基于动态树理论的刀具磨损监测技术

提出了基于动态树理论的刀具磨损监测方法,通过相关系数法提取传感器信号与刀具磨损最相关的几组特征,并采用具有局部记忆的B样条模糊神经网络建立刀具磨损量与声发射信号、切削力信号和振动信号特征之间的非线性映射关系,构造了任意加工条件下的刀具磨损监测系统,刀具磨损的识别结果由集成神经网络输出。试验结果表明,基于此方法构建的刀具磨损监测系统具有精度高、可靠度强、增殖性好和在线识别速度快等优点,值得工业推广。     

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。     

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。     

模糊数据融合的刀具磨损状态智能识别

为实现高速加工时刀具渐变磨损状态的在线准确识别,提出了一种集合多种智能的间接检测刀具磨损状态方法的模糊数据融合方法。尽管这些方法具有算法实现较为简单、处理速度较快的优点,但单一的信号检测及单一的智能建模方法难以获得全面的加工状态信息和准确的识别结果。为此,利用F推理技术对上述方法的冗余和互补信息进行数据融合,应用Makino—Fanuc 74-A20型加工中心的测试数据验证了该方案的可行性,并将刀具后刀面磨损的预测值与基于机器视觉检测的实测值进行比较。实验结果分析表明,多参数模糊融合识别方法能快速获得切削刀具磨损状态更加准确的预测值。     

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(SVM)参数进行优化,建立基于主轴电流信号融合特征和PSO-SVM理论的刀具磨损状态识别模型;最后,通过实验采集某立式加工中心主轴在刀具不同磨损状态下电流信号进行验证,并与传统SVM模型、BP神经网络模型进行了对比分析。结果表明,所提出的方法具有较高的准确率和较好的泛化能力。能够实现正常生产条件下对刀具磨损的长期在线监测。     

基于小波模糊神经网络刀具监控系统研究

针对切削过程中振动信号和AE信号的特点,利用小波分析技术提取信号深层特征,建立了新型的基于模糊推理的神经网络模型,该模型能融合振动和AE信号的特征和描述信号特征与刀具状态的非线性关系,以此识别刀具状态。试验表明小波模糊神经网络对提高在线刀具监控系统的可靠性极为有效。     

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PCA和动态监测模型的刀具寿命在线检测技术

为了实现机械加工过程中刀具寿命在线准确识别,采用时域、频域和小波变换等信号分析方法,提取切削力信号和振动信号中与刀具寿命变化敏感的多个特征,系统输入特征向量通过主向量分析(PCA)方法根据累积贡献率进行优化选择;监测系统根据加工条件自动选择对应的,由两个寿命计算模型构成的动态监测模型,两个模型根据输出精度交替实现刀具寿命计算、在线学习和模型参数更新,最终实现了刀具寿命的在线预测。长期运行结果证明,建立的刀具寿命监测系统能够准确预测刀具的寿命状态,具有良好的自学习能力,在线计算速度高,具有较强的工业推广价值。     

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。     

刀具磨损早期故障智能诊断研究

针对刀具的早期故障监测中因存在强烈的背景噪声而难以提取故障特征的问题,提出了基于二次采样随机共振消噪和B样条神经网络智能识别的故障诊断方法。首先利用在随机共振过程中,噪声增强振动信号的信噪比特性,将刀具振动信号进行随机共振输出,提取有效特征,再输入到B样条神经网络进行智能识别,进而获得刀具的磨损值。同时,为了得到与输入信号最佳匹配的随机共振参数,提出了基于遗传算法的多参数同步优化的自适应随机共振算法,克服了传统随机共振系统只实现单参数优化的缺点。实验结果表明,该方法能实现弱信号检测,能有效地应用于刀具磨损故障诊断中。     

A new model of the antifriction effect on wiredrawing with ultrasound

In this paper, two different evolutionary algorithm-based neural network models were developed to optimise the unit production cost. The hybrid neural network models are, namely, genetic algorithm-based neural network (GA-NN) model and particle swarm optimization-based neural network (PSO-NN) model. These hybrid neural network models were used to find the optimal cutting conditions of Ti[C,N] mixed alumina-based ceramic cutting tool (CC650) and SiC whisker-reinforced alumina-based ceramic cutting tool (CC670) on machining glass fibre-reinforced plastic (GFRP) composite. The objective considered was the minimization of unit production cost subjected to various machine constraints. An orthogonal design and analysis of variance was employed to determine the effective cutting parameters on the tool life. Neural network helps obtain a fairly accurate prediction, even when enough and adequate information is not available. The GA-NN and PSO-NN models were compared for their performance. Optimal cutting conditions obtained with the PSO-NN model are the best possible compromise compared with the GA-NN model during machining GFRP composite using alumina cutting tool. This model also proved that neural networks are capable of reducing uncertainties related to the optimization and estimation of unit production cost.     

