铣刀磨损量监测和剩余寿命预测方法研究

研究在线诊断端面铣刀磨损量和预测铣刀剩余寿命的方法。首先通过实验采集Y向铣削力作为监测信号,分析铣削力与刀具磨损量VB和刀具磨损时间之间的关系。然后,通过铣削力信号分析提取出有效监测特征向量,此特征向量作为BP神经网络的输入,用于刀具磨损量的监测和剩余寿命的预计。最后,通过实验证明,该神经网络模型误差很小,利用该方法能够正确地进行在线监测和预测。     

基于多通道融合及贝叶斯理论的刀具剩余寿命预测方法

刀具监测及可用剩余寿命(RUL)预测对降本增效及保证加工质量意义重大.针对单一传感器预测精度波动大、数据利用率低、可靠性低等问题,提出一种多通道信号融合及贝叶斯更新的刀具剩余寿命预测方法.通过计算多通道信号所提取特征的时间序列与对应时间矢量的斯皮尔曼等级相关系数对特征时序做单调性排序,取单调性得分高的特征用主成分分析进行融合并构建健康因子作为观测数据,基于贝叶斯理论及马尔科夫链蒙特卡洛采样估计退化模型参数,并随着时间推进及监测数据序贯可获,实时在线更新退化模型参数以逐渐逼近刀具磨损退化趋势,同时对每时刻剩余寿命进行迭代估计.所提方法可避免基于深度学习方法需要依赖大量全寿命数据离线训练预测模型且模型对新预测任务适应性有限的局限性.用PHM2010公开数据挑战赛中三槽球头硬质合金铣刀切削不锈钢过程磨损全寿命数据集验证了方法有效性.     

基于CNC实时监测数据驱动方法的钛合金高速铣削刀具寿命预测

针对车间内不同设备的数据结构不一致导致车间监控数据中存在大量的多源异构数据,难以通过单一的通信协议采集与监控的问题,研究了基于OPC-UA技术与MTConnect协议的刀具、机床的数据模型、通信架构及访问策略,解决了多源异构数据的采集问题。针对硬质合金刀具在高速铣削钛合金工件时磨损较快、刀具剩余寿命的实时预测难度大的问题,建立了一种基于PCA前置处理数据的神经网络模型,实现了基于刀具剩余寿命的刀具健康状态信息的实时监测和预测。     

制造执行系统中刀具剩余磨损寿命预测的研究

以机械加工车间为背景,探讨了在CIMS环境下制造执行系统中刀具剩余磨损寿命的预测模式,推导了刀具磨损寿命计算公式中的系数表达形式,并提出了刀具磨损寿命预测在实际加工中的实现方式。     

钻头磨损检测与剩余寿命评估

对钻头的磨损程度进行实时检测有助于对钻削加工过程实施预防性维护,提醒及时换刀。针对自动化生产中的刀具监测问题,给出一个基于主轴电流检测的钻头磨损状态分析和剩余寿命预测的应用策略。通过主轴电流传感器采样加工过程的电流信号,使用一个滑动窗口从连续采样数据中得到真实加工段数据,采用小波包分解的方法进行特征提取。基于Fisher标准筛选出最能表达磨损过程的若干特征。最后利用逻辑回归法和自回归滑动平均模型相结合的方法评估当前钻削加工的可靠性,预测钻头的剩余寿命。试验证明此方法的有效性,可为换刀决策提供依据。     

基于数据驱动的铣削刀具寿命预测研究

建立了一种基于轨迹相似性和支持向量回归机的集成预测模型,可以预测刀具的寿命。对试验采集到的信号进行了时域和小波分析,研究了信号特征量与刀具磨损之间的关系。计算了45个特征量与刀具磨损之间的相关系数,最终选择5个特征向量作为预测模型的输入向量。样本刀具1、2和3在稳定加工阶段的寿命预测精度分别为88.5%,87.5%和90.5%。并同其他模型进行了对比,结果表明,所提出的集成模型在刀具剩余使用寿命预测方面预测精度更优。     

