基于分形理论和神经网络的刀具磨损监测

提出了一种基于分形理论和神经网络的刀具磨损监测方法,从切削力动态分量中提取分形维数D、从切削力静态分量中提取切削力比R这两个特征量作为监测刀具磨损状态指标,并将这两个特征量及切削速度作为神经网络的输入.试验结果表明,该方法能有效识别刀具的磨损状态.     

基于切削力信号的钻头磨损状态实时监测

研究了钻削过程中刀具在线磨损状态特征信号的提取方法。以轴向力和扭矩为监测信号,在普通钻床上建立起相应的实时信号数据采集系统,通过对信号进行幅域和频域分析,提取了特征信号随刀具磨损量增加的变化规律,为实现机械加工过程刀具状态的智能识别提供了依据。试验结果表明,该方法具有较好的抗干扰能力和较高的识别精度。     

振动信号监测在刀具磨损故障诊断中的应用

以典型高档数控机床DL-20M H型车削加工中心为试验对象,采用加速度传感器对振动信号进行监测。信号分析过程中,应用时域分析、频域分析实现了刀具磨损量与振动信号的关联,解决了生产过程中由于刀具突然损坏导致的产品质量下降问题,从而降低生产成本。     

刀具磨损监测中信号特征值的提取与聚类分析

声发射是近年刀具监测研究中采用的新技术之一,本文用包络分析法求取刀具磨损中声发射信号的包络线,用其时序模型参数作为特征值,采用神经网络对刀具磨损状态进行分析,试验表明效果良好。     

基于主轴电流信号多特征融合的刀具磨损状态监测

为实现在正常生产条件下进行刀具磨损的长期在线监测,提出了基于主轴电流信号和粒子群优化支持向量机模型(PSO-SVM)的刀具磨损状态间接监测方法。首先对数控机床主轴电机电流信号进行分析,将与刀具磨损相关的主轴电流信号多个特征参数和EMD能量熵进行特征融合作为输入特征向量;其次,通过粒子群寻优算法(PSO)对支持向量机模型(SVM)参数进行优化,建立基于主轴电流信号融合特征和PSO-SVM理论的刀具磨损状态识别模型;最后,通过实验采集某立式加工中心主轴在刀具不同磨损状态下电流信号进行验证,并与传统SVM模型、BP神经网络模型进行了对比分析。结果表明,所提出的方法具有较高的准确率和较好的泛化能力。能够实现正常生产条件下对刀具磨损的长期在线监测。     

刀具磨损过程中的切削力特征研究

在相同的工件材料、刀具材料、切削参数和不同的刀具磨损状态下,从时域角度分析了刀具磨损状态对三向稳态切削力的影响,从频域角度利用FFT分析、功率谱分析等工具研究刀具磨损状态对动态切削力的影响情况,并对影响的机理进行讨论。分析结果表明刀具磨损状态迫使受动态力的刀具弯曲振动频率幅值和局部频率能量增大。     

GRNN与粒子滤波集成的刀具磨损监测

在金属切削加工过程中及时准确地掌握刀具磨损状态是非常必要的,然而目前的刀具磨损监测技术普遍为分析实时采集的信号得到刀具目前时刻的磨损状态,若能根据刀具当前的磨损状态准确地提前预测后续加工过程的连续磨损量变化,将对优化整个切削过程与管理决策具有重大的意义。针对此问题提出了广义回归神经网络(GRNN)与粒子滤波集成的刀具磨损预测模型,利用粒子滤波对GRNN的时序预测结果进行修正,实验证明粒子滤波有助于降低由于训练样本少与存在观测噪声所导致的预测偏差,经粒子滤波修正后的磨损量识别精度更高且较传统的卡尔曼滤波具有更好的修正效果,为刀具磨损监测提供了新思路。     

数控机床刀具磨损监测方法研究

数控机床刀具磨损监测对于提高数控机床利用率,减小由于刀具破损而造成的经济损失具有重要意义.文章有针对性地回顾了国内外各种刀具磨损监测方法的研究工作,详细叙述了切削力监测法、切削噪声监测法、功率监测法、声发射监测法、电流监测法以及基于多传感器监测法等六种刀具磨损监测方法.本文通过比较各种监测方法的优缺点,提出基于多传感器监测法是数控机床刀具磨损监测方法的未来发展的主要方向.     

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。     

基于深度学习的刀具磨损监测研究现状

基于传统机器学习的刀具磨损监测模型监测精度低且计算复杂度高,难以满足智能制造的发展需求。而基于深度学习的刀具磨损监测模型数据处理和特征提取能力较强,可明显提高监测精度,使加工过程更智能化,因此广泛应用于刀具磨损监测。根据采用的模型,将基于深度学习的刀具磨损监测分为基于卷积神经网络的刀具磨损监测、基于稀疏自编码网络的刀具磨损监测、基于深度置信网络的刀具磨损监测、基于长短时记忆网络的刀具磨损监测和基于混合模型的刀具磨损监测,介绍了各种深度学习模型的基础理论及基本结构,总结了国内外基于深度学习模型的刀具磨损监测方法,分析了存在的问题,并指出了未来的发展方向。     

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。     

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。     

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。     

基于力信号的低频振动制孔刀具磨损状态分析

为分析碳纤维增强树脂基复合材料(CFRP)/钛合金(TC4)叠层材料低频振动制孔工艺下刀具磨损状态,开展基于切削力信号的制孔刀具磨损状态研究.通过采集CFRP/TC4叠层材料低频振动制孔过程中的切削力信号,进行时域和频域分析,探讨各信号特征量与刀具磨损状态之间的联系.研究结果表明:CFRP/TC4叠层材料低频振动制孔轴...     

[设备健康管理]基于机床信息的加工过程刀具磨损状态在线监测

为实现刀具磨损状态的在线监测,提高监测系统的实用性,提出一种基于机床信息的加工过程刀具磨损状态在线监测方法。采用OPC UA通信技术在线采集与存储数控机床信息,得到与磨损相关的机床内部过程信息,并基于这类信息与相应的刀具磨损信息,利用卷积神经网络建立了刀具磨损状态识别模型。应用案例证明了该方法的监测性能,与其他传统监测方法相比,该方法更适用于实际的生产加工。     

刀具切削状态监控技术综述

介绍了国内外刀具切削状态监控技术的发展历程,分析刀具切削状态监控技术发展中存在的主要问题和取得的成果,认为切削力等间接参量不能直接、量化地表征刀具状态;切削温度能较直接地反映刀具状态,其信号也易于处理,抗干扰能力强;基于机器视觉的加工表面纹理能较好地映射刀具切削刃,但技术复杂;多参量的刀具切削状态综合表征应是未来的研究方向。     

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。     

玻璃和45钢的切削力特性与刀具磨损的研究

对比研究了切削玻璃和45钢时切削力与刀具磨损之间的关系,描述了玻璃和45钢在切削过程中塑性变形和脆性断裂的不同,优化了玻璃等脆性材料的切削加工参数。其研究结果对加工玻璃、陶瓷等难加工的脆性材料具有一定的实际意义。