刀具极限磨损破损在线实时监测

提出了一种监测刀具极限磨损和破损的新方法－多参量综合监测法。设计了监测线路，对电网电压进行了监测，自动减去首切电流，用声发射ＡＥ，电机电流对刀具极限磨损和破损进行综合判别，拓宽了监测范围。提出了抗干扰能力，系统具有高的判别成功率。钻削加工总体判别成功率达９６。２％，车削加工判别成功率为９６．７％。     

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。     

用模糊模式识别方法识别金属切削刀具的磨损

文中引入模糊模式识别理论,建立金属切削刀具磨损识别系统,分析了刀具磨损特征,确定了刀具模糊模式Ai和待识别对象B的隶属函数,分析了车刀磨损的情况。     

基于LabVIEW的刀具磨损监测分形识别平台

将分形应用在刀具状态监测中,随着刀具磨损量的增加,刀具与工件之间的磨损加剧,振动信号的波形变化越来越不规则,信号的分形维数逐渐增大.盒维数和信息维数变化较小,但变化趋势明显;关联维数的变化相对较大,新刀的关联维数最小,报废刀的关联维数明显增大.识别结果表明,刀具在整个磨损历程中振动信号分形维数的变化规律,其大小能较好地反映刀具不同磨损状态,运用振动信号的分形维数可以有效实现刀具磨损状态的监测.     

基于SOM和HMM结合的刀具磨损状态监测研究

针对端面铣刀磨损状态的识别问题,提出了基于自组织特征映射神经网络和隐马尔可夫模型结合的方法。该方法对铣削力信号进行预处理和相关特征提取,用自组织特征映射对信号特征矢量进行量化编码,所得码本作为隐马尔可夫模型的输入向量,分别训练三个不同磨损阶段的隐马尔可夫模型来对未知的刀具磨损状态进行监测与识别。实验结果表明,该方法能够对刀具磨损状态进行准确的识别,对自动化生产具有现实意义。     

数控机床切削过程刀具磨损与破损的振动监测法

数控切削加工过程中刀具的磨损与破损是数控机床常见的故障之一,而刀具的磨损与破损程度直接影响零件的加工质量.所以对刀具状态的实时监测就显得十分关键,本文阐述了从振动分析方面对其进行在线监测的方法.     

刀具磨损和破损的综合监测法

简述一种监测刀具磨损和破损的方法——参考量综合监测法，并设计了监测线路。由于采用该方法时能对电网电压进行监测，自动减去首切电流，还用声发射(AE)、电机电流综合对刀具磨损和破损进行判别，所以拓宽了监测范围，提高了抗干扰能力，使该监测系统具有较高的判别成功率。     

基于EMD-PSO-HMM刀具磨损监控系统

为解决在机械加工过程中刀具的磨损及崩刃对加工质量和效率的影响,通过机器人学习技术,设计一套基于EMD-PSO-HMM刀具磨损监控系统。首先提取不同刀具磨损状态下主轴的电流信号,由于传统小波分析及傅里叶分析在信号分析过程存在一定局限性,文章采用EMD算法对加工过程中主轴电流信号进行不同尺度信号分解并提取特征参数,将提取的特征值输入HMM模型进行训练迭代。为解决HMM模型在模型训练的过程中存在局部最小值的问题,文章引入粒子群算法对HMM模型的输入参数进行全局搜索以达到最优值。基于以上形成的EMD-PSO-HMM刀具磨损监控系统在实际刀具磨损状态评估过程中具有较高的准确性。     

数控机床刀具磨损与破损的声发射监测法

数控切削加工过程中刀具的磨损与破损是数控机床常见的故障之一,而刀具的磨损与破损程度直接影响零件的加工质量.所以对刀具状态的实时监测就显得十分关键,阐述了用声发射法对其进行在线监测的方法.     

离散隐马尔可夫模型在颤振预报中的应用研究

对于切削过程中颤振孕育的动态模式,提出了基于离散隐马尔可夫模型(DHMM)的模式识别理论预报颤振的新方法。首先对切削过程的振动信号进行FFT特征提取,然后利用自组织特征映射(SOM)神经网络对提取的特征矢量进行冗余信息压缩与预分类编码;再根据多变量DHMM建模理论,对切削颤振孕育的各种过程模式建立相应的DHMM,把矢量编码作为观测序列引入到DHMM中进行机器学习、训练;最后将观测序列引入到DHMM中进行颤振孕育的概率识别尝试。实验表明,该方法对颤振孕育过程识别是十分有效的,颤振预报正确率达93.3%。     