基于深度学习的高速铣削刀具磨损状态预测方法

由于铣刀在高转速下进行不连续切削,刀具磨损迅速且难于监测,并且刀具磨损严重影响加工精度与产品质量。针对高速铣削刀具磨损难以在线预测问题,提出了一种基于深度学习的高速铣削刀具磨损预测的新方法。通过小波包变换提取铣削力信号在不同频段上的能量分布作为初始特征向量;采用无监督学习对稀疏自编码网络进行特征学习,并将单层网络堆栈构成深度神经网络;最后利用有监督学习对整个深度网络进行微调训练,建立铣削刀具磨损预测模型。实验结果表明,所提出的方法对刀具磨损状态预测准确率达到93.038%。     

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。     

钛合金铣削加工刀具磨损有限元预测分析

钛合金Ti6Al4V因其优良的综合性能在航空航天领域有着广泛的应用。然而,在钛合金切削过程中,极易出现刀具磨损现象。目前尚缺乏钛合金加工用刀具寿命预测的有效手段和方法。针对这一问题,基于刀具在铣削工作过程中受到的热力耦合作用,利用Fick扩散定律揭示了刀具扩散磨损机理,构建刀具磨损模型;利用有限元仿真软件Advant Edge的二次开发技术,将刀具磨损模型嵌入到有限元模型中,进行刀具磨损的预测;进而借助刀具寿命试验,验证了刀具磨损模型的可靠性。     

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.     

线性回归模型诊断和在线预测刀具磨损量的方法研究

目的是研究诊断端面铣刀磨损量和在线预测铣刀的剩余寿命的方法.采用线性回归模型估计测刀面的磨损量.线性回归模型的输入是从铣刀受力信号提取出的特征和切削条件,比如进给量、转速等.在诊断了刀具的磨损量后,采用双指数平滑方法跟随诊断结果预测铣刀的使用寿命.最后,通过卖验验证了基于线性回归模型得到的刀具的磨损量和基于双指数平滑方法在线预测铣刀的剩余寿命的可行性.     

基于HHT算法与主轴功率信号的刀具磨损状态在线监测

对刀具磨损状态进行在线监测是提高加工效率、改善产品质量的重要途径,提出了一种基于希尔伯特-黄变换(HHT)和机床主轴功率信号的刀具磨损状态在线监测方法,并设计了六组实验用于研究切削用量、工件材料、加工方式等因素对该方法监测精度的影响。实验结果表明,在不同加工工况条件下,基于希尔伯特-黄变换和主轴功率信号构造的磨损系数与刀具的实际磨损量均有较高的相关性,相关系数约为0.85,最高可达0.98,即所研究的因素对该方法监测精度影响较小。表明文章提出的刀具磨损状态在线监测方法具有良好的可行性和适用性,能够满足工业中的应用需求。     

基于支持向量回归机的刀具寿命预测

刀具寿命是制定刀具需求计划、衡量刀具性能和核算成本等的重要依据。针对现有神经网络方法在预测刀具寿命方面存在的不足,提出了一种新的基于支持向量回归机的刀具寿命预测方法。在分析了影响刀具寿命预测主要因素的基础上,建立了基于支持向量回归机的刀具寿命预测模型。应用实例的仿真结果表明,所建立的预测模型具有较强的推广能力和较高的预测精度。     

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.     

