基于BiLSTM的铣刀磨损状态监测模型

机械加工中刀具磨损退化直接影响工件质量和生产效率,在线监测刀具状态对于提高生产可靠性和降低刀具成本具有重要意义。为实现铣刀磨损状态在线监测,通过采集的主轴振动和主轴电机驱动电流作为监测信号;使用小波阈值降噪消除信号中的环境噪声干扰成分,并通过冗余提升小波变换保留信号的精确频率局部化信息,以提取更为丰富的频率特征;引入BiLSTM双向长短周期记忆网络对特征信号的时间信息进行编码,通过全连接层预测刀具磨损状态。通过铣刀的全寿命实验验证本文设计的铣刀磨损状态监测模型,结果表明,BiLSTM双向长短周期记忆网络可以有效评估铣刀磨损状态。     

基于红外温度的铣刀磨损在线监测

刀具状态及切削加工过程监控是自动化加工过程中保证产品质量和加工设备安全的重要手段,切削区温度与刀具状态直接相关。利用红外温度传感器,实现了切削区温度的远距离非接触式采集。通过铣削试验,探索了不同切削参数下刀具后刀面磨损(VB)与切削温度之间的关系。     

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。     

基于铣削力参数化模型的铣刀非均匀磨损状态监测方法研究

在航空结构件钛合金零件数控加工中,刀具非均匀磨损状态对工件的最终质量影响很大。为了及时发现并控制因刀具非均匀磨损导致的异常加工状态,对钛合金加工刀具非均匀磨损状态监测方法进行了研究。建立了基于刀具刃线参数化模型的铣削力参数化模型,实现了对钛合金加工刀具非均匀磨损状态的监测,解决了零件单件或首件加工中样本数据缺失条件下的钛合金加工刀具非均匀磨损状态准确监测难题。     

基于切削电流系数的铣刀磨损状态监测

基于切削力系数的铣刀磨损状态监测方法提出了与切削参数独立的刀具磨损指标。由于存在干扰机床正常加工、实时性不佳、传感器安装不便和成本过高等问题,限制了其在实际工业环境中的应用。针对上述问题,结合切削力与主轴电流的关系,提出一种基于主轴切削电流系数的铣刀磨损状态监测方法。首先,融合切削力系数和主轴电流的优点,建立铣削电流模型;其次,根据切削电流模型进行切削电流系数辨识,记录新刀状态下切削系数;然后,使用切削系数实时估计相同加工工况下新刀切削电流,监测实际切削电流偏离估计值的程度,判断铣刀磨损状态;最后,通过实验与力信号对比验证该方法的正确性。实验结果表明,该方法可以替代基于切削力系数的磨损状态监测方法,能有效、实时、无干扰、便利和低成本地识别新刀、正常和严重3种磨损状态。     

基于分形理论和神经网络的刀具磨损监测

提出了一种基于分形理论和神经网络的刀具磨损监测方法,从切削力动态分量中提取分形维数D、从切削力静态分量中提取切削力比R这两个特征量作为监测刀具磨损状态指标,并将这两个特征量及切削速度作为神经网络的输入.试验结果表明,该方法能有效识别刀具的磨损状态.     

基于切削力的铣刀磨损在线监测研究

以实验方法研究了高速钢立铣刀后刀面磨损和铣削力之间的关系,建立了表征后刀面磨损和铣削力之间关系的数学模型,并提出了基于切削力的铣刀磨损监测算法。     

基于时域特性的铣刀磨损状态信息提取

在分析铣削加工过程特点的基础上，采用后刀面磨损带面积为铣刀磨损的评价指标，建立了基于切削力和主轴电机功率的铣刀磨损模型，探讨了基于时域特性的铣刀磨损状态信息提取的相关技术。理论分析和实验结果表明，切削力和主轴电机功率的量纲一系数Cv的变化与铣刀后刀面磨损带的磨损过程直接相关。采用切削力和主轴电机功率的量纲一系数Cv作为铣刀后刀面磨损带面积的监测信号能真实地反映其磨损过程。     

基于切削力信号时域频域特征融合的刀具磨损监测

从时域、频域提取了切削力信号特征参数随着刀具磨损量增加的变化规律,提取了切削力信号的峰值因子、Kurtosis系数和频段带能量作为刀具磨损量监测特征参数,并将各个特征量构成的特征矢量输入改进的多层反传神经网络进行融合,实现钻削过程刀具磨损量的智能识别。试验结果表明,该方法具有较高的识别精度和较强的抗干扰能力。     

