刀具磨损的切削力监测

本文用动态分析的方法，对切削力与刀具磨损的内在联系进行了一些理论探索和实验考查，提出了切削力监测刀具磨损的新方法：频段均方值法．经实验、离线分析，该方法可以准确、及时、可靠地监测刀具磨损状态．     

基于小波分析的刀具磨损状态监测方法

为了实现车削过程刀具磨损状态的实时在线监测 ,使用离散二阶小波变换对切削过程声发射信号进行分解 ,以不同尺度下信号分量的均方根值组成的特征向量为样本 ,利用模糊模式识别技术实现对刀具磨损状态的在线识别 .实验表明 ,在选择适当的标准样本基础上 ,所提出的基于声发射信号小波分解的模糊模式识别方法能准确实现刀具磨损状态的正确识别 ,具有较高的可靠性和准确性 .     

刀具磨损在线监测的数据处理

本文将干扰方程和ARC(2)模型同时引入刀具磨损在线监测的数据处理过程中,较好地解决了切削力之间相互干扰问题,使监测精度和可靠性有显著的提高。其中,相间干扰小于2％,系统对刀具磨损监测分辨率达0.01mm,准确度0.2mm。     

基于一维卷积神经网络的螺旋铣刀具磨损监测

基于传统机器学习的螺旋铣刀具磨损监测方法需要复杂的特征提取和丰富的经验知识,不同磨损阶段具有相同的错误分类代价,针对这些问题,结合电流信号一维性特点,提出基于一维卷积神经网络(1D CNN)和代价敏感学习的螺旋铣刀具磨损监测方法. 采集机器人螺旋铣末端执行器主轴、公转轴和进给轴电流作为监测信号,并采用滑动窗口法进行样本划分,在降低网络容量的同时增加样本数量和多样性;在网络损失函数中引入代价矩阵并增加急剧磨损阶段的错误分类代价,使得1D CNN具有代价敏感性;直接将电流时域信号输入1D CNN,网络可以自动提取刀具磨损特征,并将特征提取和不同磨损阶段分类融合在一起. 试验结果表明,在机器人螺旋铣系统中,该方法的刀具磨损监测准确率为99.29%,在急剧磨损阶段的查全率为99.60%.     

基于改进EMD和LS-SVM的刀具磨损状态识别

针对经验模态分解(empirical mode decomposition, EMD)的端点效应、停止准则和虚假分量作了改进处理, 通过对仿真信号的对比验证证明了改进方法的可行性.采集切削加工中的声发射(acoustic emission, AE)信号并对AE信号运用改进EMD方法分解为若干个固有模态函数(intrinsic mode function, IMF)分量, 利用IMF分量和原始信号的相关系数作为判断依据, 剔除分解中产生的虚假分量, 然后提取IMF分量的归一化能量值并将其作为特征向量.将提取的特征向量分为2组:一组用于对最小二乘支持向量机(least squares support vector machine, LS-SVM)训练;另一组用于识别刀具磨损状态.实验结果表明该方法可有效地表征刀具的磨损状态.     

刀具磨损的在线监测与尺寸补偿研究

在异形螺杆铣削过程中，对反映刀具磨损几种信息进行分析比较．选择了被加工工件径向尺寸变化量为反映刀具磨损信号，对该信号进行了分析和处理．将处理后的信号作为开关量触发NUM系统中的嵌入式PLC，同时激活了数控加工程序中的自行编制的刀补程序，达到了刀具磨损后进行补偿的目的。     

基于改进VMD和自适应BSA优化LS-SVM的刀具磨损状态监测方法

为提高加工过程中刀具磨损状态的识别精度,结合改进的变分模态分解算法(modified variational mode decomposition,MVMD)、自适应回溯搜索算法(adaptive backtracking search algorithm,ABSA)及最小二乘支持向量机(least squares-support vector machine,LS-SVM),提出一种刀具磨损快速识别模型.针对传统信号处理方法存在的模态混叠、噪声敏感等问题,采用瞬时频率均值法预先确定最佳分解模态数,引入降噪型变分模态分解算法进行信号分解;为提高优化效率与自适应性,提出一种改进的自适应回溯搜索算法,通过参数自适应选择提高算法的全局与局部搜索能力;基于自适应回溯搜索算法,采用LS-SVM多分类模型实现了刀具磨损状态的识别.实验结果表明,MVMD可以有效降低噪声、剔除虚假信息,同时验证了ABSA算法具有更强的全局探索和局部寻优能力,使得ABSA优化LS-SVM模型具有更高的准确性.     

