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。     

基于振动测试的数控机床刀具磨损监测方法

为了通过特性分析直接判断数控机床刀具的工作状态,以实现柔性制造系统的研究,在刀具磨损的多种在线监测方法中采用振动测试的监测方法,对DL20MH数控车削中心的YG8硬质合金刀头进行在线监测,分别在不同的刀具磨损阶段实时监测其磨损信号,通过时域分析、频域分析和传递函数分析相结合的方法进行数据处理,并对照被加工工件的表面粗糙度和通过显微镜下观察刀刃的实时变化情况,对其进行分析处理,得出刀具的实时变化情况及被加工工件的粗糙度与理论数据基本吻合并呈现出一定的趋势,从实频域分析数据中也可以直观地判断刀具的磨损状态,测试结果与实际情况吻合,从而验证了振动测试是适合刀具磨损在线监测研究的.     

基于深度学习的刀具磨损监测方法

为监测制造车间机械加工设备刀具的磨损程度,提出应用深度学习方法实施刀具的磨损监测。深度学习理论作为人工智能领域的最新研究成果,以其中的深度卷积神经网络构建刀具磨损监测的模型,给出刀具磨损监测的流程,采用微型铣床与无线三轴加速度计搭建了数据采集实验平台。实验结果表明,与其他两种常用深度神经网络以及传统神经网络模型相比较,所提基于深度学习方法监测过程简单,不仅具有较高的准确度与较低的损失函数值,还实现了刀具磨损程度分类。     

对刀具磨损获取信号处理方法的探讨

建立了监测信号与刀具磨损之间的关系,利用监测信号直接或间接反映刀具磨损状态。针对磨损信号多种的处理方法(建立刀具磨损的关系),总结了近几年来学者对监测信号采用的不同处理方法。     

数控机床刀具磨损在线监测建模与研究

通过对数控机床刀具在线磨损状况进行分析,构建了一种在线监测刀具磨损的模型,文章阐述了该模型的在线监测原理,并对其必要技术进行了研究分析.     

HMM技术在数控镗刀状态监测中的应用

通过对声发射传感器采集的刀具磨损状态信号进行分析,提取出反映刀具磨损状态的特征向量MFCC系数及差分系数,然后利用HMM进行信号处理。建立了检测镗刀刀具状态的监测系统。实验结果表明,该监测系统在刀具的正常磨损阶段,可以实现刀具大致磨损量的预报;在刀具破损或损坏情况下,能够及时监测和预报刀具损坏状态。这种监测方法能够进行实时在线监测,为刀具的磨损监测提供了一条切实可行的途径。     

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.     

用振幅比检测刀具磨损状况

切削机床刀具磨损在线检测,由于测试及信号处理的难度,致使有用信号的提取较难.本文通过对CA6140特征频段内的振动信号的振幅比值X/Z的试验与分析,得出监测刀具磨损的特征状况的特征函数,避免了其它方法的复杂的数学建模工作,且该法直观性强;抗干扰能力强;可靠性高;可有效地检测刀具磨损状况,是实现刀具磨损在线监测的一种好方法.     

在线支持向量机在数控铣床刀具磨损预测建模中的应用

刀具磨损的自动监测是现代制造技术的关键技术之一,是保证自动化加工顺利进行的前提之一.在实际生产当中,对刀具磨损的检测,不能停机检测而只能采取在线的间接监测方法.提出一种基于在线支持向量机的数控铣床刀具磨损的预测方法.结果表明,所提方法具有参数调整时间快、泛化能力强的优点,可以比较准确地监控刀具磨损.     

基于长短记忆网络的刀具磨损监测方法研究

刀具磨损监测是推动数控机床稳定运行的有效手段。为实现刀具健康实时监测,设计一种基于长短记忆网络的刀具磨损监测方法。将实时采集的切削力信号进行去噪、降维等预处理;用堆叠自编码器进行特征提取,获得影响刀具磨损的本质特征;用长短记忆网络构建刀具磨损监测模型,实现加工过程中刀具磨损监测。利用铣削实验数据进行实例验证,获得磨损量平均绝对误差为0.060 80的铣刀磨损量监测模型,验证了该方法的有效性。     

数控机床切削过程刀具磨损与破损的振动监测法

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,本文阐述了从振动分析方面对其进行在线监测的方法.     

基于小波包和BP神经网络的刀具磨损状态识别

刀具磨损状态影响金属切削过程,因此监测刀具磨损状态对提高产品质量有着重要的意义。设计刀具磨损状态监测系统,利用传感器采集刀具振动信号,通过小波包对振动信号进行数据分析,并把不同频段的能量值作为刀具磨损状态的特征值,建立BP神经网络,从而在刀具磨损状态和振动信号特征向量之间建立映射关系,完成刀具磨损状态的监测。利用C++Builder和Matlab软件混合编程实现了系统的功能。试验表明,系统运行良好,能够对刀具磨损状态进行正确识别。     

数控机床刀具磨损监测实验数据处理方法研究

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.有针对性地回顾了国内外各种分析刀具磨损信号方法的研究工作,详细叙述了功率谱分析法、小波变换、人工神经网络以及多传感器信息融合技术的实现形式.通过比较各种数据处理方法的优缺点,提出基于混合智能多传感器信息融合技术是数控机床刀具磨损监测实验数据处理的未来发展的主要方向.     

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.     

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。     

基于云计算的刀具状态监测数字孪生系统研究

数字孪生连接物理世界与信息世界,可实时仿真物理系统,并提供预测结果,为优化决策提供参考.对基于云计算的刀具状态监测数字孪生系统进行研究,提出了基于核主成分分析和极限学习机的刀具磨损状态智能监测算法.对基于云计算的刀具状态监测数字孪生系统架构进行了介绍,对刀具磨损状态智能监测算法进行了分析,并通过试验确认基于云计算的刀具状态监测数字孪生系统可以实现数字模型对物理模型的反向控制,相较其它算法具有更高的精度.     

基于最佳小波基小波特征的神经网络刀具磨损状态监测方法

以小波分析理论为基础,提出了以对数熵理论确定最佳小波包分解树结构的方法,提出了基于声发射信号最佳小波基最佳小波分量频段能量的声发射信号小波特征,开发了基于最佳小波基小波特征的神经网络刀具磨损状态在线监测系统,实验结果表明,该系统具有较高的监测精度,能满足工业现场对刀具磨损状态实时在线监测的要求.     

基于小波分析的切削力信号奇异性检测

利用小波变换模的极大值和信号奇异点的关系,分析了用Lip指数来描述的切削力信号局部奇异性.通过观察奇异点的位置等信息得到切削刀具的磨损情况.通过对实际刀具磨损的在线监测数据分析,证明了采用小波变换检测刀具磨损这一方法的有效性.     

刀具磨损识别方法的分析与研究

在对刀具磨损理论研究的基础上,提出了多种刀具磨损识别方法,为刀具磨损识别及切削过程在线监测提供理论依据。