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。     

VGG13卷积神经网络在刀具磨损监测中的应用

刀具磨损对工件加工精度和表面质量有很大影响,为保证零件加工质量,需对刀具磨损状况进行监测。在实际加工生产中采集工件铣削时的振动信号和力信号,利用短时傅里叶变换,将一维信号转化为二维谱图,建立刀具磨损阶段与频谱图的对应关系,利用Pytorch搭建VGG13卷积神经网络,将频谱图作为卷积神经网络模型输入进行训练,得到刀具磨损监测模型。通过实验对方案可行性及模型准确度进行测试,实验结果表明,利用卷积神经网络进行刀具磨损状态监测的准确度能够达到98%以上,可为实际生产中的刀具磨损状态监测提供参考。     

精密数控机床铣刀故障监测方法的研究

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。     

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。     

CPS系统中刀具加工状态实时监测的新方法

机床是信息物理系统(CPS系统)中主要的执行单元和感知单元,对其加工状态的动态监测和实时感知可以提高产品质量。为了实现加工现场信号采集和刀具加工状态在线监测,设计了主轴功率信号采集系统,同时引入力信号作为对比分析,应用希尔伯特-黄变换和小波变换根据特征频率段的信号特征构造了刀具磨损系数,将刀具磨损状态和磨损系数对应起来,在加工现场实现了刀具状态的在线监测。通过和小波变换的对比,证明了希尔伯特-黄变换在处理功率信号方面可以有效抑制噪声信号,提高监测的准确性。     

基于铣削力与神经网络刀具磨损状态识别研究

以铣削难加工材料——高锰钢加工过程为研究对象。建立了以铣削力作为监测信号的铣刀磨损监测实验系统。应用小波包理论对铣削力信号进行分析和消噪处理。并提取了信号的能量特征作为神经网络的输入向量。基于神经网络极强的非线性映射能力及分类能力。选用小波包分析与BP网络结合的方式对刀具磨损状态进行识别。建立了模式识别BP网络结构,构造了网络训练样本及测试样本。对网络进行了训练、仿真及验证测试,结果表明该网络能够对刀具磨损状态进行准确的识别。对刀具的在线监测具有良好的现实意义。     

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。     

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。     

枪钻的刀具磨损及监测技术

综合国内外研究现状,介绍了枪钻的基本结构和加工系统,总结了枪钻加工过程中刀具磨损的主要形式:扩散磨损和粘结磨损,分析两种磨损形式的机理。阐述了枪钻加工过程中刀具监测技术,目前主要通过采集力、扭矩和声发射信号对刀具状态进行监测,声发射信号等可以对刀具磨损状态进行表征,提出了抑制枪钻磨损方法以及监测技术的发展趋势。     

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。     

The monitoring of flank wear on the CBN tool in the hard turning process

In precision hard turning, tool flank wear is one of the major factors contributing to the geometric error and thermal damage in a machined workpiece. Tool wear not only directly reduces the part geometry accuracy but also increases the cutting forces drastically. The change in cutting forces causes instability in the tool motion, and in turn, more inaccuracy. There are demands for reliably monitoring the progress of tool wear during a machining process to provide information for both correction of geometric errors and to guarantee the surface integrity of the workpiece. A new method for tool wear monitoring in precision hard turning is presented in this paper. The flank wear of a CBN tool is monitored by feature parameters extracted from the measured passive force, by the use of a force dynamometer. The feature parameters include the passive force level, the frequency energy and the accumulated cutting time. An ANN model was used to integrate these feature parameters in order to obtain more reliable and robust flank wear monitoring. Finally, the results from validation tests indicate that the developed monitoring system is robust and consistent for tool wear monitoring in precision hard turning.     

