[设备健康管理]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。     

基于铣床主轴弯扭力学信号的铣刀磨损状态监测方法研究

为了及时检测出急剧磨损的铣刀,提高加工效率,保证工件精度和表面质量,设计了一种基于机床主轴弯矩与扭矩信号的铣刀磨损状态监测方法,利用主轴上的扭矩和弯矩传感器对加工过程中的刀具进行实时在线测量,并对采集到的数据进行处理。试验结果表明,将切削力信号融合提取特征作为输入信号,可以提高刀具磨损状态识别的准确性,能够直接和准确地反映刀具磨损状态。     

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。     

CPS系统中刀具加工状态实时监测的新方法

机床是信息物理系统(CPS系统)中主要的执行单元和感知单元,对其加工状态的动态监测和实时感知可以提高产品质量。为了实现加工现场信号采集和刀具加工状态在线监测,设计了主轴功率信号采集系统,同时引入力信号作为对比分析,应用希尔伯特-黄变换和小波变换根据特征频率段的信号特征构造了刀具磨损系数,将刀具磨损状态和磨损系数对应起来,在加工现场实现了刀具状态的在线监测。通过和小波变换的对比,证明了希尔伯特-黄变换在处理功率信号方面可以有效抑制噪声信号,提高监测的准确性。     

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。     

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.     

基于区域生长法的数控刀具磨损状态检测方法

研究了一种基于视觉特征在线提取刀具磨损特征值的方法,用于不停机诊断刀具磨损状态。针对刀具磨损图像的特点,设计了自动选取种子点与生长阈值的区域生长算法分割磨损区,并通过最小外接矩形提取刀具磨损特征值(VB_(max))。图像处理结果显示,该方法可以有效而便捷地获得刀具后刀面的磨损信息,可用于数控机床不停机检测刀具磨损状态。     

基于智能报警的刀具状态在线监测技术

为了提高机床加工过程中刀具磨损的监测能力,选择主轴电流和进给电流为主要信息,基于小波分解及软测量模型进行电流信号的多特征提取,从加工进给和主轴驱动两方面反映刀具磨破损信息;在此基础上,基于Parzen视窗法进行多特征信息的数据融合,构建智能报警模型,并依据拉依达法则确定报警边界,从而实现刀具状态的智能报警.将该技术应用到机床的加工中,实验证明可以实时地监测刀具运行状态并进行磨破损报警.     

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.     

复合材料钻削表面粗糙度在线监测与加工参数自适应优化

针对碳纤维复合材料钻孔加工过程中无法实现加工质量与效率统一以及离线优化得到的钻削参数没有考虑变参数刀具磨损等不确定因素影响问题,提出一种新的粗糙度在线监测与加工参数自适应优化方法。采用一组新的无量纲特征以实现变参数刀具磨损监测;以刀具磨损状态值、进给速度以及主轴转速构成特征向量,进而建立基于支持向量回归的孔壁粗糙度在线监测模型。当监测系统判定孔壁粗糙度不合格时,利用模拟退火算法在当前刀具磨损状态下进行钻削参数优化。利用复合材料变参数钻削试验来验证上述方法的有效性。试验结果表明,该方法能够准确判定粗糙度的质量状态,同时有效实现钻削参数自适应优化,解决了复合材料制孔过程中加工质量与效率统一的问题。     

不完备先验知识下的刀具磨损状态评估方法研究

在实际切削加工中刀具磨损的全状态先验知识获取困难,而刀具磨钝状态下的先验知识则较易获取。针对这种不完备先验知识情况,以切削力为监测信号,提出基于连续隐马尔可夫模型(CHMM)的刀具磨损状态评估技术。应用小波包分解技术提取信号特征信息,利用刀具磨钝状态下的先验归一化特征信息建立CHMM监测模型;根据刀具未知状态特性向量与监测模型间的对数似然度获取刀具性能指标,实现刀具磨损状态评价。铣刀全寿命磨损实验表明:该方法能在仅具备磨钝状态先验知识情况下,实现对刀具的磨损状态的初步评估,且所需样本数较少,训练速度快。     

一种在线监测铣刀磨损量的新方法

提出了一种在线监测铣刀磨损量的新方法,该方法利用B样条神经网络建立不同刀具磨损状态下加工参数与切削力之间的映射关系。通过比较实时采集的切削力与不同刀具磨损值对应的切削力大小,可确定刀具的磨损状态,并利用建立的简化模型计算刀具的精确磨损值。试验结果表明,该方法消除了加工参数变化对特征的影响,简化了特征选取的方法,能够适应外部加工环境的变化,完全满足刀具状态监测系统的实用化需求。     

基于LabVIEW的数控刀具磨损实时监控系统

自动化生产系统的工作可靠性与加工质量在很大程度上取决于刀具工作状态,因此刀具磨损与破损在线监测成为机械过程自动化重大技术关键.根据某种最优准则,选择一组既与主导变量有密切关系又容易检测的二次变量,通过构造某种数学关系以实现对主导变量即刀具磨损量的监测是文章的宗旨.通过软件平台建立了切削过程数据采集系统,现场监测参数为机床主轴电机电流,软件平台是LabVIEW.实验证明:该系统实现了机床主轴电机电流信号的采集、存储、分析,能在线监控电流的变化情况,反映出刀具的磨损状况.具有准确性,有效性和实用性.