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。     

改进的BP神经网络在刀具磨损状态监测中的应用

刀具磨损状态监测的研究中,采用传统BP算法的神经网络识别切削过程中的刀具磨损量,具有局限性。文中提出了一种改进的BP神经网络结构,选取了新的BP算法,并对网络结构参数进行优化调整。对振动信号和AE信号分析后提取出刀具磨损特征量输入改进的BP神经网络,经过训练后用于识别刀具磨损状态。通过比较,改进的BP神经网络的收敛速度明显提高,且减小了识别误差。实验证实了其可行性和有效性。     

基于BP神经网络的超声振动钻削钻头磨损状态监测试验研究

搭建了超声轴向振动钻削钻头磨损状态的钻削力和声发射信号采集系统,采集不同磨损状态下钻中区域的钻削力和声发射信号进行小波分解,得到与钻头磨损状态相关的特征量作为识别钻头磨损状态的特征参数,输入到建立的6-13-3的三层BP神经网络模型中进行融合,识别钻头磨损状态。试验结果表明,通过BP神经网络技术将钻削力和声发射信号融合识别钻头磨损的准确率约88.9%,能够有效监测钻头磨损状态。     

数控机床刀具磨损的振动监测法

在分析小波理论及BP神经网络的基础上,进行了刀具磨损试验研究。在时频域对刀具磨损状态的特征信号进行提取和分析,获得了反映刀具磨损状态的特征信号。将此刀具磨损特征量作为BP神经网络的输入样本对网络进行学习训练,完成对刀具磨损状态的有效识别。实验结果表明该方法是有效的。     

基于云理论与LS-SVM的刀具磨损识别方法

针对刀具磨损过程中产生声发射信号的不确定性以及神经网络学习算法收敛速度慢、易陷入局部极小值、对特征要求较高等问题,提出了基于云理论和最小二乘支持向量机的刀具磨损状态识别方法。首先,对声发射信号进行小波包分解与重构,滤除干扰频段对求取特征参数的影响;其次,对重构后的信号利用逆向云算法提取云特征参数:期望、熵、超熵,分析刀具磨损声发射信号的云特性及磨损状态与云特征参数之间的关系;最后,将云特征参数组成特征向量送入最小二乘支持向量机进行识别。研究结果表明:所提取的特征可以很好地反映刀具的磨损状态,云-支持向量机方法可以有效地实现刀具磨损状态的识别,与传统神经网络识别方法相比具有更高的识别率,识别率达到96.67%。     

基于小波包和BP神经网络的刀具磨损状态识别

刀具磨损状态影响金属切削过程,因此监测刀具磨损状态对提高产品质量有着重要的意义。设计刀具磨损状态监测系统,利用传感器采集刀具振动信号,通过小波包对振动信号进行数据分析,并把不同频段的能量值作为刀具磨损状态的特征值,建立BP神经网络,从而在刀具磨损状态和振动信号特征向量之间建立映射关系,完成刀具磨损状态的监测。利用C++Builder和Matlab软件混合编程实现了系统的功能。试验表明,系统运行良好,能够对刀具磨损状态进行正确识别。     

基于深度门控循环单元神经网络的刀具磨损状态实时监测方法

为监测生产加工过程中的刀具磨损状态,提出一种基于深度门控循环单元神经网络的轻量化状态监测模型。首先,预处理阶段对加速度传感器采集的时序信号进行小波阈值去噪,并将每次刀具进给产生的冗长信号划分为多个训练样本,以滤除噪声、改善算法的鲁棒性;然后,利用卷积神经网络(CNN)从时序信号输入中自适应地提取特征,构建深度双向门控循环单元(BiGRU)神经网络学习特征向量间的时序信息,并将Attention机制的思想引入其中,自适应地感知对磨损状态分类结果有关联的网络权重,并对其进行合理分配,避免因人工提取特征带来的复杂性和局限性。实验结果表明,所提方法能够对传感器采集的原始数据实时准确地预测刀具磨损状态,在识别精度和泛化能力上均达到了较好的效果,为实际工业场景下的刀具磨损状态监测提供了新的思路。     

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。     

基于声发射信号的带材剪切刀具磨损在线监测方法

在铁基纳米晶合金带材剪切加工过程中，其刀具的状态对于保证加工质量至关重要。针对铁基纳米晶合金带材剪切加工过程中的刀具磨损状态监测问题，提出了一种基于声发射信号的剪切刀具磨损在线监测方法。首先，通过搭建声发射监测设备确定了相应的参数，采集原始声发射信号进行了预处理，得到了剪切加工阶段的信号，将其用于后续处理；然后，分析了剪切刀具磨损以及带材质量随剪切加工过程变化的关系，并根据剪切加工过程中获取的声发射信号，进行了时域、频域、时频域特征提取，分析了获得的特征与刀具磨损之间的关系，利用ReliefF和主成分分析(PCA)算法进行了特征选择与降维处理，得到了具有良好相关性的特征；最后，基于所选特征，构建了支持向量机(SVM)人工智能模型，用以识别剪切刀具的磨损阶段。研究结果表明：随着刀具磨损的加剧，带材质量下降，声发射信号特征值与刀具磨损存在对应关系；采用ReliefF-PCA-SVM模型能够实现95.56%的分类准确率，能够有效地对剪切加工过程中的刀具磨损进行在线监测。     

刀具磨损状态识别与智能监测方法综述

刀具作为机械生产中机床加工所使用的关键执行件,其磨损状态识别和智能监测技术对于提高生产效益具有重要意义。传统的刀具磨损信号分析都是利用经验方法分解提取出信号特征来对信号特征进行解析,无法实现智能化监测。随着大数据时代的到来和深度学习算法的不断优化和改进,诸如卷积神经网络、深度置信网络、稀疏自动编码器等算法的应用越来越广泛,因此可以利用大数据平台,将深度学习算法与现代传感器技术、计算机技术、信号采集存储技术相结合,实现刀具磨损状态识别和智能监测。大数据技术和人工智能技术在机械工业生产中的结合应用是当今时代的必然发展趋势。