基于动态树理论的刀具磨损监测技术

提出了基于动态树理论的刀具磨损监测方法,通过相关系数法提取传感器信号与刀具磨损最相关的几组特征,并采用具有局部记忆的B样条模糊神经网络建立刀具磨损量与声发射信号、切削力信号和振动信号特征之间的非线性映射关系,构造了任意加工条件下的刀具磨损监测系统,刀具磨损的识别结果由集成神经网络输出。试验结果表明,基于此方法构建的刀具磨损监测系统具有精度高、可靠度强、增殖性好和在线识别速度快等优点,值得工业推广。     

基于长短期记忆神经网络的刀具磨损状态监测

刀具磨损状况的实时检测是目前机床加工状态监测的难点,而对刀具的振动信号分析的常用方法是利用神经网络模型来判断刀具磨损状态。为解决循环神经网络(RNN)模型训练过程中梯度容易消亡的现象,提出基于长短期记忆神经网络的刀具磨损状态在线监测。刀具在进行切削加工时,首先通过加速度传感器采集刀具振动信号,然后对振动信号小波包变换进行分解是让信号通过不同的滤波器进行有条件的选择,由此形成不同的能量值,用作为长短期记忆神经网络的特征输入,从而诊断出刀具磨损状态的3种状态故障;最后利用长短期记忆神经网络模型对处理时间序列的数据有比较好的效果,它可以捕捉长期的依赖关系和非线性动态变化。此外,通过与多层(BP)神经网络和(BP)神经网络故障诊断方法进行比较,结果表明,LSTM网络对刀具磨损状态在线监测更加有效。     

基于人工蜂群-BP神经网络的刀具磨损监测

为了提高刀具磨损状态监测准确度,提出基于人工蜂群-BP神经网络算法的刀具磨损状态监测方法。使用力传感器和振动传感器设计了磨损状态监测平台;使用匹配追踪算法对信号进行了去噪;提取了信号时域、频域、时频域的特征参数,使用核主成分分析法对特征参数进行了降维,确定了反应刀具磨损状态的15个特征参数;提出了人工蜂群-BP神经网络算法的刀具磨损状态识别方法,使用人工蜂群算法优化BP神经网络算法参数;经实验验证,传统BP神经网络识别准确率为78.75%,优化BP神经网络算法识别准确率为100%。     

基于小波多分辨率分析和RBF神经网络的刀具磨损状态识别

刀具磨损监测对于提高加工过程的精度和自动化程度具有重要意义。本文提出一种基于RBF函数神经网络的刀具磨损状态监测模式。该系统利用声发射传感器对切削过程进行监测,采用多分辨率小波分解技术从声发射信号中提取反映刀具磨损的特征向量,并输入RBF神经网络,实现了刀具磨损的自动识别。     

精密数控机床铣刀故障监测方法的研究

刀具在加工过程中不可避免的存在着磨损和破损现象,刀具的消耗直接导致工件精度下降和生产成本增加。开展了一系列实验,深入研究刀具状态监测方法,构建了新型铣削过程刀具磨损监测试验系统。通过振动传感器和声发射传感器对铣削过程中不同磨损程度刀具的信号进行检测、采集、分析。选择对刀具磨损状态反映敏感的特征量。采用BP神经网络,建立刀具磨损特征向量与刀具磨损状态之间的非线性映射关系。     

基于卷积神经网络的铣刀后刀面磨损状态预测方法研究

为了监测高温合金材料加工时的铣刀后刀面磨损状态,提出了基于卷积神经网络的刀具磨损状态预测方法,建立了基于机床主轴电流与功率信号实时监测的刀具磨损状态预测系统。通过建立与机床数控系统的通信,采集加工过程中的电流和功率信号,采用主成分分析法(PAC)对采集的参数进行特征提取,选择对刀具磨损值影响较大的主成分作为卷积神经网络的输入,实现对刀具磨损状态的准确预测。铣削实验结果表明,该方法具有较高的预测准确率。     

