基于狄利克雷混合模型的刀具磨损量在线估计

提出了一种基于狄利克雷混合模型的刀具磨损状态监测和磨损量估计的新方法。该方法将刀具磨损过程描述为磨损量的累积过程,通过对磨损增量的连续估计获得刀具当前的磨损量估计。首先对原始力信号进行特征提取,接着在不确定磨损增量状态数量的前提下采用狄利克雷混合模型对特征自动分类,然后利用吉布斯采样方法确定模型参数,最终得到描述力信号特征与磨损增量映射关系的刀具磨损状态混合模型。根据该混合模型以及当前的力信号信息即可完成刀具磨损量的在线估计。真实应用案例证明了该方法能自适应学习磨损状态并有效估计刀具的连续磨损值。     

高速干车削钴基高温合金的陶瓷刀具磨损机理研究

针对难加工材料钴基高温合金GH605,采用Al2O3基和Sialon基陶瓷刀具进行高速干车削试验,分析在不同切削速度下的刀具后刀面磨损量、刀具磨损形式以及磨损机理.研究表明:Sialon基陶瓷刀具后刀面磨损量大于Al2O3基陶瓷刀具后刀面磨损量;Al203基陶瓷刀具主要磨损形式为前后刀面的正常磨损、前后刀面的非正常剥落和微崩刃,低切削速度时磨损机理主要为磨粒磨损、黏结磨损,高切削速度时还伴有氧化磨损;Sialon基陶瓷刀具磨损形式主要以破损为主.该研究可以为高速干车削钴基高温合金的高性能陶瓷刀具的设计、刀具寿命预测等提供理论指导.     

利用数值模拟估算TBM刀具磨损量的方法

采用有限元方法建立滚刀与岩石相互做作用模型。模拟了单刀破岩过程中盘形滚刀的受力与运动情况。并依据体积磨损量与摩擦能量之间的关系建立方程,对刀具磨损量以及刀具寿命进行了估算。研究结果表明:利用数值模拟得到的垂直力、滑移量估算刀具使用寿命的方法可行;对于同一种地质条件,滚刀存在一个最佳贯入度使得磨损量最小;安装半径与刀盘转速的增大会使刀具磨损量增大;同条件下单轴抗压强度越大的岩石对刀具磨损越严重。     

陶瓷刀具和PCBN刀具磨损形态的研究

对陶瓷刀具(CC650)和PCBN刀具(CB20)精车淬硬GCr15轴承钢时的刀具磨损形态及性能进行了对比试验；结合扫描电镜对刀具的磨损形态作观察；分析了刀具磨损特征及磨损机理。结果表明：刀具损坏的形态主要为前刀面磨损、后刀面磨损、微崩刃及破损等；陶瓷刀具和PCBN刀具的前后刀面磨损形态不同于典型的磨损形态，陶瓷刀具主后刀面的磨损量要比PCBN刀具的磨损量小。但两种刀具均适合于淬硬钢的精加工工序。     

刀具磨损三维形貌的测量及评价方法

长期以来,刀具磨损的分析一直局限在二维参数上.利用小景深的光学显微镜.运用聚焦合成的原理,以改进的拉普拉斯算子作为聚焦评价函数,提取与聚焦高度相对应的像素点,叠合生成能够反映刀具磨损表面全貌的全景深图像,进一步重构出刀具磨损表面的三维形貌图.提出了最大磨损深度、平均磨损深度以及磨损体积的刀具磨损评价指标,为后续的磨损区域形貌观察、磨损量的测量以及磨损机理研究提供了依据.     

钛合金铣削刀具磨损对表面完整性影响研究

为了掌握钛合金TC4铣削过程中刀具磨损对表面完整性的影响规律,通过对不同刀具后刀面磨损量下铣削钛合金工件的表面完整性测试,得出了刀具磨损对表面完整性的影响规律,并对其影响机理进行了分析.结果表明,在刀具处于初期磨损和正常磨损阶段,刀具的挤光效应引起的压应力占主导地位,而在刀具剧烈磨损阶段,加工过程中的热塑性变形引起的拉应力占主导地位;随着刀具后刀面磨损量的增加,刀具正常磨损阶段粗糙度值缓慢增加,剧烈磨损阶段粗糙度值迅速增加;随着刀具后刀面磨损量的增加,已加工表面的显微硬度值和表面层的硬化深度都随之增大.     

金刚石铣刀切削石材磨损实验研究

在EMCO155型数控机床上切削石材,通过改变实验参数,研究各参数对金刚石铣刀磨损量影响规律。通过设计正交实验,刀具磨损量受实验参数影响次序依次为:切削深度、进给速度、主轴转速。利用电子显微镜对金刚石铣刀磨损表面进行观察,分析金刚石铣刀磨损机理。实验结果表明:金刚石刀具磨损量随着主轴转速和切削深度的增加而增大,石材的硬度对刀具磨损影响很大。金刚石刀具的磨损主要表现为金刚石颗粒的磨平、破碎与脱落及基体表面呈现出犁沟。铣刀磨损主要以金刚石颗粒磨平和脱落为主。     

刀具磨损与切削用量关联度应用与试验研究

通过对 POLMAX 材质试件在不同切削条件下的加工试验,重点分析了涂层刀具的磨损形式,总结出了切削用量影响刀具磨损的规律。研究结果表明：YG 类涂层硬质合金刀具加工淬硬 POLMAX 不锈钢时,低速阶段主要表现为粘结磨损,高速阶段主要表现为氧化磨损与扩散磨损;切削用量中切削速度对刀具磨损影响最大,当切削速度较低时(小于50 m/ min)刀具磨损量几乎保持在同样的水平,而当切削速度达到120 m/ min 以上时,刀具磨损量急剧上升。     

基于云模型和稀疏贝叶斯技术的刀具磨损状态识别技术研究

针对刀具磨损状态监测和磨损量预测研究中特征提取这一关键技术,提出采用声发射传感器和功率传感器采集机床刀具磨损相关的信号信息,采用两种信号采集的方法可以避免单一信号本身自有的缺陷。采用云模型算法能够科学地耦合两种信息,并提取信号中反映刀具磨损量的特征因素;使用稀疏贝叶斯方法建立模型进而预测刀具磨损量,实现了对刀具磨损的监控,提高了刀具磨损监控的效率和准确性。     

卡尔曼滤波修正LS-SVM的刀具磨损识别技术研究

针对刀具磨损状态先验样本少和常规神经网络识别模型收敛速度慢、易陷入局部极小值等问题,提出了基于最小二乘支持向量机(LS-SVM)的刀具磨损量识别技术,并针对模型输出存在系统误差而降低刀具磨损量识别精度的问题,引入卡尔曼滤波算法对时序监测结果进行修正,实现小样本下的刀具磨损量的精确识别。以车削加工为研究对象,采集加工过程中的切削力信号,应用小波包分析技术提取反映刀具磨损状态的特征信息,作为LS-SVM的输入样本,并对模型进行学习训练,完成对刀具磨损状态的识别,最后采用卡尔曼滤波修正其时序监测结果。实验结果表明:LS-SVM模型能高效地实现刀具磨损量识别,需样本数较少,训练速度快,通过卡尔曼滤波修正后的磨损量识别结果精度更高。