号重构，得到降噪后的振动信号。将重构降噪后的振动信号转换为二维特征图输入卷积神经网络进行训练提取特征。最后将提取到的稀疏代表特征向量输入到支持向量机进行故障分类。实验结果表明:所提方法能有效降低噪声干扰，便于提取故障特征，与传统的故障诊断方法相比准确率更高，诊断速度更快。

    滚动轴承集合经验模态分解卷积神经网络故障诊断

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    轻量化CNN与时间序列融合识别刀具磨损方法

    孔繁星何腾飞孙皓章
    235-239页
    查看更多>>摘要：针对传统卷积神经网络刀具磨损程度识别方法网络模型体积大、结构复杂以及在线获取刀具磨损图像数据难的问题，提出一种将轻量卷积神经网络应用于刀具磨损程度识别的研究方法。将铣刀加工时产生的力信号与振动信号经格拉姆角场处理转化为图像数据集。再将图像数据分别输入到轻量级卷积神经网络MobilenetV2、MobilenetV3、ShuffleNet模型中进行对比分析。结果表明:在初期磨损和正常磨损阶段使用MobilenetV2，在急剧磨损阶段使用MobilenetV3 对刀具磨损识别效果能够达到最佳。与一般卷积神经网络进行对比表明，轻量化卷积神经网络对刀具磨损识别效果优于一般卷积神经网络。该方法解决了刀具图像数据在线获取困难的问题，增加了信息处理的容错性，能有效减少模型体积和计算量，便于植入嵌入式系统并集成到机床系统中。

    刀具磨损深度学习卷积神经网络格拉姆角场

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    《机床与液压》投稿要求

    240页
      原文链接:
    • NETL
    • NSTL
    • 万方数据