基于支持向量机的铁谱磨粒模式识别

将支持向量机方法用于铁谱磨粒模式识别，以磨粒样本的圆形度、细长度、散射度和凹度4个形态特征量作为支持向量机分类器的输入，以滑动磨损、切削磨损、正常磨损和疲劳点蚀4种磨损形式作为分类器的输出，建立基于支持向量机的磨粒分类器；研究支持向量机中误差惩罚系数和核参数对磨粒分类器的性能影响；通过实验比较了基于支持向量机与基于BP神经网络的磨粒分类器的性能，结果表明，基于支持向量机的磨粒分类器分类准确率为96％，基于BP神经网络的磨粒分类器分类准确率为90％。     

基于云理论与LS-SVM的刀具磨损识别方法

针对刀具磨损过程中产生声发射信号的不确定性以及神经网络学习算法收敛速度慢、易陷入局部极小值、对特征要求较高等问题,提出了基于云理论和最小二乘支持向量机的刀具磨损状态识别方法。首先,对声发射信号进行小波包分解与重构,滤除干扰频段对求取特征参数的影响;其次,对重构后的信号利用逆向云算法提取云特征参数:期望、熵、超熵,分析刀具磨损声发射信号的云特性及磨损状态与云特征参数之间的关系;最后,将云特征参数组成特征向量送入最小二乘支持向量机进行识别。研究结果表明:所提取的特征可以很好地反映刀具的磨损状态,云-支持向量机方法可以有效地实现刀具磨损状态的识别,与传统神经网络识别方法相比具有更高的识别率,识别率达到96.67%。     

基于DHMM的机械密封端面膜厚识别技术的研究

维持机械密封端面间一定的膜厚是保证机械密封正常运行的关键,利用声发射技术监测得到的反映机械密封膜厚状态的信号往往信噪比很低,对其工作状态进行分类存在一定的困难。提出一种基于声发射信号利用总体经验模式分解(EEMD)和离散隐马尔可夫模型(DHMM)识别的机械密封端面膜厚识别技术。首先对声发射信号进行分帧处理,运用EEMD方法对信号进行时频分析,对分解出的子频分量分别提取时域和频域特征,再由核主成分分析法对特征参数进行优化降维,利用简化后的特征参数矢量训练各个机械密封端面膜厚状态的DHMM,最后由训练好的DHMM实现机械密封端面膜厚状态的识别,从而实现机械密封端面接触状态的监测。试验研究表明:该方法能够快速有效地判断出膜厚状态,并且需要的训练样本少,训练速度快,对实现机械密封端面接触状态的智能化在线监测具有重要的意义。     

模糊模式识别在铣刀磨损监测中的应用

本研究通过分析铣刀渐进磨损过程的特点,从切削力、主轴端振动位移、主轴端振动加速度和主轴电机功率等信号中提取了8个反映刀具磨损状态的特征参数,提出用模糊模式识别多传感器信息融合技术监测铣刀后刀面磨损带宽度。在立式加工中心上的实验表明,模糊模式识别多传感器信息融合技术能够满足铣刀磨损监测要求,具有较强的有效性和工程实用性。     

LS-SVM回归算法在刀具磨损量预测中的应用

提出了基于最小二乘支持向量机回归算法的刀具磨损量预测方法。该方法首先利用经验模态分解算法对非线性、非平稳的声发射信号进行平稳化处理,得到了若干个固有模态函数;然后建立了每个固有模态函数的自回归模型,并提取模型系数构造特征向量;最后采用最小二乘支持向量机回归算法实现了刀具磨损量的预测。该方法与神经网络预测算法相比,具有更高的预测准确率,可有效预测当前切削状态下10s后的刀具磨损量。     

基于表面二维PCA重构图像的刀具磨损分形特征研究

根据加工表面纹理图像与刀具几何形状之间的内在联系,提出利用计算机视觉技术进行刀具磨损状态监测,设计了基于表面微观纹理图像的刀具磨损状态监测实验系统。提出从二维PCA重构图像中提取分形特征值来判断刀具的磨损状态,给出了二维PCA图像重构算法。理论分析和实验证明:PCA重构图像消除了原始图像信息中的冗余和噪声,从重构图像中提取出来的分形布朗运动维数与刀具磨损有着很强的相关性,可以间接判断刀具磨损情况,从而达到对刀具状态进行监测的目的。     

改进局部二值模式在磨粒图像识别中的应用

局部二进制模式(LBP)是一种有效的图像纹理描述算子,但传统的LBP算子的二进制序列是通过邻域内各像素的灰度值与邻域中心像素灰度值的比较得出的,这种比较过于简单容易导致纹理信息的丢失。提出一种改进的LBP算子来提取图像的纹理特征,并将其应用于严重滑动磨粒、疲劳剥块和层状磨粒3种典型磨粒的识别中。结果表明:与其他算法相比,提出的算法能更有效地提取磨粒的纹理特征,提高了识别精度。     

基于多源同步信号与深度学习的刀具磨损在线识别方法

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。