基于BiLSTM的铣刀磨损状态监测模型

机械加工中刀具磨损退化直接影响工件质量和生产效率,在线监测刀具状态对于提高生产可靠性和降低刀具成本具有重要意义。为实现铣刀磨损状态在线监测,通过采集的主轴振动和主轴电机驱动电流作为监测信号;使用小波阈值降噪消除信号中的环境噪声干扰成分,并通过冗余提升小波变换保留信号的精确频率局部化信息,以提取更为丰富的频率特征;引入BiLSTM双向长短周期记忆网络对特征信号的时间信息进行编码,通过全连接层预测刀具磨损状态。通过铣刀的全寿命实验验证本文设计的铣刀磨损状态监测模型,结果表明,BiLSTM双向长短周期记忆网络可以有效评估铣刀磨损状态。     

基于铣削力参数化模型的铣刀非均匀磨损状态监测方法研究

在航空结构件钛合金零件数控加工中,刀具非均匀磨损状态对工件的最终质量影响很大。为了及时发现并控制因刀具非均匀磨损导致的异常加工状态,对钛合金加工刀具非均匀磨损状态监测方法进行了研究。建立了基于刀具刃线参数化模型的铣削力参数化模型,实现了对钛合金加工刀具非均匀磨损状态的监测,解决了零件单件或首件加工中样本数据缺失条件下的钛合金加工刀具非均匀磨损状态准确监测难题。     

基于HHT算法与主轴功率信号的刀具磨损状态在线监测

对刀具磨损状态进行在线监测是提高加工效率、改善产品质量的重要途径,提出了一种基于希尔伯特-黄变换(HHT)和机床主轴功率信号的刀具磨损状态在线监测方法,并设计了六组实验用于研究切削用量、工件材料、加工方式等因素对该方法监测精度的影响。实验结果表明,在不同加工工况条件下,基于希尔伯特-黄变换和主轴功率信号构造的磨损系数与刀具的实际磨损量均有较高的相关性,相关系数约为0.85,最高可达0.98,即所研究的因素对该方法监测精度影响较小。表明文章提出的刀具磨损状态在线监测方法具有良好的可行性和适用性,能够满足工业中的应用需求。     

基于振动信号的铣刀磨损状态识别

刀具磨损状态的变化是自动化加工中最为常见的影响因素,对刀具磨损状态的有效识别能够保证自动化生产的顺利进行.从铣削加工的振动信号中,可以获取刀具磨损状态的信息.基于小波理论,通过分解提取的振动信号,并分析频带内振动信号幅值的变化,就能够确定刀具磨损的状态.对铣削平面和斜面进行了实验分析,证明该种方法能够实现铣削加工过程中刀具磨损状态的有效识别.     

基于红外温度的铣刀磨损在线监测

刀具状态及切削加工过程监控是自动化加工过程中保证产品质量和加工设备安全的重要手段,切削区温度与刀具状态直接相关。利用红外温度传感器,实现了切削区温度的远距离非接触式采集。通过铣削试验,探索了不同切削参数下刀具后刀面磨损(VB)与切削温度之间的关系。     

基于谐波频率点能量占比指标的铣刀磨损监测

为满足铣刀磨损状态监测需求,文章基于振动信号和二阶同步提取变换理论提出了谐波频率点能量占比指标和主谐波频率点能量占比指标.同时,文章利用3把磨损状态不同的T45铣刀开展了相应的铣削试验.试验结果表明:所提指标能有效地评估铣刀磨损的严重程度,可应用于铣刀磨损的状态监测中.     

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。     

基于切削电流系数的铣刀磨损状态监测

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。     

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。     

对刀具磨损获取信号处理方法的探讨

建立了监测信号与刀具磨损之间的关系,利用监测信号直接或间接反映刀具磨损状态。针对磨损信号多种的处理方法(建立刀具磨损的关系),总结了近几年来学者对监测信号采用的不同处理方法。     

刀具磨损状态在线监测技术

通过对切削加工过程中声发射（ＡＥ）信号频域特改正的研究,指出了ＡＥ信号中与刀具磨损状态有关的成分在频域内的分布规律,在此基础上分析了ＡＥ信号的均方根值ＡＥＲＭＳ和振铃计数与刀具后面磨损量ＶＢ之间的对应关系,建立了一种基于ＡＥ信号能量的双阈值判断监测方法。试验表明该方法能很好地解决持定切削条件下刀具磨损的在线监测问题。     

深度学习与多信号融合在铣刀磨损状态识别中的研究

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％.     

