张利国
- 作品数：14 被引量：39H指数：4
- 供职机构：沈阳化工学院更多>>
- 发文基金：国家自然科学基金黑龙江省博士后科研启动基金更多>>
- 相关领域：金属学及工艺自动化与计算机技术机械工程经济管理更多>>
- 基于硬态切削力信号刀具切削状态的分析被引量：2
- 2004年
- 阐述了小波分析及小波去噪的基本理论 ,针对付氏变换和短时付氏变换的缺点 ,提出了基于小波变换的切削力信号分析方法。小波多分辨分析能够实现PCBN刀具的切削力信号的任意精度与尺度的时频域分解 ,从而判断PCBN刀具的切削状态 ,根据切削力信号的不同特征及时调整切削参数 ,减少刀具破损的发生 。
- 张利国聂鑫刘献礼
- 关键词：切削力PCBN刀具硬态切削小波去噪小波变换
- 图像检测技术与切屑形态识别技术的研究
- 对切削过程的控制程度是决定自动化加工系统能否正常运转的关键,但是传统的检测方法如切削力、切削温度等都有一定的缺陷,不能适应不同的条件.该文以图像分析理论为基础,针对切屑形态识别和刀具磨损检测进行了研究.该文首先建立了以工...
- 张利国
- 关键词：图像识别图像检测切屑形态刀具磨损
- 文献传递
- 基于遗传算法优化的切屑形态识别方法
- 2005年
- 将遗传算法用于图像模式识别,使用图像的参数模型将图像的模式识别转化为参数的局部优化。试验证明:利用遗传算法对神经网络权值进行优化。
- 张利国于玲张金萍袁巧玲文东辉
- 关键词：识别方法切屑形态图像模式识别遗传算法网络权值
- 汽车助力转向系统流量分析
- 2006年
- 介绍了汽车助力转向器的结构和工作原理,分析了汽车助力转向系统的流量特性和助力转向泵的恒流特性,阐述了造成汽车助力泵能量损失的原因。给出了助力转向系统工作流量和助力泵输出流量之间的匹配关系,为进一步研究开发高效低能耗的助力泵产品提供了理论基础。
- 于玲张利国
- 关键词：转向器助力泵恒流
- 硬质合金刀具切屑形态的RBF神经网络识别被引量：2
- 2002年
- 研究了径向基函数神经网络在硬质合金刀具切屑形态图像识别中的应用 ,提出了面积比、欧拉数、分散度等硬质合金刀具切屑形态图像的几何特征 ,以上述特征作为神经网络的输入矢量 ,利用径向基函数网络 (RBF) ,采用了递推最小二乘法训练该网络。最后开发了相应的计算机程序 ,通过实验验证本算法具有良好的实时处理性和适应性 ,识别率达到 95 % ,有利于硬质合金刀具切削过程的监控和切削参数的优选。
- 张利国刘献礼肖露袁巧玲文东辉
- 关键词：硬质合金刀具切屑形态RBF神经网络图像识别
- 基于单刃刀具和等效切削刃法的流屑角仿真被引量：1
- 2002年
- 将单刃刀具流屑角模型及其预报拓展到圆弧刃刀具中 ,提出了圆弧刀具的流屑角模型。此模型将任意刀具形状剖分为单刃刀具和纯圆弧切削刃两种情况 ,预报结果与 Colwell法比较 ,表明这种方法具有较高的精度 ,可以满足切削过程中切削力预报和切屑控制的需要。
- 肖露刘献礼张利国文东辉
- 关键词：流屑角仿真
- 基于交互模式的冲模标准件库的研究与开发被引量：6
- 2004年
- 针对冲压模设计中需重复使用大量标准件的特点,以VB6.0为开发工具,对三维CAD软件CATIAV5进行二次开发,设计出了标准件库,使标准件的调用实现了参数化,减少了设计中大量重复性工作,简化了设计,提高了效率。
- 张利国文东辉
- 关键词：CATIA参数化标准件
- 零件自动分类的BP神经网络实现
- 2008年
- 为了提高零件识别速度,事先对零件(模板)进行分类,识别时先判别零件属于哪一类然后再在相应类中进行识别。考虑到工件识别时拍摄的是工件实体的投影图,故提出以三维实体建模零件的生成原理进行分类,即将其分成旋转类、拉伸类、扫掠类、混成类,采用适合分类的BP神经网络实现,并根据零件图像特征选取了均值、三阶矩、一致性、熵、不变矩等特征作为训练样本,并作为神经网络的输入,最后以实例证明了这种方法是切实可行的,且其识别准确率高。
- 张金萍刘杰张利国李允公
- 关键词：BP神经网络特征提取
- 利用RBF神经网络识别切屑形态被引量：3
- 2002年
- 针对自动化加工中切屑生成过程的监控问题,研究了径向基函数神经网络在切屑形态图像识别中的应用,提出了面积比,欧拉数,伸长度等切屑形态图像的几何特征.以这些特征作为神经网络的输入矢量,利用径向基函数网络（RBF）,采用了递推最小二乘法训练该网络,并开发了相应的计算机程序.试验证明:此法具有良好的实时处理性和适应性,识别率达到90％.
- 张利国刘献礼肖露袁巧玲
- 关键词：RBF神经网络特征提取图像识别切屑形态
- 基于RBF神经网络的工件模式识别被引量：1
- 2007年
- 为了提高工件识别速度,根据实际待识别零件特征将零件分成两大类(旋转类、拉伸类),并预留了两类可识别零件,由训练速度快、结构简单、识别准确率高的RBF神经网络来实现模式识别,并根据零件图像特征选取了面积比、平滑度、三阶矩、一致性、熵等5个特征为训练样本作为神经网络的输入,实例证明这种方法切实可行,且其训练速度快,识别准确率高。
- 张金萍刘杰张利国李允公
- 关键词：模式识别图像特征
