共查询到20条相似文献,搜索用时 46 毫秒
1.
2.
刀具磨损作为机械加工过程中的常见现象,直接导致了切削力增加、工件表面粗糙度恶化以及尺寸超差等不良后果,极大地影响加工效率.采集加工过程中切削力、振动及声发射信号,利用线性回归法对信号进行特征提取及降维;采用不同刀具的磨损数据训练模糊小波极限学习机(FWELM),降低加工过程的不确定性对识别模型的影响,并解决加工系统的信息模糊造成的建模困难问题,提升刀具磨损识别模型的泛化能力.利用标准刀具磨损数据集测试结果证明,基于FWELM构建的刀具磨损状态识别模型识别的每个刀具磨损阶段的准确率及总体识别准确率皆高于极限学习机构建的识别模型. 相似文献
3.
刀具是数控机床的重要零部件,其性能直接影响着生产加工精度。为实现机床刀具磨损程度的在线分级评估,提出一种刀具磨损状态的评估方法,该方法结合随机森林与主成分分析模型,建立不同工况下主轴电机电流传感器信号样本与刀具磨损等级的非线性映射关系。在不同加工条件下进行刀具性能试验,采集主轴电机的电流信号和铣削加工参数。对信号利用小波包分解、时域统计、频域分析提取特征,利用随机森林得到刀具磨损的分级评估结果。该方法可有效解决样本不平衡的问题,与常见的组合分类方法AdaBoost所得结果相比,该模型能准确地反映刀具的磨损程度,鲁棒性更好。该方法仅利用数控机床内置传感器实现,无需改动机床结构,不影响主轴动态加工性能,可广泛应用于工业数控机床刀具的磨损评估。 相似文献
4.
为实现刀具磨损状态的有效在线监测,提出一种基于一维卷积长短时记忆网络的多信号融合刀具磨损评估模型.该模型综合使用加工过程中主轴和工作台的振动和声发射信号,以实现信号间的优势互补,弥补单一信号的不足;基于一维卷积的特征学习能力和长短时记忆网络的时序特征分析能力,充分挖掘信号中包含的刀具磨损状态信息;最后通过全连接层和softmax分类器对刀具磨损状态进行评估.试验结果表明,该模型在各单一工况下对刀具磨损状态的识别准确率均可达93.8%以上,整体工况下识别准确率达95.3%,具有很好的稳定性和多工况通用性. 相似文献
5.
6.
7.
为提高刀具状态监测系统的实用性、避免实际加工过程中工序变换产生的信号干扰,提出一种基于多源同步信号与深度学习的刀具磨损在线识别方法。该方法利用自动触发的方式实现了机床运行在特定工序时的刀具振动、主轴功率、数控系统参数等多源信号的同步在线采集,保证信号同步性的同时有效避免了因工序变换而产生的信号波动干扰;进一步利用高频振动特征实现了 “切削过程”与“切削间隙”采集样本的准确划分,并基于皮尔逊积矩相关系数筛选出强关联特征,保证了多源监测信号融合样本的可用性;最后基于一维卷积神经网络建立了刀具磨损在线识别模型。实验结果表明,该方法无论从识别精度还是诊断效率,均能实现实际加工过程中刀具磨损状态的在线识别。 相似文献
8.
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
9.
10.
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。 相似文献
11.
12.
13.
数控机床在加工过程中,刀具磨损会对被加工零件的表面质量、尺寸精度产生巨大影响,而传统依靠切削力系数来分析刀具磨损的方法,需要在工作台上安装额外测力装置,这将干扰机床正常加工,限制被加工零件尺寸,引起加工质量降低等问题,限制了其在实际工业环境中的应用。针对上述问题,提出利用主轴电流结合深度学习网络识别铣刀磨损状态的监测方法。首先,理论论证利用主轴电流代替切削力识别刀具磨损的可行性;然后,利用压缩感知对电流信号的频域数据进行数据压缩,其中为提高网络的鲁棒性,对观测信号添加高斯白噪音;最后,将压缩后的数据输入堆栈稀疏自编码网络,利用有监督学习与无监督学习相结合的方法,提取刀具磨损所引起的特征信息,用于表征刀具磨损程度。试验结果表明,该方法可以有效对铣刀磨损程度进行识别。 相似文献
14.
为了实现数控机床加工过程中刀具磨损状态的在线预测,提高数控机床智能化水平,提出一种基于主轴电流和振动信号的数控机床刀具磨损在线预测方法。这一在线预测方法采集能够反映刀具磨损状态的主轴电流和振动信号,对信号进行频域、时频分析处理,采用小波包分解和经验模态分解两种方法进行特征提取,得到与刀具磨损状态变化密切相关的特征值,按照递增或递减趋势进行保序回归操作,使用指数平滑方法进行平滑处理,由此建立基于遗传算法参数寻优的支持向量回归模型,用于预测刀具磨损量。试验及应用表明,应用这一在线预测方法,刀具磨损预测的平均误差在25μm以内,满足企业加工要求。 相似文献
15.
《制造技术与机床》2019,(10)
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。 相似文献
16.
17.
本文分析了深孔滚镗加工过程中的主电机和进给电机的功率信号特征,建立了深孔加工刀具状态在线监控系统。该系统可以有效地识别深孔滚镗加工过程中的镗刀磨损、破损及机床的“堵车”现象。 相似文献
18.
19.
为精确地识别刀具磨损状态,提出了一种深度学习与多信号融合相结合的识别方法.以自编码网络为基础,构建了堆叠稀疏自编码网络.采集铣刀不同磨损状态下的力信号、振动信号及声发射信号,并对上述信号进行小波包分解以便获取能够表征铣刀磨损的时频域特征.利用无监督学习和有监督学习对堆叠稀疏自编码网络进行训练,建立了深度学习的铣刀磨损状态识别模型.研究结果表明,多信号融合的深度学习模型对铣刀磨损状态识别准确率达到94.44%. 相似文献
20.
为精确地识别刀具磨损状态,提出了一种深度学习与多信号融合相结合的识别方法.以自编码网络为基础,构建了堆叠稀疏自编码网络.采集铣刀不同磨损状态下的力信号、振动信号及声发射信号,并对上述信号进行小波包分解以便获取能够表征铣刀磨损的时频域特征.利用无监督学习和有监督学习对堆叠稀疏自编码网络进行训练,建立了深度学习的铣刀磨损状态识别模型.研究结果表明,多信号融合的深度学习模型对铣刀磨损状态识别准确率达到94.44%. 相似文献