基于多源同步信号与深度学习的刀具磨损在线识别方法

为提高刀具状态监测系统的实用性、避免实际加工过程中工序变换产生的信号干扰,提出一种基于多源同步信号与深度学习的刀具磨损在线识别方法。该方法利用自动触发的方式实现了机床运行在特定工序时的刀具振动、主轴功率、数控系统参数等多源信号的同步在线采集,保证信号同步性的同时有效避免了因工序变换而产生的信号波动干扰;进一步利用高频振动特征实现了 “切削过程”与“切削间隙”采集样本的准确划分,并基于皮尔逊积矩相关系数筛选出强关联特征,保证了多源监测信号融合样本的可用性;最后基于一维卷积神经网络建立了刀具磨损在线识别模型。实验结果表明,该方法无论从识别精度还是诊断效率,均能实现实际加工过程中刀具磨损状态的在线识别。     

VGG13卷积神经网络在刀具磨损监测中的应用

刀具磨损对工件加工精度和表面质量有很大影响,为保证零件加工质量,需对刀具磨损状况进行监测。在实际加工生产中采集工件铣削时的振动信号和力信号,利用短时傅里叶变换,将一维信号转化为二维谱图,建立刀具磨损阶段与频谱图的对应关系,利用Pytorch搭建VGG13卷积神经网络,将频谱图作为卷积神经网络模型输入进行训练,得到刀具磨损监测模型。通过实验对方案可行性及模型准确度进行测试,实验结果表明,利用卷积神经网络进行刀具磨损状态监测的准确度能够达到98%以上,可为实际生产中的刀具磨损状态监测提供参考。     

采用改进CNN-BiLSTM模型的刀具磨损状态监测

自动化切削加工过程中,准确可靠地监测刀具磨损状态是保证加工质量和加工效率的关键。针对刀具磨损状态相关特征提取繁琐、准确率低及传统的深度学习网络不能全面提取数据隐含信息等问题,提出了一种以卷积神经网络（CNN）和双向长短时记忆（BiLSTM）网络集成模型为基础并通过在卷积神经网络中添加批量标准化层和采用两个双向长短时记忆网络层的改进模型,该模型通过自动提取小波阈值降噪等预处理和降采样后的切削力、振动和声音信号的空间和时序特征来实现刀具磨损状态监测。将改进模型与CNN-BiLSTM模型及传统的深度学习模型进行对比,发现改进模型在精度和稳定性方面有较大提升。所提方法为准确监测自动化加工过程中刀具磨损状态、提高生产效率和加工质量提供了技术支持。     

基于小波分析和神经网络的刀具磨损预测

提出一种基于多分辨率小波分析和BP神经网络的刀具磨损预测方法,采用多分辨率小波分析刀具不同磨损状态的切削力信号,提取其中增幅最大两个尺度上细节信号的能量和均方差作为BP神经网络的输入,通过自我识别法确定BP神经网络的最佳隐含层神经元数目,利用预先训练好的BP神经网络对刀具磨损状态进行预测。该方法能够建立刀具磨损状态与切削条件参数之间复杂的非线性函数关系,可实现一定切削条件下的刀具磨损状态预测。     

基于声发射技术的超精密切削状态监测试验研究

针对超精密加工过程中的切削状态监测问题,利用声发射技术进行了接触检测和识别的试验研究。首先,将谐振频率为1 MHz的锆钛酸铅压电陶瓷传感器安装在靠近切削点的位置,并且为了降低背景噪声,利用声发射分析单元放大和100 kHz高通滤波器对信号进行了处理;然后,对切削刃与工件的接触极限进行了研究,实现了对切削刃位置的准确检测;最后,对切削状态变化引起的声发射信号变化进行了监测,对其切削状态进行了识别。研究结果表明:(1)当切削速度为60 m/min时,在切削深度为10 nm的情况下可以检测到切削刃与工件的接触;(2)声发射信号波形可以识别表面加工过程中发生的微小变化,且声发射平均值与切削速度呈高度正相关,声发射总能量与接触弧长成正比;这些结果证实了声发射技术用于切削状态监测的可行性。     

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。     

基于主轴驱动电流杂波的立铣刀复杂工况下磨损状态辨识

为保证刀具寿命并控制工件废品率,提出一种通过提取主轴驱动电流信号中因刀具磨损和振动异常激发的杂波信号,并利用卷积神经网络实现立铣刀磨损状态辨识的方法.该方法基于刀具磨损和振动异常会导致主轴驱动电流信号出现不规则杂波成分的试验结果,利用傅里叶级数拟合将电流波形分解为反映电流有效值准静态变化的谐波成分和反映立铣刀刃口和后刀面磨损状态以及振动异常的电流杂波信号,然后将电流杂波信号输入到卷积神经网络中进行立铣刀状态特征提取和分类.实验结果表明,该方法可排除切削振动和切削参数对刀具磨损状态辨识准确性的影响,能够实现复杂工况下立铣刀磨损状态的准确辨识,为预测立铣刀剩余寿命和科学制定立铣刀更换规则打下基础.     