基于小波多分辨率分析和RBF神经网络的刀具磨损状态识别

刀具磨损监测对于提高加工过程的精度和自动化程度具有重要意义。本文提出一种基于RBF函数神经网络的刀具磨损状态监测模式。该系统利用声发射传感器对切削过程进行监测,采用多分辨率小波分解技术从声发射信号中提取反映刀具磨损的特征向量,并输入RBF神经网络,实现了刀具磨损的自动识别。     

铣削声谱LPCC与刀具切削时间的关系

提出了采用线性预测倒谱系数(linear predictive cepstrum coefficient,简称LPCC)监测刀具磨损的方法。使用LPCC作为可听阈内铣削声信号的声谱特征参数,对LPCC进行统计处理,计算LPCC分量的F比,分析LPCC分量与切削时间的关系,寻找LPCC与刀具磨损之间的规律。研究结果表明,铣削声信号的LPCC相关分量加权和可以有效地反映铣刀的磨损变化规律。     

SENSORLESS DETECTION OF TOOL BREAKAGE IN MILLING

One of the most important research topics in the area of Intelligent Manufacture Systems (IMS) is the automatic detection of tool breakage, wear of chipping during the cutting process. Sensor-based techniques are available for cutting force measurements, but there are drawbacks in this approach in cost and idle times. This work proposes a sensorless monitoring system for tool monitoring in order to detect breakage and chipping by exploiting the wavelet transform and a neural network. Previous works have made use of these tools for monitoring several machining parameters, but we propose an integrated low-cost approach to detect quickly the changes in the tool integrity for monitoring. The system output produces an accurate detection of the tool integrity that enables the system to prevent damage due to tool breakage. This approach allows for an industrial solution to be developed.     

SENSORLESS DETECTION OF TOOL BREAKAGE IN MILLING

One of the most important research topics in the area of Intelligent Manufacture Systems (IMS) is the automatic detection of tool breakage, wear of chipping during the cutting process. Sensor-based techniques are available for cutting force measurements, but there are drawbacks in this approach in cost and idle times. This work proposes a sensorless monitoring system for tool monitoring in order to detect breakage and chipping by exploiting the wavelet transform and a neural network. Previous works have made use of these tools for monitoring several machining parameters, but we propose an integrated low-cost approach to detect quickly the changes in the tool integrity for monitoring. The system output produces an accurate detection of the tool integrity that enables the system to prevent damage due to tool breakage. This approach allows for an industrial solution to be developed.     

Development of a tool wear observer model for online tool condition monitoring and control in machining nickel-based alloys

Online monitoring and in-process control improves machining quality and efficiency in the drive towards intelligent machining. It is particularly significant in machining difficult-to-machine materials like super alloys. This paper attempts to develop a tool wear observer model for flank wear monitoring in machining nickel-based alloys. The model can be implemented in an online tool wear monitoring system which predicts the actual state of tool wear in real time by measuring the cutting force variations. The correlation between the cutting force components and the flank wear width has been established through experimental studies. It was used in an observer model, which uses control theory to reconstruct the flank wear development from the cutting force signal obtained through online measurements. The monitoring method can be implemented as an outer feedback control loop in an adaptive machining system.     

基于铣削噪声的刀具状态监测研究

建立了基于铣削噪声的刀具状态监控系统,以研究铣削过程中不同主轴转速、进给速率对刀具磨损状态的影响。试验表明,在2kHz~3kHz频率范围内,切削噪声与刀具磨损有着很好的相关性。在给定加工条件下,该系统能有效识别和预测刀具磨损状态。     

B样条模糊神经网络在刀具磨损监测中的应用

提出一种基于B样条函数模糊神经网络的刀具磨损量监测方法。利用B样条基函数的正定性、紧密性和归一性,可使训练过程中权值的调整在局部范围内,且系统的输出简单可靠。实验结果证明该系统可成功应用于刀具磨损量的实时监测。     

基于神经网络的多特征融合刀具磨损量识别

采用切削力信号监测钻削过程钻头的磨损量 ,分别从时域、频域提取了切削力信号的均值、方差、峭度系数和特定频段能量作为刀具磨损的特征信号 ,讨论了特征信号随着刀具磨损量增加的变化规律 ,并将各个特征信号构成的特征矢量输入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能有效实现多特征融合 ,但识别精度和推广能力有待进一步提高