数控机床刀具磨损监测与保护系统软件设计

为了提升刀具监测系统的准确性,提高数控机床无故障运行效率,促进加工过程无人化、自动化生产的发展,提出一种刀具维护保养系统软件的设计方法。该系统由在线刀具磨损状态监测和刀具保护系统两部分组成,两个系统可在局域网内实现相互通讯。通过修改机床的PLC程序,实现数控机床与刀具磨损状态监测系统之间的通讯,保证机床的加工数据实时地传输到监测设备,完成状态监测功能。刀具保护系统主要监控整个局域网中所有刀具监测系统的工作状态。以Qt作为软件开发框架对监测系统进行开发,并利用Android Studio开发刀具保护系统,然后进行加工试验验证。结果表明,当刀具磨损严重时,监测系统能够及时发出提醒,同时刀具保护系统也可以及时查看相应监测系统的最新信息。     

多传感器信息集成在线监测切削刀具磨损状态的实验研究

建立了基于多传感器信息集成的刀具磨损状态在线监测系统,实验结果表明了其监测方法的可行性.     

基于多重分形谱参数的刀具磨损状态特征提取

鉴于多重分形理论在精细刻画系统非线性现象和过程方面具有独特优势,提出了基于多重分形理论的刀具磨损状态特征提取方法.首先估计去噪后的刀具磨损声发射信号多重分形谱,验证其标度不变性和自相似性;然后在此基础上研究了刀具磨损多重分形谱参数α0、Δα和f(αmin)随磨损量变化情况,并通过散点图描述三种特征参数表征刀具磨损阶段的有效性;最后结合切削条件讨论特征f(αmin)与切削速度的关联性.研究结果表明:多重分形谱参数与磨损阶段之间具有较强的关联性,进而提出了基于多重分形谱参数进行刀具磨损状态特征提取的新方法.     

基于机器视觉的加工刀具磨损监测方法

为了对加工过程中刀具的磨损状态进行监测,针对麻花钻的磨损形式,提出基于机器视觉的加工刀具磨损监测方法. 根据磨损刀具图像的灰度分布特点,提出基于积分图加速和Turky bi-weight核函数的非局部均值去噪方法;采用单、双阈值大津法获取磨损区域的灰度区间,实现对图像的自适应对比度增强;提出基于形态学重构方法的磨损区域局部极值点提取方法,有效完成对磨损区域的检测和边界提取. 该刀具磨损检测方法成功应用于麻花钻头磨损状态的监测过程,实验结果表明,相较于目前已有的机器视觉监测方法,所提出的方法具有更高的检测精度和效率,准确地提取磨损轮廓,从而有效实现对刀具磨损状态的监测和自动化监控加工过程,达到降低人工成本和产品不合格率的目的.     

刀具磨损时振动信号的分析

本文运用频域和时域分析方法对切削加工中刀具磨损时振动信号进行了试验分析。结果表明,刀具磨损量与功率谱重心、功率谱主峰、时间序列模型 ARC(2)的残差平方和具有相应的规律。本试验分析方法是研究刀具磨损在线监测的一个重要途径。     

ET-GD与K近邻相结合的刀具磨损监测方法

针对铣削过程中刀具磨损量监测问题,提出一种基于极端随机树和高斯分布,与K近邻相结合的刀具磨损监测方法。该方法选用截断法和hampel滤波法剔除力、振动和声发射信号中的异常值和奇异点。其次通过极端随机树和高斯分布的偏离情况对特征集进行优选,降低数据矩阵的复杂性。分别对比分析了两次优选前后三种K近邻模型的拟合度和评估度量。利用优选后的特征对逻辑回归、极端随机树、支持向量回归和K近邻算法模型进行训练,并利用十折交叉验证法和测试集进行验证。最终得出,基于极端随机树和高斯分布与K近邻的刀具磨损监测模型的拟合度达到99.17%,均方误差和平均绝对误差分别为13.0688、1.8241。结果表明该方法能够实现对铣刀磨损的有效监测,从而提高工件加工质量。     

基于连续高斯密度混合HMM的刀具磨损状态监测

针对端面铣刀磨损状态的识别问题,根据隐式马尔可夫模型(HMM)具有良好的模式分类能力,提出了基于连续高斯密度混合HMM(CHMM)的刀具磨损状态监测系统.以铣削力作为监测信号,应用小波包理论对铣削力信号进行分析和消噪处理,并提取信号的能量特征作为CHMM的输入向量,训练CHMM模型,再用训练好的模型对未知的刀具磨损状态进行监测与识别,实验结果表明该模型可以对刀具磨损状态进行准确的识别,且所需训练样本数较少,对刀具状态的智能监测具有很好的实际意义.     

柴油机状态监测与故障诊断的方法研究

本文介绍了４１３５柴油发动机状态监测与故障诊断的基本方法。根据所测取的缸体表面振动信号，详述确立发动机固有振动频率，激励源频率的基本方法，针对发动机的结构特点，确定测点分布，传感器选择的基本原则。