基于B样条模糊神经网络的刀具磨损监测

刀具状态监测是实现自动化加工和无人化加工的关键技术。本文使用切削力和声发射传感器监测金属切削过程,提出了基于B样条模糊神经网络作为刀具磨损量监测模型。该模型能够准确描述刀具磨损和信号特征之间的非线性关系,和常用的BP前馈神经网络相比,具有收敛速度快和局部学习能力等优点。试验结果表明:采用B样条模糊神经网络对提高刀具磨损在线监测的准确度和可靠度非常有效。     

基于深度门控循环单元神经网络的刀具磨损状态实时监测方法

为监测生产加工过程中的刀具磨损状态,提出一种基于深度门控循环单元神经网络的轻量化状态监测模型。首先,预处理阶段对加速度传感器采集的时序信号进行小波阈值去噪,并将每次刀具进给产生的冗长信号划分为多个训练样本,以滤除噪声、改善算法的鲁棒性;然后,利用卷积神经网络(CNN)从时序信号输入中自适应地提取特征,构建深度双向门控循环单元(BiGRU)神经网络学习特征向量间的时序信息,并将Attention机制的思想引入其中,自适应地感知对磨损状态分类结果有关联的网络权重,并对其进行合理分配,避免因人工提取特征带来的复杂性和局限性。实验结果表明,所提方法能够对传感器采集的原始数据实时准确地预测刀具磨损状态,在识别精度和泛化能力上均达到了较好的效果,为实际工业场景下的刀具磨损状态监测提供了新的思路。     

基于LSTM的刀具磨损预测模型

对刀具每次走刀后的磨损量与走刀过程中的传感器信号进行研究,提出基于长短时记忆神经网络(LSTM)的刀具磨损预测模型。使用LSTM模型自主提取时间序列数据特征,将多个传感器信号作为模型输入自动化处理,避免了人工提取特征出现的信息丢失,充分把握了实验数据的长时依赖性和多维度、多长度特征。经实验对比分析表明：LSTM模型在刀具磨损预测结果上具有显著优势。     

特征工程和深度前馈网络结合的刀具磨损预测

针对传统刀具磨损预测中存在的自适应性不强和预测精确度低的问题,提出了特征工程和Dropout深度前馈网络相结合的刀具磨损预测方法。首先从刀具状态监测框架下的多传感器信号中提取全面的特征,与刀具的元信息进行信息融合,然后通过假设检验和Benjamini-Yakutieli过程选择与目标磨损相关性强的特征,最后构建Dropout深度前馈网络学习选择的特征与目标磨损之间的映射关系。实验结果表明,提出的这种预测方法的训练过程稳定性高,而且能更精确地预测刀具的磨损。     

基于径向基函数神经网络的铣刀磨损监控技术的研究

提出一种基于径向基函数神经网络的铣刀磨损监控方法,径向基函数神经网络的输出是刀具磨损的具体值,这样有利于对刀具磨损进行各种实时补偿。实验表明,利用径向基函数神经网络进行状态识别可对小型立铣刀的磨损进行监控,能够取得良好的效果,同时证明RBF网络的训练速度优于BP网络。     

基于切削声音的刀具磨损状态识别研究

人工神经网络可以实现多特征信息的融合,将基于BP神经网络,建立各频率段能量百分比与刀具磨损的映射关系,进行刀具磨损状态识别的研究。最后在Labview环境下调用Matlab神经网络程序,初步实现了刀具磨损的识别。     

模糊数据融合的刀具磨损状态智能识别

为实现高速加工时刀具渐变磨损状态的在线准确识别,提出了一种集合多种智能的间接检测刀具磨损状态方法的模糊数据融合方法。尽管这些方法具有算法实现较为简单、处理速度较快的优点,但单一的信号检测及单一的智能建模方法难以获得全面的加工状态信息和准确的识别结果。为此,利用F推理技术对上述方法的冗余和互补信息进行数据融合,应用Makino—Fanuc 74-A20型加工中心的测试数据验证了该方案的可行性,并将刀具后刀面磨损的预测值与基于机器视觉检测的实测值进行比较。实验结果分析表明,多参数模糊融合识别方法能快速获得切削刀具磨损状态更加准确的预测值。     