用模糊神经网络进行铣刀磨损状态识别

刀具磨损监测过程是一个模式识别过程,模糊推理和人工神经网络都是进行模式识别非常有效的办法,针对模糊系统和神经网络各自表现出来的不足,将模糊推理和神经网络结合起来,充分利用模糊系统在处理结构性知识上的优势和神经网络在自学习和并行处理上的能力,形成模糊神经网络进行刀具磨损在线监测识别.通过研究模糊系统和神经网络的结合形势,...     

基于BP神经网络的盘形成形铣刀的刀具磨损诊断研究

通过电流法监测数控铣齿机的主轴电动机电流,采用BP神经网络方法应用于盘形成形铣刀的刀具磨损诊断,找到BP神经网络的输入特征向量以及对应的目标向量,设计BP神经网络,实现对盘形成形铣刀的刀具磨损诊断。     

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。     

采用深度学习的铣刀磨损状态预测模型

为提高刀具磨损监测的预测精度与泛化性能,研究了基于深度学习的铣刀磨损状态预测,提出了基于堆叠稀疏自动编码网络与卷积神经网络的两种预测模型。堆叠稀疏自动编码网络对特征向量进行降维并将其纳入分类器来实现预测,可避免特征选择对先验知识的依赖;卷积神经网络将铣削振动数据转化为小波尺度图并输入模型完成分类,精简了传统建模流程。最后将提出的两种模型与传统神经网络模型进行比较,验证了所提模型的效率与精度。     

盘形成形铣刀的刀具磨损故障诊断方法研究

通过分析高速铣齿机的盘形成形铣刀及其铣削过程的特殊性、刀具磨损的信号采集和处理方法.选用电流法监测数控铣齿机的主轴电动机电流,采用BP神经网络方法对信号进行处理,最后实现对盘形成形铣刀的刀具磨损诊断.经实验证明,该铣刀的电流监测和基于BP神经网络数据处理的方法具有良好的诊断性能.     

基于VC的车刀磨损实时监测和补偿系统的设计

介绍了以VC为平台设计开发的一套基于切削力信号分析与处理的刀具磨损实时监测和补偿系统。     

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.     

视听信息融合的CNC铣刀磨损状态监测方法

针对目前多特征融合刀具磨损监测方法中存在特征之间相关性差、非线性关系被忽略,导致用于模式识别的融合特征维数过大、冗余信息多、特征契合度差和识别准确率低的问题。提出了一种核典型相关分析(Kernel Canonical Correlation Analysis, KCCA)的多级特征融合方法。采集数控加工过程的声压信号以及工件纹理图像,并提取相应的视听特征,利用核典型相关分析法在高维空间找到2组投影方向,保证投影后特征间的皮尔逊系数最大,使视听特征的相关性最大化。经实验验证,利用核典型相关分析法能计算6组典型变量,并表达原特征97%以上的信息,大大降低了特征维数、减少了冗余特征。并且同样的识别模型下,核典型相关分析法能够将检测准确率提升至95%以上。     

基于贝叶斯优化Bi-LSTM的刀具磨损状态监测模型

针对刀具磨损在线监测过程中信号特征较弱、外界噪声干扰较大导致的预测准确度较差问题,提出了一种基于贝叶斯优化(BO)双向长短时记忆网络(Bi-LSTM)的刀具磨损状态监测模型。结合斯皮尔曼相关系数和最大互相关系数来筛选降噪后切削力信号的时域、频域及时频域特征,输入到建立好的Bi-LSTM模型进行训练;针对Bi-LSTM模型参数组合对精度影响大且难以选择的问题,采用贝叶斯优化算法进行超参数寻优;利用铣削加工实验对模型进行验证。结果表明,该方法能快速得到模型最优超参数,同时兼具稳定性和准确性,与其他深度学习模型相比,准确率更高,实验证明了该模型的有效性和可行性。     

国内外刀具磨损、破损自动监测方法的现状述评

本文总结了目前国内外刀具磨损、破损自动监测的主要方法，并对其优缺点、技术现状及应用背景进行了评述。