共查询到20条相似文献,搜索用时 28 毫秒
1.
设计了一种利用光纤F-P声发射传感器监测加工刀具状态的系统,采用BP基神经网络建立刀具磨损情况监控和预测模型,为刀具管理提供依据,提高高速硬切削加工效率。实验证明,该系统对刀具的实时监测效果较好。 相似文献
2.
3.
重型切削硬质合金刀具磨/破损严重将导致其加工质量、生产效率的降低,以及生产成本的增加,因此对刀具的磨损状态监测就显得尤为重要。对近年来在学术期刊上发表的关于刀具磨损在线监测研究文献中采用的方法和技术作了简要的回顾,对整个智能刀具磨损监测系统作出了详细的分析。通过比较各种方法的优缺点,提出了多传感器信息融合技术将作为智能刀具磨损监测技术的主要研究方向。总结了目前刀具磨损监测系统存在的问题,并提出了相应的解决思路。通过借鉴普通切削加工刀具磨/破损监测技术,在重型切削过程中引入刀具磨/破损智能监测方法,可以解决以往重型切削需要通过预先频繁更换刀片的方式来保证工件加工质量的问题,在重型切削领域具有重要的应用价值和发展前景。 相似文献
4.
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。 相似文献
5.
6.
通过人工智能、工业大数据实时感知切削加工中的刀具状态是实现面向性能的制造的重要技术途径,也是高性能制造的关键内涵。然而,在目前的切削刀具状态监测算法中,特征提取过程多依赖于人工经验,这无疑限制了刀具状态监测技术的在高性能制造中的推广应用。因此,针对高性能加工监测中的自主性和准确性要求,基于特征自适应融合和集成学习技术,提了出一种面向高性能铣削的刀具磨损监测方法。所提出的监测方法能够根据特征的表现自动为其赋予不同的权重从而实现特征的自适应融合,同时利用AdaBoost集成学习算法,在自动融合特征的同时保证了状态监测精度。薄壁件铣削实验表明,监测结果与真实磨损间的RMSE和MAE值最大为10.44,最小可达5.16。所提出的方法能够自主、准确地监测航空类薄壁件铣削加工中的刀具磨损状态,解决了高性能铣削加工刀具磨损监测中的人工经验依赖问题。 相似文献
7.
8.
9.
10.
基于B样条模糊神经网络的刀具磨损监测 总被引:2,自引:0,他引:2
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。 相似文献
11.
12.
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。 相似文献
13.
14.
刀具在加工过程中不可避免的存在着磨损和破损现象,刀具的消耗直接导致工件精度下降和生产成本增加。开展了一系列实验,深入研究刀具状态监测方法,构建了新型铣削过程刀具磨损监测试验系统。通过振动传感器和声发射传感器对铣削过程中不同磨损程度刀具的信号进行检测、采集、分析。选择对刀具磨损状态反映敏感的特征量。采用BP神经网络,建立刀具磨损特征向量与刀具磨损状态之间的非线性映射关系。 相似文献
15.
16.
17.
18.
随着切削技术向着高速、高效和干式加工等方向发展,刀具涂层和切削状态监测技术成为影响切削技术发展的主要因素,研究刀具涂层以及刀具磨损引起的切削状态改变对促进制造业发展具有重要意义。利用铣削实验得到了相同切削条件下,不同涂层的3把硬质合金刀具的加工磨损情况。通过分析各个刀具磨损过程中铣削力信号、主轴电流信号以及切削振动信号的变化,得到了无涂层、Ti Al N涂层以及Al Ti N涂层刀具在切削过程中表现出的磨损规律。结果表明:Al Ti N涂层的耐磨性能更好,3把刀具的主轴电流有效值和切削振动信号质心频率的变化均有效反映了刀具磨损情况。在立铣加工过程中,可以将上述两种特征值用于刀具磨损实时在线监测。 相似文献
19.
自动化切削加工过程中,准确可靠地监测刀具磨损状态是保证加工质量和加工效率的关键。针对刀具磨损状态相关特征提取繁琐、准确率低及传统的深度学习网络不能全面提取数据隐含信息等问题,提出了一种以卷积神经网络(CNN)和双向长短时记忆(BiLSTM)网络集成模型为基础并通过在卷积神经网络中添加批量标准化层和采用两个双向长短时记忆网络层的改进模型,该模型通过自动提取小波阈值降噪等预处理和降采样后的切削力、振动和声音信号的空间和时序特征来实现刀具磨损状态监测。将改进模型与CNN-BiLSTM模型及传统的深度学习模型进行对比,发现改进模型在精度和稳定性方面有较大提升。所提方法为准确监测自动化加工过程中刀具磨损状态、提高生产效率和加工质量提供了技术支持。 相似文献