深度学习与多信号融合在铣刀磨损状态识别中的研究

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％.     

基于切削力信号的钻头磨损状态实时监测

研究了钻削过程中刀具在线磨损状态特征信号的提取方法。以轴向力和扭矩为监测信号,在普通钻床上建立起相应的实时信号数据采集系统,通过对信号进行幅域和频域分析,提取了特征信号随刀具磨损量增加的变化规律,为实现机械加工过程刀具状态的智能识别提供了依据。试验结果表明,该方法具有较好的抗干扰能力和较高的识别精度。     

视听信息融合的CNC铣刀磨损状态监测方法

针对目前多特征融合刀具磨损监测方法中存在特征之间相关性差、非线性关系被忽略,导致用于模式识别的融合特征维数过大、冗余信息多、特征契合度差和识别准确率低的问题。提出了一种核典型相关分析(Kernel Canonical Correlation Analysis, KCCA)的多级特征融合方法。采集数控加工过程的声压信号以及工件纹理图像,并提取相应的视听特征,利用核典型相关分析法在高维空间找到2组投影方向,保证投影后特征间的皮尔逊系数最大,使视听特征的相关性最大化。经实验验证,利用核典型相关分析法能计算6组典型变量,并表达原特征97%以上的信息,大大降低了特征维数、减少了冗余特征。并且同样的识别模型下,核典型相关分析法能够将检测准确率提升至95%以上。     

基于时域特性的铣刀磨损状态信息提取

在分析铣削加工过程特点的基础上，采用后刀面磨损带面积为铣刀磨损的评价指标，建立了基于切削力和主轴电机功率的铣刀磨损模型，探讨了基于时域特性的铣刀磨损状态信息提取的相关技术。理论分析和实验结果表明，切削力和主轴电机功率的量纲一系数Cv的变化与铣刀后刀面磨损带的磨损过程直接相关。采用切削力和主轴电机功率的量纲一系数Cv作为铣刀后刀面磨损带面积的监测信号能真实地反映其磨损过程。     

用模糊神经网络进行铣刀磨损状态识别

刀具磨损监测过程是一个模式识别过程,模糊推理和人工神经网络都是进行模式识别非常有效的办法,针对模糊系统和神经网络各自表现出来的不足,将模糊推理和神经网络结合起来,充分利用模糊系统在处理结构性知识上的优势和神经网络在自学习和并行处理上的能力,形成模糊神经网络进行刀具磨损在线监测识别.通过研究模糊系统和神经网络的结合形势,...     

基于振动法的刀具磨损状态监测研究

数控机床加工过程中,刀具是直接与金属材料接触并参与切削过程的工作部件。在金属切削加工过程中刀具不可避免地产生磨损现象,提高刀具使用寿命,降低因为刀具磨损而产生的损失,对刀具的工作状态实施监测意义十分重大。基于振动测试法的刀具磨损状态监测主要以采集到的振动信号作为依据,对振动信号作时域、频域和时频分析来提取有效的特征量,结合工件被加工表面的粗糙度情况以及刀刃的磨损状况,判断出在加工过程中刀具的实时磨损规律,实现刀具磨损程度的有效控制。     

基于切削力信号时域频域特征融合的刀具磨损监测

从时域、频域提取了切削力信号特征参数随着刀具磨损量增加的变化规律,提取了切削力信号的峰值因子、Kurtosis系数和频段带能量作为刀具磨损量监测特征参数,并将各个特征量构成的特征矢量输入改进的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,该方法具有较高的识别精度和较强的抗干扰能力。     

变参数铣削刀具磨损状态监测研究

针对切削力旧有时域特征易受切削参数变动影响而不适用于变参数铣削刀具磨损状态监测的缺陷,采用了一组新的无量纲切削力时域特征(归一化切削力指标NCF、变异系数Cv和峰值力比MFR)。并以难加工材料TC4钛合金变参数铣削实验来验证新特征在变参数铣削刀具磨损状态监测上的有效性,分别以新旧特征作为SVM分类器的输入,分析和比较结果表明本文提出的无量纲切削力时域特征对切削参数变化不敏感,而仅对刀具磨损状态变化敏感,因此能够实现变参数铣削刀具磨损状态监测。