刀具极限磨损破损在线实时监测

提出了一种监测刀具极限磨损和破损的新方法－多参量综合监测法。设计了监测线路，对电网电压进行了监测，自动减去首切电流，用声发射ＡＥ，电机电流对刀具极限磨损和破损进行综合判别，拓宽了监测范围。提出了抗干扰能力，系统具有高的判别成功率。钻削加工总体判别成功率达９６。２％，车削加工判别成功率为９６．７％。     

刀具磨损状态在线监测技术

通过对切削加工过程中声发射（ＡＥ）信号频域特改正的研究,指出了ＡＥ信号中与刀具磨损状态有关的成分在频域内的分布规律,在此基础上分析了ＡＥ信号的均方根值ＡＥＲＭＳ和振铃计数与刀具后面磨损量ＶＢ之间的对应关系,建立了一种基于ＡＥ信号能量的双阈值判断监测方法。试验表明该方法能很好地解决持定切削条件下刀具磨损的在线监测问题。     

刀具磨损的声发射特性

刀具磨损的声发射特性哈尔滨理工大学赵彦玲董丽华严复钢在金属切削过程中，刀具磨损的可靠性和促进自动化有着重要作用。人们曾利用电视摄像机、切削力、加工表面粗糙度变化等方法进行监视和检测，但是这些方法在实际应用中都不够可靠，本文介绍一种既方便又可靠的用于刀...     

基于切削力信号时域频域特征融合的刀具磨损监测

从时域、频域提取了切削力信号特征参数随着刀具磨损量增加的变化规律,提取了切削力信号的峰值因子、Kurtosis系数和频段带能量作为刀具磨损量监测特征参数,并将各个特征量构成的特征矢量输入改进的多层反传神经网络进行融合,实现钻削过程刀具磨损量的智能识别。试验结果表明,该方法具有较高的识别精度和较强的抗干扰能力。     

用声发射在线监测颤振切削时的刀具磨损

本文研究了一种实现颤振切削自动化的刀具磨损检测方法。实际应用表明，这种方法收到了良好的效果。     

数控机床刀具磨损与破损的声发射监测法

数控切削加工过程中刀具的磨损与破损是数控机床常见的故障之一,而刀具的磨损与破损程度直接影响零件的加工质量.所以对刀具状态的实时监测就显得十分关键,阐述了用声发射法对其进行在线监测的方法.     

基于声发射技术监测刀具磨损的研究

刀具磨损的研究方法很多,本文针对近些年发展的声发射技术(AE)在监测刀具磨损上的应用,采用理论分析和现场试验的方法进行可行性分析和验证,结果表明:在考察的几个影响声发射信号强度的因素之中,刀具主切削刃后刀面磨损量对其影响最为显著,这为利用AE技术研究刀具磨损提供了可行性依据;通过对铣刀AE信号进行时域振铃分析,清晰再现了刀具在不同时刻的磨损情况。     

刀具磨损和破损的综合监测法

简述一种监测刀具磨损和破损的方法——参考量综合监测法，并设计了监测线路。由于采用该方法时能对电网电压进行监测，自动减去首切电流，还用声发射(AE)、电机电流综合对刀具磨损和破损进行判别，所以拓宽了监测范围，提高了抗干扰能力，使该监测系统具有较高的判别成功率。     

应用PC和80C196KC单片机的刀具磨损状态监测系统

设计一种融合声发射(AE)、主轴电动机电流和Z向进给电动机电流多特征参数检测方法的、以PC机为上位机、以80C196KC单片机为下位机的刀具磨损监测系统。主要介绍系统的硬件结构,阐述系统中多路信号采集装置硬、软件工作原理与设计中的关键技术,以及具有辨识功能的上位数据处理计算机的软件工作流程。     

刀具磨损声发射信号处理中小波基选取的研究

通过对小波基性质和刀具磨损声发射（AE）信号特点的研究,从理论上分析了小波变换中刀具磨损AE信号处理中小波基选取的方法。在试验验证过程中,根据小波包信号分解遵循能量守恒原理,用四种小波基对刀具磨损AE信号进行三层小波包分解;以AE信号经小波包分解后各频带上的能量为特征参数,比较四种情况下特征参数的变化,验证了理论分析的正确性。     

工况信息融合的神经网络刀具监控方法研究

基于加工过程中刀具产生的动态信号,利用BP神经网络多输入、多输出和非线性映射的特性,通过融合多种加工特征信号,建立了切削参数与加工动态过程之间的关系模型,实现了刀具在线加工状况的检测与预报。仿真结果表明,基于工况信息融合的神经网络刀具监控方法不但可以减少加工参数变化对刀具状态检测的影响,而且提高了在线检测刀具磨损量的精确度,验证了该方法的有效性。     

智能刀具状态监测系统研究与进展

介绍智能刀具状态监测系统的思想来源和基本原理，提出一种智能刀具状态监测系统的基本结构框架。并分析神经网络在智能刀具状态监测系统中的作用，并对未来的研究工作作出展望。     

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。     

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。     

金属切削刀具磨损的监控和预报研究

介绍一种采用光电法直接测量刀具磨损值，用ＧＭＤＨ方法进行磨损规律的数学建模和寿命预报的方法，实验证明，该系统９２％的预防误差小于７．２％，使刀具使用寿命提高４３％以上。     

基于声发射法的刀具破损特征量的提取

对切削过程中发出的四种AE信号从时域、频域和时频域进行了分析,说明时频分析对提取刀具破损特征量十分有效,并给出了特征量提取的方法.     

基于长短时记忆卷积神经网络的刀具磨损在线监测模型

为了提高机械加工过程中刀具磨损在线监测的准确性,提出了一种基于长短时记忆卷积神经网络（LSTM-CNN）的刀具磨损在线监测模型。在该监测模型中,通过振动、力、声发射传感器对刀具切削过程中的振动、力和声发射信号进行采集,采集的数据其本质为时间序列数据。考虑采集数据的序列和多维度特性,采用LSTM-CNN网络对采集的数据进行序列和多维度特征提取,利用线性回归实现特征到刀具磨损值的映射。通过实验验证了该模型的有效性和可行性,模型的精度较其他几种方法有了较大的提高。     

智能刀具状态监测系统及其应用

探讨了智能刀具状态监测系统的设计思想,提出了一种智能刀具状态监测系统的基本结构框图,并进行了试验分析,结果表明,通过人工神经网络估算刀磨损值与实例值基本一致,系统取得了９０％的刀具磨损识别成功率。