涂层硬质合金刀具高速车削300M刀具磨损机理研究

以在飞机、汽车、轮船等领域的关键承力件上广泛应用的超高强度合金钢300M作为研究对象,采用涂层硬质合金刀具进行高速干车削加工,并对切屑变形、刀具寿命及刀具磨损机理进行分析。研究表明:高速切削300M时,切屑的塑性变形严重;涂层刀具主要的磨损形式为正常的前、后刀面磨损,以及非正常的剥落和崩刃;刀具在稳定磨损阶段形成了次生粘结层起着隔热、减摩的作用,有效提高了刀具寿命,但在急剧磨损阶段,大块状的粘结、崩刃、涂层剥落、微裂纹等致使刀具磨损加剧;高速车削300M涂层硬质合金刀具主要的磨损机理为粘结磨损、磨粒磨损、涂层剥落、微崩刃、微裂纹。该研究可望在高性能涂层刀具设计、刀具寿命预测等方面推广应用。     

多传感器融合下多工况刀具磨损状态预测的深度森林方法研究

准确监测加工过程刀具磨损状态有助于避免因刀具失效导致的产品质量问题。 建立不同工况的刀具磨损监测模型,往 往需要对每组工况调参以保证精度。 为减少调参并保证预测精度,结合深度森林的超参数少、参数对模型不敏感和训练过程自 适应等优点,利用深度森林建立了多传感器信号及多工况下自主特征选择的刀具磨损状态预测模型。 基于 3 组不同工艺参数 下 TC18 铣削过程的多传感器及磨损数据,以及预测与健康管理(PHM)学会 2010 年高速数控机床刀具健康预测竞赛的开放数 据,深度森林在 3 组工况的预测精度分别为 95. 35% 、96. 63% 和 97. 06% ,在 PHM 数据上为 98. 95% ,验证了深度森林对多工况 下刀具磨损预测的高精度和适用性,为在线监测技术提供了有力的指导。     

A880高压动叶片型面加工R5球头铣刀磨损机理与寿命研究

针对X22CrMo V12-1-5钢汽轮机A880高压动叶片型面加工R5球头铣刀磨损机理及寿命进行研究。通过模拟现场工况下的R5球头铣刀磨损实验得到刀具磨损曲线和刀具寿命,分析了R5球头铣刀的磨损失效机理,得到R5球头铣刀最大不崩刃许用切削长度和铣刀全寿命周期中可以加工的叶片数目。利用所得到的R5球头铣刀寿命量化模型对加工现场报废的R5球头铣刀做了剩余寿命挖掘,研究发现加工现场报废的刀具仍然具有较大的使用价值并根据模型预测了其剩余寿命。研究结论可应用于实际生产中R5球头铣刀的寿命管理,大幅度提高实际加工中R5球头铣刀的使用效率。     

基于深度学习的铣刀剩余寿命预测方法研究

刀具剩余寿命预测对保证设备正常运行和提高生产效率具有重要意义.建立了一种改进的基于一维卷积神经网络(one-Dimensional Convolutional Neural Network,1DCNN)和双向门控循环单元(Bidirectional Gated Recurrent Unit,BiGRU)的铣刀剩余寿命预测混合模型.借助评分函数能对误差进行不同程度的惩罚,在均方误差函数的基础上引入评分函数,构造了一种基于均方误差和评分函数(MSE-Score)的调和平均(Harmonic Mean-MSE-Score,HM-MSE-Score)损失函数;利用卷积层和池化层代替BiGRUs处理后的全连接层,设计了1DCNN-BiGRUs-CP混合模型,实现铣刀剩余寿命预测.结合铣刀磨损实验,验证了该预测混合模型具有较高的预测精度和较快的运行速度,研究结果能为数控加工过程中铣刀剩余寿命预测提供理论依据.     

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。     

基于多传感数据融合的刀具磨损状态预测研究

为提高制造系统可靠性,提出了一种基于人工智能的多传感器数据融合方法用于预测刀具磨损状态。通过人工智能算法对于监测过程中的多传感器数据进行特征融合,进而使用支持向量机进行回归分析,从而对刀具磨损状态进行预测。主要选取经典特征选择技术包括核主成分分析,局部线性嵌入和最小冗余最大相关方法进行特征融合,通过数控铣床上的刀具磨损损伤实验验证该方法的有效性。结果表明,刀具磨损预测模型可以以更加经济有效的方式精确估计刀具磨损宽度,精度等同于离线的显微镜仪器测量,此外核主成分分析方法预测精度最高。