基于一维卷积长短时记忆网络的多信号融合刀具磨损评估

为实现刀具磨损状态的有效在线监测,提出一种基于一维卷积长短时记忆网络的多信号融合刀具磨损评估模型.该模型综合使用加工过程中主轴和工作台的振动和声发射信号,以实现信号间的优势互补,弥补单一信号的不足;基于一维卷积的特征学习能力和长短时记忆网络的时序特征分析能力,充分挖掘信号中包含的刀具磨损状态信息;最后通过全连接层和softmax分类器对刀具磨损状态进行评估.试验结果表明,该模型在各单一工况下对刀具磨损状态的识别准确率均可达93.8％以上,整体工况下识别准确率达95.3％,具有很好的稳定性和多工况通用性.     

基于振动法的刀具磨损状态监测研究

数控机床加工过程中,刀具是直接与金属材料接触并参与切削过程的工作部件。在金属切削加工过程中刀具不可避免地产生磨损现象,提高刀具使用寿命,降低因为刀具磨损而产生的损失,对刀具的工作状态实施监测意义十分重大。基于振动测试法的刀具磨损状态监测主要以采集到的振动信号作为依据,对振动信号作时域、频域和时频分析来提取有效的特征量,结合工件被加工表面的粗糙度情况以及刀刃的磨损状况,判断出在加工过程中刀具的实时磨损规律,实现刀具磨损程度的有效控制。     

改进的BP神经网络在刀具磨损状态监测中的应用

刀具磨损状态监测的研究中,采用传统BP算法的神经网络识别切削过程中的刀具磨损量,具有局限性。文中提出了一种改进的BP神经网络结构,选取了新的BP算法,并对网络结构参数进行优化调整。对振动信号和AE信号分析后提取出刀具磨损特征量输入改进的BP神经网络,经过训练后用于识别刀具磨损状态。通过比较,改进的BP神经网络的收敛速度明显提高,且减小了识别误差。实验证实了其可行性和有效性。     

时空神经网络滚动轴承故障诊断方法

深度神经网络在故障诊断领域已有一定应用,为了进一步提高其诊断效率和准确率,本文提出了一种基于时空神经网络的滚动轴承故障诊断方法:该方法使用卷积神经网络(Convolution neural network,CNN)框架,借用深度残差网络(Residual neural network,ResNet)的网络并联法,并联CNN卷积层和循环神经网络(Recurrent neural network,RNN)的LSTM层,构建新的时空神经网络,对传感器采集的信号进行特征提取。该网络同时具备对空间域的强大学习能力和时域信号的学习能力,并且在每一层中权值共享,这使得时空神经网络参数数量较低,从而极大地避免了过拟合现象的产生,也降低了系统所占用的内存,可以高效地提取故障特征,从而提高诊断的准确率。试验结果表明:该方法比单个网络的诊断正确率提高了1.01个百分点。     

立式铣削切削颤振的监测方法研究

立铣加工过程中的颤振会严重影响工件表面质量和材料去除率,加剧刀具磨损和恶化工作环境。由于颤振产生速度较快,常规的信号采样、特征提取及分类方法难于满足实际应用。本文通过稀疏表示的数学理论实现对高频信号的低采样率获取,并在保持高频信号本质特征同时实现特征提取,简化状态监测的模块,并通过冗余词典的高识别度原子辨识加工状态。研究结果表明,该方法可以有效识别立铣加工过程的稳定、过渡和颤振状态。     

钛合金的高质高效超声振动切削加工

作为一种广泛应用于航空航天领域内的难加工材料,钛合金的高质高效切削一直是机械加工领域中的热点问题.针对其加工过程中的力热聚集问题,一种将高压冷却方式辅助于垂直于切削速度方向振动分离的超声振动切削加工方法被应用于其高质高效加工.首先,刀具和工件周期性的分离条件通过数学方法导出.随后基于此开展了钛合金的车削试验,通过设定不同的切削参数(切削速度、进给量和切深)和冷却参数(冷却液压力),研究了切削力、切削温度、刀具磨损过程、工件表面质量和刀具寿命与相关参数之间的关系.试验结果表明,在满足分离条件的情况下,高压冷却状态下的超声振动切削加工能有效降低切削力和切削温度、延缓刀具磨损速度、改善表面质量和提高刀具寿命.在冷却液压力20 MPa的条件下,钛合金的切削速度能提至400 m/min并保证工件表面质量Ra不超过0.4 μm,实现了刀具长寿命和工件高质高效的切削精加工.     