基于进化神经网络的刀具寿命预测

为预测道具寿命,引入人工神经网络技术,建立了刀具寿命预测神经网络模型,同时对切削参数进行优化选择.在刀具寿命预测中,针对反向传播算法存在收敛速度慢、容易陷入局部极小值及全局搜索能力弱等缺陷,采用遗传算法训练反向传播神经网络,设计了进化神经网络的学习算法.实验和仿真结果表明:基于进化计算的反向传播神经网络可以克服单纯使用反向传播网络易陷入局部极小值等难题,刀具寿命的预测精度较高,从而为刀具需求计划制定、刀具成本核算,以及切削参数制定提供理论依据,节约了制造执行系统中的生产成本.     

Numerical simulation of orthogonal machining process using multilayer and single-layer coated tools

The tool edge radius significantly affects material deformation and flow, tool?Cchip friction, and a variety of machining performance measures (such as the cutting forces and tool wear) in mechanical micro/meso-scale machining. The tool edge-related research, either theoretically or experimentally, has been only focused in machining cases in which no built-up edge (BUE) is generated. To close this research gap, a comparative study of sharp and round-edge tools in orthogonal machining with BUE formation is conducted, including both experimental investigations and theoretical modeling. The experimental results show that the variations of the cutting forces are more stable in machining with a sharp tool than those in machining with a round-edge tool. A round-edge tool produces higher vibration magnitudes than does a sharp tool. The cutting vibrations do not necessarily have the same varying pattern as that of the cutting forces in machining with either a sharp tool or a round-edge tool. A neural network-based theoretical model is developed to predict three distinct regions of BUE formation (namely BUE Initiation Region, Steady BUE Region, and Unsteady BUE Region) in machining with a round-edge tool. The developed neural network model has been proven valid using a separate set of cutting experiments under different cutting conditions from those used for network training and testing.     

车削过程切削力的计算机数值仿真

切削力是表征切削过程最重要特征的物理量,其动态变化将直接影响加工过程中刀具与工件的相对位移、刀具磨损和表面加工质量等,所以对切削力建模是进行加工过程物理仿真研究的基础。因此在基于实时工况的切削实验研究基础上,考虑切削参数的因素,利用BP（back pmpagation）神经网络建立车削过程中的切削力的仿真模型。通过大量的样本训练,使神经网络能够对切削力进行较准确地数值仿真。     

基于模糊小波神经网络的加工过程自适应控制

为了克服模糊控制动态响应慢和鲁棒性差的缺点,将模糊控制的定性知识表达能力与小波分析优异的局部控制性能和神经网络的定量学习能力相结合,提出了一种模糊小波神经网络自适应控制器,并将其应用于加工过程控制。对变切削深度的铣削加工过程控制的仿真结果表明,基于模糊小波神经网络的加工过程自适应控制,其控制效果优于一般的模糊控制和神经网络控制,具有很好的动、静态性能。该自适应控制器能有效防止刀具损坏和提高加工效率,是一种有效的加工过程控制方法。     

数控车床中车刀磨损量的在线获取方法

介绍了一种在线估算数控车床上车刀磨损量的方法。该方法通过实时采样切削过程中切削力的变化,并考虑切削用量,利用具有变因子BP学习算法和前馈感知器型神经网络,在线提取车刀的磨损信息。该方法利用一个静态神经网络和一个动态神经网络构成一个估计系统,动态神经网络用来估算车刀磨损量,静态神经网络为动态网络提供学习信息,从而保证在切削参数和切削条件变化时系统输出的准确性。     

基于B样条模糊神经网络的刀具磨损监测

刀具状态监测是实现自动化加工和无人化加工的关键技术。本文使用切削力和声发射传感器监测金属切削过程,提出了基于B样条模糊神经网络作为刀具磨损量监测模型。该模型能够准确描述刀具磨损和信号特征之间的非线性关系,和常用的BP前馈神经网络相比,具有收敛速度快和局部学习能力等优点。试验结果表明:采用B样条模糊神经网络对提高刀具磨损在线监测的准确度和可靠度非常有效。