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。     

基于切削功率的数控车削批量加工刀具磨损在线监测

为了实现数控车削批量加工刀具磨损状态的在线监测,在分析切削功率与刀具磨损量关系的基础上,考虑加工参数对切削功率的影响,基于正交实验设计与响应面法,建立了切削功率与刀具磨损量及加工参数之间的回归模型。提出一种实时更新切削功率阈值的刀具磨损状态在线监测方法。该方法首先对功率信号进行滤波处理,结合数控系统判断机床的运行状态,然后实时计算切削功率阈值并与实际加工过程切削功率进行比较来监测刀具的磨损状况。通过实验案例自动在线监测数控车削过程中刀具磨损的情况,验证了该方法的有效性。     

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。     

数字孪生驱动的数控铣削刀具磨损在线监测方法

针对数控铣床不断老化导致刀具磨损预测模型误差较大,加工过程中动态数据难以在线采集等问题,提出一种数字孪生驱动的刀具磨损在线监测方法。采用神经网络对加工过程中的多源数据进行特征提取,建立考虑机床老化的刀具磨损时变偏差量化模型,并在此基础上提出数控铣削刀具磨损的在线预测方法;开发了面向刀具磨损的数控铣削数字孪生系统,在线感知加工过程中的动态数据并实时仿真刀具磨损过程;最后,将该方法应用于实际加工中并与其他的预测方法进行了对比,结果表明该方法有效降低了机床老化带来的误差,实现了刀具磨损的精确预测。     

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。     

基于长短期记忆神经网络的刀具磨损状态监测

刀具磨损状况的实时检测是目前机床加工状态监测的难点,而对刀具的振动信号分析的常用方法是利用神经网络模型来判断刀具磨损状态。为解决循环神经网络(RNN)模型训练过程中梯度容易消亡的现象,提出基于长短期记忆神经网络的刀具磨损状态在线监测。刀具在进行切削加工时,首先通过加速度传感器采集刀具振动信号,然后对振动信号小波包变换进行分解是让信号通过不同的滤波器进行有条件的选择,由此形成不同的能量值,用作为长短期记忆神经网络的特征输入,从而诊断出刀具磨损状态的3种状态故障;最后利用长短期记忆神经网络模型对处理时间序列的数据有比较好的效果,它可以捕捉长期的依赖关系和非线性动态变化。此外,通过与多层(BP)神经网络和(BP)神经网络故障诊断方法进行比较,结果表明,LSTM网络对刀具磨损状态在线监测更加有效。     

基于功率和质量信息的批量加工换刀决策方法

针对现有的经验换刀法、预测换刀法和监控换刀法存在着准确性差或传感器安装困难、成本高等不足,分析了机床输出功率信息与刀具磨损的关联特性,建立了基于输入功率的机床输出功率信息提取方法;分析了机床输出功率与工件质量信息在监控刀具磨损状态及换刀决策中的互补特性,提出了基于机床输出功率信息和质量信息集成的批量加工过程换刀决策方法。加工过程中只需采集机床输入功率信息和工件质量信息,并通过支持向量机分类法识别刀具磨损状态,就可获得刀具更换方案。在Qt Creator平台上开发了一套换刀决策系统,并在某型号数控滚齿机上进行了验证,展示了该方法的应用前景。     

用振幅经检测刀具磨损状况

切削机床刀具磨损在线检测,由于测试及信号处理的难度,致使有信号的撮较难。本文通过对GA6140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伯数学建模工作,具该法直观性强;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。     

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...     

Tool condition monitoring in an end-milling operation based on the vibration signal collected through a microcontroller-based data acquisition system

Machine condition plays an important role in machining performance. A machine condition monitoring system will provide significant economic benefits when applied to machine tools and machining processes. Development of such a system requires reliable machining data that can reflect machining processes. This study demonstrates a tool condition monitoring approach in an end-milling operation based on the vibration signal collected through a low-cost, microcontroller-based data acquisition system. A data acquisition system has been built through interfacing a microcontroller with a signal transducer for collecting cutting vibration. The examination tests of this developed system have been carried out on a CNC milling machine. Experimental studies and data analysis have been performed to validate the proposed system. The onsite tests show the developed system can perform properly as proposed.     

恒定加工条件及定期补偿下的刀具渐变可靠性灵敏度分析方法

据统计,由刀具失效导致的停机时间超过机床被迫停机时间的1/3,故开展刀具渐变可靠性及其灵敏度分析的研究对提高机床的运行可靠性具有重要意义。采用连续时间、连续状态、具有非减独立增量的非平稳Gamma过程描述刀具磨损量的变化过程。根据加工偏差不大于机床给定加工精度的原则,构建刀具制造及磨损量检测有无误差两种情形下、恒定加工条件及定期补偿的刀具渐变状态函数,由此推导出相应的渐变可靠度模型。在此基础上给出渐变可靠度模型对各个参数的灵敏度计算方程。通过数值实例分析,阐述了通过提出的渐变可靠性模型及灵敏度分析方法提高刀具运行可靠性的应用过程。这一工作为提高恒定加工条件及定期补偿下刀具的运行可靠性提供切实可行的理论和方法基础。     

Nonlinear adaptive backstepping control for variable-speed wind energy conversion system-based permanent magnet synchronous generator

Tool wear degradation and working status of slotting cutter have a great effect on the surface quality of rotor slot; therefore, tool condition monitoring and its degradation estimation are needed for guaranteeing slot machining quality. This paper proposes a two-phase method based on acoustic emission (AE) signal classification and logistic regression model for slotting cutter condition monitoring and its degradation estimation. In the first phase, the failure reliability estimation models corresponding to different machining processes are established considering the variability of process system like tool regrinding times and material randomness of workpiece. In the second phase, the most appropriate estimation model corresponding to the optimum cluster is selected and used for failure reliability estimation and status determination of slotting cutter. This approach has been validated on a CNC rotor slot machine in a factory. Experimental results show that the proposed method can be effectively used for cutting tool degradation estimation and status determination of slotting cutter with high accuracy.     

Tool wear predictive model based on least squares support vector machines

The development of tool wear monitoring system for machining processes has been well recognised in industry due to the ever-increased demand for product quality and productivity improvement. This paper presents a new tool wear predictive model by combination of least squares support vector machines (LS-SVM) and principal component analysis (PCA) technique. The corresponding tool wear monitoring system is developed based on the platform of PXI and LabVIEW. PCA is firstly proposed to extract features from multiple sensory signals acquired from machining processes. Then, LS-SVM-based tool wear prediction model is constructed by learning correlation between extracted features and actual tool wear. The effectiveness of proposed predictive model and corresponding tool wear monitoring system is demonstrated by experimental results from broaching trials.     

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。     

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。     

Surface Texture Indicators of Tool Wear - A Machine Vision Approach

There has been much research on the automated monitoring of cutting tool wear. This research has tended to focus on three main areas that attempt to quantify the cutting tool condition: monitoring of specific machine tool parameters in order to infer tool condition, direct observations made on the cutting tool; and measurements taken from the chips produced by the tool. However, considerably less work has been performed on the development of surface texture sensors that provide information on the condition of the tool employed in machining the surface. A preliminary experimental study is presented for accomplishing this texture analysis using a machine vision-based sensor system. In particular, an investigation of the condition of a two-flute end mill used in a standard face milling operation is presented. The degree of tool wear is estimated by extracting three parameters from video camera images of the machined surface. The performance of three image-processing algorithms, in estimating the tool condition, is presented: analysis of the intensity histogram; image frequency domain content; and spatial domain surface texture.