Adaptive modelling of the milling process and application of a neural network for tool wear monitoring

An adaptive signal processing scheme that uses a low-order autoregressive time series model is introduced to model the cutting force data for tool wear monitoring during face milling. The modelling scheme is implemented using an RLS (recursive least square) method to update the model parameters adaptively at each sampling instant. Experiments indicate that AR model parameters are good features for monitoring tool wear, thus tool wear can be detected by monitoring the evolution of the AR parameters during the milling process. The capability of tool wear monitoring is demonstrated with the application of a neural network. As a result, the neural network classifier combined with the suggested adaptive signal processing scheme is shown to be quite suitable for in-process tool wear monitoring     

Prediction of tool wear using regression and ANN models in end-milling operation

Tool wear prediction plays an important role in industry for higher productivity and product quality. Flank wear of cutting tools is often selected as the tool life criterion as it determines the diametric accuracy of machining, its stability and reliability. This paper focuses on two different models, namely, regression mathematical and artificial neural network (ANN) models for predicting tool wear. In the present work, flank wear is taken as the response (output) variable measured during milling, while cutting speed, feed and depth of cut are taken as input parameters. The Design of Experiments (DOE) technique is developed for three factors at five levels to conduct experiments. Experiments have been conducted for measuring tool wear based on the DOE technique in a universal milling machine on AISI 1020 steel using a carbide cutter. The experimental values are used in Six Sigma software for finding the coefficients to develop the regression model. The experimentally measured values are also used to train the feed forward back propagation artificial neural network (ANN) for prediction of tool wear. Predicted values of response by both models, i.e. regression and ANN are compared with the experimental values. The predictive neural network model was found to be capable of better predictions of tool flank wear within the trained range.     

数控车床中车刀磨损量的在线获取方法

介绍了一种在线估算数控车床上车刀磨损量的方法。该方法通过实时采样切削过程中切削力的变化,并考虑切削用量,利用具有变因子BP学习算法和前馈感知器型神经网络,在线提取车刀的磨损信息。该方法利用一个静态神经网络和一个动态神经网络构成一个估计系统,动态神经网络用来估算车刀磨损量,静态神经网络为动态网络提供学习信息,从而保证在切削参数和切削条件变化时系统输出的准确性。     

刀具磨损监控中神经网络训练的模糊方法

提出了一种利用刀具磨损状态隶属函数来训练BP网络的新方法,该方法较好地解决了在刀具磨损状态中对过渡样本识别率过低的问题。     

模具钢铣削中刀具磨损的试验研究

以面铣刀刀片磨损为研究对象,结合类神经网络系统建构高速数控铣削加工的预测模型。以加工参数为模型输入条件,刀腹磨耗为输出条件。采用多因素试验方法,选择切削速度、进给速度、切削深度三个试验参数,利用直交表式的试验计划法设计试验点。依照试验点铣削工件后再测量刀具加工后的刀腹磨耗量,进而求得倒传递网络所需的36组训练范例与11组验证数据。刀腹磨耗预测模式是利用类神经网络中的倒传递网络原理,以田口法求得倒传递网络参数的最优值。试验结果显示,刀腹磨耗随着切削速度、进给速度、切削深度增加而上升。铣削模具钢后,刀具磨耗预测值的平均误差为4.72%,最大误差为11.43%,最小误差为0.31%。整体而言,类神经网络对于铣削加工可进行有效预测。     

数控车削加工过程的刀具磨损动态监测

对车削加工刀具磨损的各阶段信号进行采集,通过动态时频域分析,找到车削加工过程中刀具磨损的重要参数变化,对其进行振铃记数和人工神经网络的模式识别,实现了车削加工刀具磨损的状态检测。