微细切削中侧刃的切削影响研究

尺度效应是微切削工艺中的一种特殊现象,通常用最小未变形切屑厚度来判定尺度效应发生的临界点。为了更好地理解微细铣削的切削机理,对铣刀钝圆半径与尺度效应之间的关系进行深入研究是有必要的。由于在铣削加工过程中,刀具大多数为径向进给,侧刃为主要切削刃,因此这里对仅有侧刃参与切削的情况进行了仿真与试验研究。通过对仿真中切屑形貌与试验中表面粗糙度的分析,分别确定了仿真与试验的最小未变形切屑厚度值。仿真与试验结果表明,微细铣削的两种工艺方式对最小未变形切屑厚度的影响有限,最小未变形切屑厚度为（0.28～0.40）倍的铣刀钝圆半径。同时,工件的材料属性对刀具侧刃的最小未变形切屑厚度有一定的影响。本研究可以用于指导微细铣削加工中对于不同刀具钝圆半径及工件材料加工参数的选择和量化,提高工件加工质量具有重要参考价值。     

结合域对抗自适应的刀具磨损预测方法

数控加工中存在刀具几何误差及安装误差、刀具及工件材料性能的随机波动等因素,导致刀具之间的磨损过程与监测信号上存在较大差异的问题,使得刀具磨损值难以精确预测。为此,本文提出了一种结合域对抗自适应的多尺度分布式卷积长短时记忆网络模型（Multiscale time-distributed convolutional long short-term memory,MTDCLSTM）。将加工过程中采集到的多传感器信号作为模型输入,通过域分类器与预测器之间的对抗学习,提取出可有效表征刀具磨损且与域无关的多尺度时空特征,经预测器的非线性映射,实现对刀具磨损值的精确预测。实验结果表明,结合域对抗自适应的MTDCLSTM模型预测性能明显优于分布式卷积神经网络、长短时记忆网络、卷积神经网络与支持向量机模型。与基于迁移成分分析的支持向量回归模型相比,本文模型的均方根误差与平均绝对误差分别降低了59.8%和62.5%,决定系数提高了66.1%,可有效缩小刀具个体之间的差异,提高磨损值预测精度。     

不同倍径对2A12铝合金深度铣削加工实验研究

在用加工中心对工件深度铣削的加工过程中，随着铣削深度的增加，机床夹头夹持刀杆的悬空长度也相应增加，刀尖切削刃相对去除材料面发生轻微振颤，通常产生振刀纹路现象，严重影响精密产品的加工合格率。在相同的切削参数下，为了提高深度铣削工件表面质量及降低加工轮廓上下面的锥度，对刀具直径与倍径的关系进行研究，即刀径确定后所对应铣削深度的极限值。文中针对航空航天领域常用材料2A12铝合金工件，以不同直径的刀具在不同倍径下进行加工，研究发现刀具在6倍径以下时轮廓锥度及表面质量较好，可实现精加工，同时在6～10倍径范围内刀具使用性能及加工状态满足半精加工或者开粗，而当加工刀具超过10倍径时，轮廓刀痕较为明显，工件表面粗糙度出现突变现象，增大的斜度较为明显，刀具切削刃磨损较大，使用寿命大大降低，不满足航空零部件的高精密加工。     

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。     

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。     

柔性自动化生产中评价刀具切削刃状态的方法

本文叙述了在自动化加工过程中，在精车削时，如何评价刀具切削刃状态的方法．利用刀具切削刃的投影，在新坐标系内绘制出刀具切削刃表面形态的曲线图，确定出刀具的参数向量和特征向量，进而确定出刀具切削刃的状态．根据这个状态，可以调整工艺系统，以保证零件加工质量，可以确定刀具系统换刀的最佳时刻，充分利用刀具的工作寿命．     

基于小波包能谱熵的铣削颤振监测方法

针对切削加工过程中容易出现颤振,导致零件表面加工质量降低,本文以铣削加工为研究对象,提出了基于小波包能谱熵的铣削颤振监测方法。信号的采集是一个连续的过程,为避免刀具不参与切削对这种方法的影响,本文提出基于铣削力幅值平方和的方法以识别刀具是否参与切削。试验结果表明,无论对于刀具是否参与切削的识别或者是否出现铣削颤振的监测都能有效的监测。